堆叠隐空间模糊C回归算法及其在发酵数据多模型建模中的应用
2016-12-26刘欢王骏邓赵红王士同
刘欢,王骏,邓赵红,王士同
(江南大学 数字媒体学院,江苏 无锡 214122)
堆叠隐空间模糊C回归算法及其在发酵数据多模型建模中的应用
刘欢,王骏,邓赵红,王士同
(江南大学 数字媒体学院,江苏 无锡 214122)
切换回归算法FCR的性能容易受到噪声点以及离群点的影响,同时该算法对于复杂数据的处理能力较差。对此,文中提出一种基于堆叠隐空间的模糊C回归算法。该算法将基于ELM特征映射技术,利用主成分分析进行特征提取,再结合多层前馈神经网络学习结构对隐空间进行多次扩展和压缩。实验结果表明,该算法具有更好的抗噪性能,对模糊指数的变化不敏感,同时在处理复杂数据以及在多模型建模中更加精确、高效、稳定。
隐空间映射;极限学习机;主成分分析;模糊C回归算法;多层神经网络;多模型建模
切换回归模型在经济、数据挖掘等领域中有着广泛的应用。近年来,基于模糊聚类分析[1-4]的切换回归技术得到了广泛的研究。如文献[5]在模糊C均值聚类算法(fuzzy C clustering algorithm, FCM)的基础上提出了模糊C均值回归算法(fuzzy C regression algorithm, FCR)算法,从而实现了对多个模型的切换回归;在此基础上,文献[6]结合牛顿万有引力定律提出了关于切换回归的集成模糊聚类算法(gravity-based fuzzy clustering algorithm, GFC)算法,文中实验表明该算法与FCR相比具有更快的收敛速度;文献[7]通过向FCR中引入动态的样本权值,提出了离群模糊切换回归模型,从而使模型具有更强的鲁棒性,并且能通过权值发现数据集中的离群点。虽然这些方法在一定条件下可以较好地解决切换回归模型中的参数学习问题,但是面向现实生活中的复杂数据,仍然有诸多局限性,其学习能力有待进一步提高。……
