基于最小二乘支持向量机的TSK模糊模型

华南理工大学学报（自然科学版） ›› 2009, Vol. 37 ›› Issue (5): 130-134.

基于最小二乘支持向量机的TSK模糊模型

蔡前凤¹ 郝志峰² 杨晓伟³

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

收稿日期:2008-06-17 修回日期:2008-08-03 出版日期:2009-05-25 发布日期:2009-05-25
通信作者: 蔡前凤（1973-），女，在职博士生，广东工业大学讲师，主要从事模糊系统、支持向量机、人工智能等研究． E-mail:caiqianfeng@163．com
作者简介:蔡前凤（1973-），女，在职博士生，广东工业大学讲师，主要从事模糊系统、支持向量机、人工智能等研究．
基金资助:
国家自然科学基金资助项目（60433020,10471045）;广东省科技计划项目（2008肋80701005）;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）

TSK Fuzzy Model Base on Least-Squares Support Vector Machines

Cai Qian-feng¹ Hao Zhi-feng² Yang Xiao-wei³

1 School of Computer Science and Engineering, South China University of Technology, Guangzhou 510006, Guangdong, China; 2. Faculty of Computer, Guangdong University of Technology, Guangzhou 510090, Guangdong, China; 3. School of Science, South China University of Technology, Guangzhou 510640, Guangdong, China

Received:2008-06-17 Revised:2008-08-03 Online:2009-05-25 Published:2009-05-25
Contact: 蔡前凤（1973-），女，在职博士生，广东工业大学讲师，主要从事模糊系统、支持向量机、人工智能等研究． E-mail:caiqianfeng@163．com
About author:蔡前凤（1973-），女，在职博士生，广东工业大学讲师，主要从事模糊系统、支持向量机、人工智能等研究．
Supported by:
国家自然科学基金资助项目（60433020,10471045）;广东省科技计划项目（2008肋80701005）;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/Abstract

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．

关键词: 模糊系统, 模糊规则, 模糊聚类, 支持向量机, 核函数

Abstract:

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.

Key words: fuzzy system, fuzzy rule, fuzzy clustering, support vector machine, kernel function

蔡前凤郝志峰杨晓伟. 基于最小二乘支持向量机的TSK模糊模型[J]. 华南理工大学学报（自然科学版）, 2009, 37(5): 130-134.

Cai Qian-feng Hao Zhi-feng Yang Xiao-wei. TSK Fuzzy Model Base on Least-Squares Support Vector Machines[J]. Journal of South China University of Technology (Natural Science Edition), 2009, 37(5): 130-134.

[1]	马新露, 樊博, 陈诗敖, 等. 基于实时交通流的事故风险评估与分析模型[J]. 华南理工大学学报(自然科学版), 2021, 49(8): 19-25,34.
[2]	赵静, 王选仓, 樊振阳, 等. 基于支持向量机的沥青路面性能评价[J]. 华南理工大学学报（自然科学版）, 2020, 48(9): 116-123.
[3]	李智, 陈业航, 冯宝, 等. 基于活动轮廓模型的脑梗死图像分割[J]. 华南理工大学学报（自然科学版）, 2020, 48(5): 102-111,124.
[4]	李巨虎范睿先陈志泊. 基于颜色和纹理特征的森林火灾图像识别[J]. 华南理工大学学报（自然科学版）, 2020, 48(1): 70-83.
[5]	杨晓伟黄滢婷. 基于多特征融合的实时单目标追踪算法[J]. 华南理工大学学报（自然科学版）, 2019, 47(6): 1-9.
[6]	田联房吴啟超杜启亮黄理广李淼张大明. 基于人体骨架序列的手扶电梯乘客异常行为识别[J]. 华南理工大学学报（自然科学版）, 2019, 47(4): 10-19.
[7]	牛海清吴炬卓郭少锋. 奇异值分解在电缆局部放电信号模式识别中的应用[J]. 华南理工大学学报（自然科学版）, 2018, 46(1): 26-32.
[8]	王加朋胡跃明罗家祥. 一种基于 ICDF 的支持向量机参数快速优化方法[J]. 华南理工大学学报（自然科学版）, 2017, 45(7): 135-142.
[9]	陈俊颖周顺风闵华清. 用于垃圾邮件识别的“词频－筛”混合特征选择方法[J]. 华南理工大学学报（自然科学版）, 2017, 45(3): 82-88.
[10]	叶国强李伟光万好. 结合学习特征的图像矩视觉伺服方法[J]. 华南理工大学学报（自然科学版）, 2017, 45(2): 99-107.
[11]	许玉格刘莉罗飞. 基于自优化的多属性高斯核函数相关向量机方法[J]. 华南理工大学学报（自然科学版）, 2017, 45(1): 88-94.
[12]	欧阳森郜幔幔杨家豪王克英. 基于模糊聚类的区域变电站节电划分方法[J]. 华南理工大学学报（自然科学版）, 2016, 44(8): 39-46.
[13]	欧阳森吴裕生冯天瑞. 基于模糊聚类的实用系数分析方法[J]. 华南理工大学学报（自然科学版）, 2016, 44(4): 40-46.
[14]	牛海清叶开发许佳吴炬卓罗健斌陆国俊. 基于粒子群优化支持向量机的电缆温度计算[J]. 华南理工大学学报（自然科学版）, 2016, 44(4): 77-83.
[15]	曲杰张国杰徐小琴. 轮毂轴承单元轴铆合装配的铆头优化设计[J]. 华南理工大学学报（自然科学版）, 2016, 44(2): 60-66,73.