一种基于元学习的深度模糊决策系统技术方案

本发明专利技术公开了一种基于元学习的深度模糊决策系统，包括参数设置模块、数据空间划分模块、数据处理模块、参数调控模块和循坏训练模块；参数设置模块用于对决策系统中的参数进行设置；数据空间划分模块用于通过FCM或者其他划分技术对训练数据的输入空间进行划分；数据处理模块将数据空间划分模块中的数据转化为相应线性回归模型问题来求解后件参数和输出结果；参数调控模块用于设置初始化参数i并进行随机选择；循环训练模块用于针对所述参数设置模块中的当前图层指示器j进行判断并得出最终输出结果；本发明专利技术有效排除不需要的噪声并通过遗忘和变异使有效的特征得到充分的训练。过遗忘和变异使有效的特征得到充分的训练。过遗忘和变异使有效的特征得到充分的训练。

【技术实现步骤摘要】
一种基于元学习的深度模糊决策系统


[0001]本专利技术涉及决策系统
，具体为一种基于元学习的深度模糊决策系统。

技术介绍

[0002]癫痫是一种由大脑神经元细胞突发性反复超同步的异常放电，所导致大脑功能短暂性障碍的一种脑部疾病,也是全球最常见的神经系统疾病之一。EEG技术可以用来观察记录脑电波的活动过程，然后通过机器学习、分布检验、相关性分析和时频分析等数据分析方法,对癫痫发作阶段的EEG信号进行自动识别。在这些数据分析方法中，许多研究人员致力于通过机器学习技术来实现对癫痫EEG信号的的自动识别，并且在癫痫EEG信号识别任务中，许多机器学习技术都已被证实拥有较好的识别精度,能够为癫痫诊疗与评估提供客观参考依据，从而减轻医生工作上的负担并提高治疗效率。因此对癫痫脑电信号识别技术的研究具有十分重要的理论意义与实际应用价值；
[0003]在使用一些传统的机器学习方法，如C4.5，K近邻算法KNN，朴素贝叶斯算法NB，支持向量机算法SVM和模糊系统等进行癫痫EEG信号识别时，它们只有在训练集和测试集的数据服从相同分布时才能取得较好的识别效果，然而在多数情况下，我们所采集到的EEG数据的分布特征很难相同。已经有研究人员证实，在面对含有噪声的场景时，这些传统的机器学习方法不能获得令人满意的效果。深度学习技术虽然能够提取到数据的深层特征，但和大多数传统机器学习方法一样，我们几乎无法深入了解它的潜在机制，也就是不具备可解释性。

