最新基于决策树改进CART算法的ANFIS结构辨识技术-(1)课件PPT.ppt 40页

'基于决策树改进CART算法的ANFIS结构辨识技术-(1) ANFIS作为一种模糊工具，具有信息记忆能力和神经网络函数的训练能力，可以有效的学习专家知识、处理不确定性问题、增强对未知和不确定环境的学习和适应能力，使整个系统朝着自适应、自组织和自学习的方向发展。但ANFIS的学习法则以及任何其他的参数自适应方法仅涉及参数辨识，在进行任何参数调节过程之前，还需要用结构辨识方法确定一个初始的ANFIS结构，有了可靠的结构和参数辨识方法，方可完成模糊建模的周期。这里引入改进cart算法对ANFIS进行结构辨识。1、引言 2、CART算法的原理决策树是把数据集的输入空间划分为互斥区域，每个区域赋予一个标示、一个值和一个表示该区域内数据点的动作。为了构造一个合适的决策树，cart首先基于采样本数据集广延的生长树，然后，基于最小复杂性代价准则，再回头修剪这棵树，这样得到一系列不同大小的树，最后所选择的那棵树为用另一组独立的数据时具有最好性能的树。cart算法由两部分组成：树生长和树剪枝。 2）树剪枝由以上算法生成的树常常规模很大，而且与训练数据集有偏差，必须进行剪枝处理，基于最小复杂性或最弱子树收敛原理是最有效的方法之一，其步骤如下：（1）对于任意子树，定义其复杂度为T中的终结点数目。那么代价复杂性测度定义为式中，是代价复杂度参数。 （2）对于每个，对应于给定的,可以找到一个最小子树：（3）当值增大时，一直保持最小，直到到达一个跳跃点，此时，树成为新的最小树。设有L个终结点。采用逐步向上进行树剪枝的思想使得满足：式中，有i个终结点。 （4）求树T的下一棵最小树。对于T中的每一个内节点t，求为下一棵最小树值，记为： （5）选择具有最小的内结点作为剪枝的目标结点。树的剪枝过程为：1.计算Ti中每一个内节点t的值；2.求最小，并选择为下次最小树；3.判断是否只有一个根结点，若不是，则转1。4.用独立测试（检验）数据集的方法选择最优规模树。 3、改进cart算法为构造有恒定输出的终结点的递归树，先前描述的cart算法可以辨识出适当规模的树，并确定树不需要的无关输入，但如果终结点是用线性方程来描述其特征的，为求相关输入，需要更大的计算量，这是很不方便的。为此，本文提出降低计算量的方法-RLSE（递归最小二乘估计器），即在新数据和新参数适应过程中递归地得到最小二乘估计器。 对于矛盾方程（其中的第k行表示为），最小二乘估计器为: 为了利用已得的，以最小代价计算，而不是使用所有可得的数据重新计算，引入递归最小二乘估计器，它可按下式计算式中，，最终的等于，即使用所有m个数据对的估计器。 此外，在使用cart算法构造树的整个输入输出映射中，会产生不希望的不连续边界，为了光滑每个分叉点上的不连续边界，可采用模糊集的方法，将决策树转化为模糊问题进行处理。 4、ANFIS的结构辨识改进cart算法用于ANFIS的结构辨识的优势在于隐含权值的归一化定理。命题：cart构造的ANFIS网络中隐含权值的归一化。即在把决策树转化为推理系统时，如果：式中，x是任意的输入向量；是x的任意分叉点；为隶属函数。 以二叉树为例，该决策树可等效于一组确定的规则集，如图1所示。y