[发明专利]一种基于梯度下降的时序模糊认知图的学习方法及系统

说明书

本发明适用于时间序列分析技术领域，提供了时序模糊认知图的学习方法，包括：对样本数据进行预处理后划分，得到训练样本集和预测样本集，使用基于时序的皮尔逊相关系数初始化权值函数，在训练样本集中内构建全连接的时序模糊认知图网络；根据迭代次数，使用批量梯度下降法对初始化后的权值函数进行优化，用损失函数度量每次优化后的权值函数的误差；选取使得损失函数最小的权值函数，构建最优时序模糊认知图网络，利用预测样本集对最优时序模糊认知图进行验证，本发明使用批量梯度下降算法学习出tFCM模型，使用基于时序的皮尔逊相关系数来初始化权值，让搜索范围落在一个有统计意义的区间，降低陷入局部最优解的可能性。

技术领域

本发明属于时间序列分析技术领域，尤其涉及一种基于梯度下降的时序模糊认知图的学习方法及系统。

背景技术

模糊认知图(Fuzzy Cognitive Map,FCM)是一种用于知识表达和因果推理的有向加权图，已经被广泛应用于工程技术管理、医药决策支持等领域。然而，FCM的迭代推理没有展现出因果关系中的时序性。时序模糊认知图(Temporal Fuzzy Cognitive Map,tFCM)克服了FCM这个缺陷，它把每条边上的权值设计成离散时间域上的函数，能够充分展现出各个时间段内各因子的相互因果关系影响。

目前，tFCM的边权值是人工指定的，其缺点有二：1)人为估算权值需要其具备相应数据领域知识、FCM知识等，对人的要求很高；2)tFCM用于处理时序数据，时序数据是不断动态变化的，需要模型具备学习能力，人工指定边权值将会限制tFCM对时序数据的适应性。

FCM中已经有自动地计算、学习边权值的方法，比如基于Hebbian的学习算法、基于进化思想的算法。但是在现有的学习方法中，存在容易陷入局部最优解的可能性，同时学习的准确性不高的问题。

发明内容

本发明所要解决的技术问题在于提供一种基于梯度下降的时序模糊认知图的学习方法及系统，旨在解决现有的学习方法中，存在容易陷入局部最优解的可能性，同时学习的准确性不高的问题。

本发明是这样实现的，一种基于梯度下降的时序模糊认知图的学习方法，包括：

步骤A，获取初始样本数据，对所述初始样本数据进行预处理，得到样本数据；

步骤B，对所述样本数据进行划分，得到训练样本集和预测样本集；

步骤C，使用基于时序的皮尔逊相关系数初始化权值函数，在所述训练样本集中内构建全连接的时序模糊认知图网络；

步骤D，根据预置的迭代次数，使用批量梯度下降法对初始化后的权值函数进行优化，用损失函数度量每次优化后的权值函数的误差；

步骤E，选取使得损失函数最小的权值函数，构建最优时序模糊认知图网络，所述最优时序模糊认知图表示所述样本数据中每个节点在不同时间段内的互相影响；

步骤F，利用所述预测样本集对所述最优时序模糊认知图进行验证。

进一步地，所述步骤A包括：

步骤A1，从预置的数据源获取初始样本数据；

步骤A2，对所述初始样本数据进行包括特征提取、归一化的预处理，得到所述样本数据，所述样本数据表示各个特征在每个时刻的值。

进一步地，所述步骤B包括：

步骤B1，对所述样本数据使用滑窗法，生成大小相同的若干样本组；

步骤B2，将若干所述样本组划分为训练样本集和测试样本集。

进一步地，所述样本组内，第s时刻每个节点与前s-1个时刻所有节点均有边连接，所述步骤C包括：