基于最小二乘支持向量机的TSK模糊模型  

TSK Fuzzy Model Base on Least-Squares Support Vector Machines

作　　者：蔡前凤[1] 郝志峰[2] 杨晓伟[3] 

机构地区：[1]华南理工大学计算机科学与工程学院,广东广州510006 [2]广东工业大学计算机学院,广东广州510090 [3]华南理工大学理学院,广东广州510640

出　　处：《华南理工大学学报（自然科学版）》2009年第5期130-134,共5页Journal of South China University of Technology(Natural Science Edition)

基　　金：国家自然科学基金资助项目(60433020;10471045);广东省科技计划项目(2008B080701005);信息安全国家重点实验室开放课题基金资助项目(04-01);广东工业大学青年基金资助项目(062056);惠州市技术研究与开发资金项目(08-117)

摘　　要：为了提高TSK(Takagi-Sugeno-Kang)模糊模型处理高维问题的推广能力,在结构风险最小化原则的基础上,提出了一种构造TSK模糊模型的新算法.该算法用GK(Gustafsonk-Kessel)算法确定模糊规则的前件隶属函数,然后用最小二乘支持向量回归机(LSSVR)确定模糊规则的后件参数.最小二乘支持向量回归机的核函数由模糊规则前件隶属函数生成,经证明它是Mercer核.实验结果表明,与现有算法相比,文中算法提高了TSK模糊模型处理高维问题的推广能力;与LSSVR相比,文中算法具有良好的鲁棒性.In order to improve the generalization capability of Takagi-Sugeno-Kang （TSK） fuzzy model in high-di- mension space, a novel algorithm of TSK model is proposed based on the structural risk minimization principle. In this algorithm, first, the antecedent membership functions of fuzzy rules are obtained by means of the Gustafson- Kessel （GK） algorithm. Next, the consequent parameters of fuzzy rules are determined by using the least-square support vector regression （LSSVR） machine. Then, the kernel function of LSSVR is deduced by the antecedent membership functions of fuzzy rules and is proved to be a Mercer kernel. Experimental results show that the pro- posed algorithm has better generalization capability than the conventional techniques of TSK model and is more ro- bust than LSSVR.

关 键 词：模糊系统 模糊规则 模糊聚类 支持向量机 核函数 

分 类 号：TP18[自动化与计算机技术—控制理论与控制工程]