Abstrak - evolvable Takagi-Sugeno (T-S) model model berbasis aturan kabur dengan

kemampuan untuk terus belajar dan beradaptasi dengan sampel yang masuk dari
aliran data. Model menyesuaikan kedua premis dan parameter konsekuen untuk
meningkatkan kinerja model. Makalah ini memperkenalkan metodologi baru untuk
estimasi parameter premis di evolvable T-S (ETS) Model. Update inkremental untuk
sampel tertimbang berarti dan kebalikan dari matriks kovarians memungkinkan kita
untuk membangun sebuah kabur aturan dasar evolvable yang digunakan untuk
mendeteksi outlier dan perubahan rezim di input stream. Kami membandingkan
model
kami
dengan
ETS
Angelov
ini
+
Model dengan arti fi cial dan data real. Perlindungan Indeks Syarat-Anomali, deteksi
perubahan, evolvable Takagi-Sugeno (T-S) model, berkembang sistem fuzzy,
pengenalan
pola,
streaming
data.
I. PENDAHULUAN
era data besar di sini. Seberapa besar "Big Data?" Facebook sendiri log lebih dari 25
terabyte data per hari. Apakah ini besar? Bagi kami, data besar jika tidak dapat
dimuat dan diproses dalam memori internal. Definisi ini tidak jelas, karena
tergantung pada komputer yang terlibat tetapi fi sien suf deskriptif karena ada
adalah dataset statis yang terlalu besar dalam hal ini untuk setiap komputer.
Menganalisis sejarah (disimpan) data statis dapat memiliki nilai yang besar, tetapi
platform pencarian Internet (Google, Yahoo, dll) tergantung pada memproses
permintaan
informasi
secepat
mungkin
dari
streaming data yang tiba selama suatu interval waktu. Data dari data monitoring
atau pengawasan sensor jaringan-lingkungan, misalnya-tiba terus menerus dan
menawarkan kemungkinan (dekat) real-time reaksi terhadap peristiwa tunggal
(misalnya, outlier, gempa bumi di time series seismograf). Selain itu, mpossibility
menyimpan data besar dikombinasikan dengan kurangnya pandangan ke depan
(prediksi) kemampuan membatasi kegunaan analisis belakang offline
Selain itu, ketidakmungkinan menyimpan data besar dikombinasikan dengan
kurangnya pandangan ke depan (prediksi) kemampuan membatasi kegunaan
analisis belakang offline data yang tersimpan. Faktor-faktor ini telah melahirkan
minat yang tumbuh di
real-time (atau dekat real time) analisis data
streaming.Stream data dapat melayang (berubah perlahan-lahan, hari menjadi
malam) atau pergeseran (berubah dengan cepat, lampu berubah ON atau OFF) dari
satu negara ke yang berbeda. Tantangan adalah untuk mengembangkan model
yang mampu mendeteksi perubahan ini dan berkembang dengan ini nonstationary
aliran data secara real time. Dua gol analisis data utama dalam lingkungan ini
adalah prediksi dan perubahan deteksi.
Beberapa metode yang ada untuk prediksi secara online di aliran data stasioner
atau beralih [1] - [3]. Dalam [3], tes rasio kemungkinan berurutan digunakan pada
model autoregressive untuk mendeteksi perubahan dalam sungai. Model ini
menggunakan threshold pada agnitude minimal perubahan parameter model yang

