基于特征选择和协同模糊聚类的模糊建模研究

计算机工程与应用 ›› 2008, Vol. 44 ›› Issue (19): 46-49.

基于特征选择和协同模糊聚类的模糊建模研究

祁宏宇¹,吴小俊¹,王士同¹,杨静宇²

1.江南大学信息工程学院，江苏无锡 214122
2.南京理工大学计算机科学与技术学院，南京 210094

收稿日期:2007-09-25 修回日期:2007-12-11 出版日期:2008-07-01 发布日期:2008-07-01
通讯作者: 祁宏宇

Fuzzy modeling based on feature selection and collaborative fuzzy clustering

QI Hong-yu¹,WU Xiao-jun¹,WANG Shi-tong¹,YANG Jing-yu²

1.School of Information Engineering，Jiangnan University，Wuxi，Jiangsu 214122，China
2.School of Computer Science and Technology，Nanjing University of Science & Technology，Nanjing 210094，China

Received:2007-09-25 Revised:2007-12-11 Online:2008-07-01 Published:2008-07-01
Contact: QI Hong-yu

摘要/Abstract

摘要： 为了提高模糊模型辨识效率，提出了一种新的模糊模型建摸方法，该方法由两步组成：（1）采用基于特征相似性的特征选择方法，去除原始数据的冗余；（2）利用协同模糊聚类与G-K相结合的算法初始化模糊模型，使其前件和后件参数得到优化。采用该算法对有效的特征进行协同模糊聚类，模型参数得到改善，提高了模糊模型辨识的效率。模糊建模的实验结果表明了该方法的有效性。

关键词: T-S模糊模型, 协同模糊聚类算法, 特征选择

Abstract: In order to improve the efficiency of fuzzy identification，a new approach to build fuzzy model is proposed.The approach is composed of two phases.The first one is to remove redundant information by feature selection approach using feature similarity.The second one is to identify the initial fuzzy system using the collaborative fuzzy clustering algorithm.The antecedent and consequent parameters of fuzzy model can be optimized.The collaborative fuzzy clustering is applied to extracted features to improve the parameters and efficiency of the fuzzy model.The results of experiments show the effectiveness of the proposed method for fuzzy modeling.

Key words: Takagi-Sugeno fuzzy model, collaborative fuzzy clustering, feature selection

祁宏宇¹,吴小俊¹,王士同¹,杨静宇². 基于特征选择和协同模糊聚类的模糊建模研究[J]. 计算机工程与应用, 2008, 44(19): 46-49.

QI Hong-yu¹,WU Xiao-jun¹,WANG Shi-tong¹,YANG Jing-yu². Fuzzy modeling based on feature selection and collaborative fuzzy clustering[J]. Computer Engineering and Applications, 2008, 44(19): 46-49.

[1]	李莉，纪欣沅，宋嵩. 回环软件缺陷数量预测模型[J]. 计算机工程与应用, 2021, 57(7): 158-163.
[2]	李静星，杨有龙. 针对高维数据的马尔科夫毯特征选择[J]. 计算机工程与应用, 2021, 57(6): 58-66.
[3]	林炜星，王宇嘉，陈万芬，梁海娜. 基于多因子粒子群的高维数据特征选择算法[J]. 计算机工程与应用, 2021, 57(22): 199-207.
[4]	李珑珠，林耀进，吕彦，卢舜，王晨曦. 利用邻域信息交互的在线流特征选择算法[J]. 计算机工程与应用, 2021, 57(21): 102-108.
[5]	陈倩茹，李雅丽，许科全，刘铱龙，王淑琴. 自调优自适应遗传算法的WKNN特征选择方法[J]. 计算机工程与应用, 2021, 57(20): 164-171.
[6]	武炜杰，张景祥. 融合分类信息的随机森林特征选择算法及应用[J]. 计算机工程与应用, 2021, 57(17): 147-156.
[7]	邱云飞，高华聪. 混合Filter与改进自适应GA的特征选择方法[J]. 计算机工程与应用, 2021, 57(11): 95-102.
[8]	霍林，陆寅丽. 改进粒子群算法应用于Android恶意应用检测[J]. 计算机工程与应用, 2020, 56(7): 96-101.
[9]	廖文雄，曾碧，梁天恺，徐雅芸，赵俊峰. 面向高维数据的个人信贷风险评估方法[J]. 计算机工程与应用, 2020, 56(4): 219-224.
[10]	彭明，张海澎. 基于Schatten-p范数和特征自表示的无监督特征选择[J]. 计算机工程与应用, 2020, 56(23): 45-52.
[11]	刘峰，Godfred Kim Mensah，李欣芸，刘鸿丽，李瑶，郭浩. 不确定脑网络的异常拓扑分析及分类研究[J]. 计算机工程与应用, 2020, 56(2): 127-132.
[12]	岳鹏，侯凌燕，杨大利，佟强. 基于XGBoost特征选择的疾病诊断XLC-Stacking方法[J]. 计算机工程与应用, 2020, 56(17): 136-141.
[13]	黄欣，莫海淼，赵志刚，曾敏. 离散型增强烟花算法和[kNN]在特征选择中的研究[J]. 计算机工程与应用, 2020, 56(16): 112-117.
[14]	周婉莹，马盈仓，续秋霞，郑毅. 最大熵和[l2,0]范数约束的无监督特征选择算法[J]. 计算机工程与应用, 2020, 56(11): 51-59.
[15]	郭磊，王顺芳. 序列信息融合与两阶段特征选择的膜蛋白预测[J]. 计算机工程与应用, 2019, 55(6): 145-150.