技术实现思路

[0004]本专利技术的目的在于提供一种基于元学习的深度模糊决策系统，以解决上述
技术介绍
中提出的问题。
[0005]为了解决上述技术问题，本专利技术提供如下技术方案：一种基于元学习的深度模糊决策系统，包括参数设置模块、数据空间划分模块、数据处理模块、参数调控模块和循坏训练模块；
[0006]参数设置模块用于对参数进行设置，参数包括模糊规则数K、最大层数L、正则化参数λ1和当前图层指示器j；
[0007]数据空间划分模块用于对训练数据的输入空间进行划分得到训练数据集和测试数据集；
[0008]数据处理模块用于将训练数据集和测试数据集中的数据信息转化为相应线性回归模型问题来求解后件参数和输出结果；参数调控模块用于设置初始化参数i并进行随机选择构建新的训练数据集；
[0009]循环训练模块基于当前图层指示器j小于等于最大层数L时循环数据处理模块和参数调控模块中的步骤，循环训练模块基于当前图层指示器j大于最大层数L时输出最终结果。
[0010]进一步的，数据空间划分模块包括模糊系统和模糊系统的输入向量，模糊系统用于设定推理规则，模糊系统的输入向量用于设置前件变量，数据空间划分模块基于推理规则和前件变量输出模糊系统的模糊映射，数据空间规划模块基于模糊映射表示该模糊系统的输出结果；
[0011]输出结果包括模糊隶属函数和归一化模糊隶属函数，数据空间规划模块设置隶属函数，隶属函数用高斯函数表示；高斯函数包括聚类中心和隶属度矩阵，聚类中心由模糊隶属度构成，隶属度矩阵由模糊隶属度、聚类中心和人工可调的参数构成。
[0012]进一步的，参数调控模块包括原定参数单元和变化参数单元，参数调控模块随机选择原定参数单元和变化参数单元；
[0013]原定参数单元用于设置初始化参数为第一参数时对应的数据并构成新的训练数据集，初始化参数为第一参数表示保持数据处理模块中的数据不变；
[0014]变化参数单元用于设置初始化参数为第二参数和第三参数时对应数据处理模块中新的后件参数和输出结果，变化参数单元将新的后件参数和输出结果构建新的训练数据集；初始化参数为第二参数或第三参数时表示随机选取一些规则删除或使其发生改变。
[0015]应用如权利要求1～3任意一项的一种基于元学习的深度模糊决策系统的一种基于元学习的深度模糊决策方法，一种基于元学习的深度模糊决策方法包括以下过程：
[0016]步骤S100：设置参数，参数包括模糊规则数K、最大层数L、正则化参数λ1和当前图层指示器j，且j＝{1,2......L+1}；
[0017]步骤S200：对模糊系统的输出结果Y
j
初始化参数i，构建新的数据集C
j
；
[0018]步骤S300：通过FCM或者其他划分技术对训练数据的输入空间进行划分，得到训练数据集和测试数据集；
[0019]步骤S400：基于步骤S300的数据，转化为相应线性回归模型问题来求解模糊系统的后件参数P
g
和输出结果Y
j
；
[0020]步骤S500：基于步骤S400中新的数据集对当前图层指示器j进行j＝j+1的赋值，判断j≤L时循环步骤S200至步骤S400，j>L时得到最终的决策系统的输出结果Y
j
′
。
[0021]进一步的，步骤S200包括以下过程：
[0022]初始化参数i，i＝{第一参数，第二参数，第三参数}；i＝第一参数时表示规则传递，规则传递表示模糊系统的每一层都是一个相同的基础训练单元，将前一个训练数据集的输出添加到后一个训练数据集的输入空间，然后把更新后的输入空间作为后一个训练数据集的输入，其中前一个训练数据集的输出值是由该层的规则决定的；即除了第一层外，其余每一层都包含了原始输入空间和前面所有层的输出构成新的数据集C
j
；
[0023]i＝第二参数时表示规则遗忘，规则遗忘表示训练到某一层的过程中通过随机方式丢失一部分规则，该模糊系统中训练数据集的输出就缺失了这部分规则对应的信息形成新的后件参数P
g
和输出结果Y
j
，规则之间的相互依赖就会发生改变在后一单元就会对不同的规则组合进行进一步训练构成新的数据集C
j
；
[0024]i＝第三参数时表示规则变异，规则变异表示在训练到某一层的过程中通过随机方式改变一部分的规则，该模糊系统的训练数据集输出这一部分规则对应的信息产生变异形成新的后件参数P
g
和输出结果Y
j
，进而在后一训练数据集的训练过程中规则之间的搭配产生变化构成新的数据集C
j
。
[0025]设置初始化参数是因为该系统由多个基础单元组成，每一个基础单元都是一个传统的TSK模糊系统，在相邻的两个基础单元中间，需要对前一个单元训练好的数据随机进行直接传递、遗忘和变异三种不同的操作，以实现对先前指示的利用；不同单元之间的主要区别在输入空间的不同，对于第一个基础单元来说，输入空间就是整个原始的训练集，往后的每一个单元的输入空间都是在前一个单元的输入空间的基础上加上前一个单元的输出。输出中就包含着前一个单元训练得到的规则等知识，再传入下一个单元以此实现对知识的传递和利用。
[0026]进一步的，步骤S300包括以下具体过程：
[0027]步骤S310：设定模糊系统的推理规则为：
[0028]R
...

【技术保护点】

【技术特征摘要】
1.一种基于元学习的深度模糊决策系统，其特征在于，包括参数设置模块、数据空间划分模块、数据处理模块、参数调控模块和循坏训练模块；所述参数设置模块用于对参数进行设置，所述参数包括模糊规则数K、最大层数L、正则化参数λ1和当前图层指示器j；所述数据空间划分模块用于对训练数据的输入空间进行划分得到训练数据集和测试数据集；所述数据处理模块用于将训练数据集和测试数据集中的数据信息转化为相应线性回归模型问题来求解后件参数和输出结果；所述参数调控模块用于设置初始化参数i并进行随机选择构建新的训练数据集；所述循环训练模块基于当前图层指示器j小于等于最大层数L时循环所述数据处理模块和所述参数调控模块中的步骤，所述循环训练模块基于当前图层指示器j大于最大层数L时输出最终结果。2.根据权利要求1所述的一种基于元学习的深度模糊决策系统，其特征在于：所述数据空间划分模块包括模糊系统和模糊系统的输入向量，所述模糊系统用于设定推理规则，所述模糊系统的输入向量用于设置前件变量，所述数据空间划分模块基于推理规则和前件变量输出模糊系统的模糊映射，所述数据空间规划模块基于所述模糊映射表示该模糊系统的输出结果；所述输出结果包括模糊隶属函数和归一化模糊隶属函数，所述数据空间规划模块设置隶属函数，所述隶属函数用高斯函数表示；所述高斯函数包括聚类中心和隶属度矩阵，所述聚类中心由模糊隶属度构成，所述隶属度矩阵由模糊隶属度、聚类中心和人工可调的参数构成。3.根据权利要求1所述的一种基于元学习的深度模糊决策系统，其特征在于：所述参数调控模块包括原定参数单元和变化参数单元，所述参数调控模块随机选择所述原定参数单元和变化参数单元；所述原定参数单元用于设置初始化参数为第一参数时对应的数据并构成新的训练数据集，所述初始化参数为第一参数表示保持所述数据处理模块中的数据不变；所述变化参数单元用于设置初始化参数为第二参数和第三参数时对应所述数据处理模块中新的后件参数和输出结果，所述变化参数单元将新的后件参数和输出结果构建新的训练数据集；所述初始化参数为第二参数或第三参数时表示随机选取一些规则删除或使其发生改变。4.应用如权利要求1～3任意一项所述的一种基于元学习的深度模糊决策系统的一种基于元学习的深度模糊决策方法，其特征在于，所述一种基于元学习的深度模糊决策方法包括以下过程：步骤S100：设置参数，所述参数包括模糊规则数K、最大层数L、正则化参数λ1和当前图层指示器j，且j＝{1,2......L+1}；步骤S200：对模糊系统的输出结果Y
j
初始化参数i，构建新的数据集C
j
；步骤S300：通过FCM或者其他划分技术对训练数据的输入空间进行划分，得到训练数据集和测试数据集；步骤S400：基于所述步骤S300的数据，转化为相应线性回归模型问题来求解模糊系统
的后件参数P
g
和输出结果Y
j
；步骤S500：基于所述步骤S400中新的数据集对当前图层指示器j进行j＝j+1的赋值，判断j≤L时循环所述步骤S200至步骤S400，j>L时得到最终的决策系统的输出结果Y
j
′
。5.根据权利要求4所述的一种基于元学习的深度模糊决策方法，其特征在于：所述步骤S200包括以下过程：初始化参数i，i＝{第一参数，第二参数，第三参数}；i＝第一参数时表示规则传递，所述规则传递表示模糊系统的每一层都是一个相同的基础训练单元，将前一个训练数据集的输出添加到后一个训练数据集的输入空间，然后把更新后的输入空间作为后一个训练数据集的输入，其中前一个训练数据集的输出值是由该层的规则决定的；即除了第一层外，其余每一层都包含了原始输入空间和前面所有层的输出构成新的数据集C
j
；i＝第二参数时表示规则遗忘，所述规则遗忘表示训练到某一层的过程中通过随机方式丢失一部分规则，该模糊系统中训练数据集的输出就缺失了这部分规则...

【专利技术属性】
技术研发人员：钱鹏江，王士同，蒋亦樟，姚健，郑兆良，顾逸，陈爱国，张欣，
申请(专利权)人：江南大学，
类型：发明
国别省市：