untuk mendeteksi perubahan. Namun, sulit untuk menetapkan nilai yang dapat
diandalkan untuk parameter ini yang bekerja dengan baik di berbagai jenis
masukan sungai. Dalam [4] dan [5], penulis menggunakan proses Gaussian, yang
merupakan generalisasi dari Kalman lters, untuk prediksi di hadapan poin
perubahan. Namun, proses Gaussian adalah komputasi mahal dan tidak
memberikan pengetahuan tentang sistem dimodelkan. Dalam [1], rasio
kemungkinan eneralized (GLR) uji tapis Kalman dan untuk memantau kesehatan
turbin gas diusulkan. Namun, GLR diusulkan komputasi menuntut dan sangat
sensitif terhadap pilihan ambang batas untuk tes kemungkinan. Evolvability model
fuzzy, secara umum, membuat model ini solusi yang layak untuk mengatasi
masalah dari pendekatan tersebut [6]. Bunga kami adalah dalam sistem berbasis
fuzzyrule yang memanfaatkan input stream untuk belajar parameter model secara
real time dan dengan demikian, menghasilkan aturan dari data hanya input /
output.
Gambar. 1 menunjukkan sistem yang beralih antara dua negara dari autoregresi
yang menghasilkan aliran data beralih khas. Sistem berbasis Arule partisi ruang
input / output untuk menghitung kekuatan fi cincin setiap aturan untuk setiap nilai
dalam ruang input / output. Dalam streaming data online di mana jumlah negara
sistem ini tidak diketahui, penting untuk mengidentifikasi titik-titik perubahan dan
memperbarui partisi, jika perlu. Model semacam ini dapat dibagi menjadi tiga
pendekatan: 1) Aturan tambahan pendekatan pembelajaran kabur non seperti
FLORA [7] dan AQ-PM [8]; 2) berkembang pendekatan-berbasis aturan kabur seperti
ETS + [9], [10]; dan 3) berkembang neurosystems kabur seperti ECOS [11] dan
DENFIS
[12].
Kami
mengikuti
jalur
2
dalam
makalah
ini.
pada tahun 1985, Takagi dan Sugeno [13] memperkenalkan jenis fuzzy sistem inputoutput (Takagi-Sugeno (T-S) sistem) yang telah menjadi dasar dari teori kontrol
fuzzy modern. Kertas mereka dan diskusi awal lain dari identifikasi dari struktur dan
parameter dari model T-S (disebut sistem identifikasi) muncul segera setelah itu
[14]. Fuzzy clustering untuk identifikasi memasuki gambar pada tahun 1993 [15].
Clustering dapat dilakukan pada input, output, atau keduanya, dan cluster fuzzy
kemudian diproyeksikan ke premis dan / atau struktur konsekuen. Setiap cluster
kabur sesuai dengan (mendefinisikan) aturan fuzzy, yang memiliki kedua fi rst- dan
karakteristik orde kedua (misalnya, mean dan kovariansi). Perkenalan yang baik
untuk banyak masalah yang berhubungan dengan desain model umum T-S
dilengkapi [16] - [18]. Dalam tulisan ini, kita akan menggunakan con fi khusus
konfigurasi dari T-S sistem-the evolvable sistem T-S (ETS) -yaitu cocok untuk
prediksi dengan adanya outlier, hanyut bertahap, dan pergeseran negara di data
stream online. Model ets dimulai pada tahun 2004 dengan kertas dengan Filev dan
Angelov [19]. Model dan algoritma mereka telah melalui serangkaian kation modi fi
dan perbaikan, culminatingintheeTS + algoritma yang dijelaskan dalam [10] dan
digunakan dalam perbandingan kami di bawah ini. Angelov menyajikan survei yang
sangat baik dari neurosystems kabur-aturan berbasis dan kabur evolvable di [20].
Kita mulai dengan review singkat dari umum Model T-S.

Biarkan x ? menunjukkan pengamatan. Fitur p (koordinat x) mungkin suhu,

tekanan, kelembaban, tegangan, dll T-S Model biasanya mempekerjakan 3-7 fungsi
keanggotaan untuk setiap variabel input. Misalnya, rendah, sedang, tinggi,
temperatur x: moderat, rata-rata, berat kecepatan angin x2, etc.Assume ada aturan
M. pada input x = (x1, ..., xp), evaluasi untuk aturan i (Ri) di hasil variabel p
masukan dalam fi cincin kekuatan i, yang mengintegrasikan nilai-nilai {MI1 (x1),
..., mik (xk), ..., MIP (x)} dari fungsi keanggotaan untuk fitur i. Secara khusus, untuk
aturan i (Ri)

Dalam (1), T adalah T-norma (persimpangan) operator. Pilihan yang biasa untuk T
adalah minimum atau produk dari keanggotaan p values.The kekuatan fi ring di (1)
kemudian "ditransfer" ke sisi kanan (RHS) atau konsekuensi dari setiap aturan
dalam sistem T-S, di mana mereka digabungkan dengan satu set output fungsi {u
(x)} untuk fi nd respon model untuk input x. RHS dari setiap aturan R i demikian
terdiri dari pasangan ( (x)). Secara umum, ada beberapa output, ui: x? qi, u, tapi
ui:? X? ? sering skalar medan

di mana? i = (ai0, AI1, ..., AIP) T, x? = (1, x, dan? *, * adalah produk dalam
Euclidean pada? p + 1 1, .. ., x ? p + 1. Persamaan(2) adalah af fi ne di x dan
linear di x ?. Kemudian, respon keseluruhan aturan M dihitung. Dalam beberapa
kasus-masukan multiple-keluaran

Untuk aturan M, ini hanya jumlah tertimbang output fungsi, bobot menjadi kekuatan
fi cincin aturan. Untuk multiple-input tunggal-output kasus dengan fungsi output
pada (2), output T-S dan Ets menjadi

Persamaan (4) adalah model linear lokal dengan output univariat. Ini adalah satusatunya model yang dibahas dalam [10]. Untuk pilihan ini, ada dua set parameter
untuk memperkirakan: 1) sisi kiri (LHS) parameter fungsi keanggotaan untuk setiap
variabel input dan 2) koefisien koefisien {a} fungsi RHS di(2). LHS aturan M di TS
dan ET sistem mengambil bentuk umum:

Tujuan umum dari penelitian ini adalah untuk memodifikasi cara parameter premis
di ETS + dihitung, dan cara aturan fuzzy digunakan untuk mendeteksi anomali
(outlier, melayang, dan shift). Kita tidak akan membahas masalah parameter
identifikasi untuk RHS atau prediksi input masa depan berdasarkan model ET
lengkap. Ets + dan pendekatan evolvable deteksi anomali Takagi Sugeno kami
(eTSAD) akan baik mendekati masalah ini dengan fi tting parameter RHS dengan
rekursif estimasi kuadrat terkecil. Dari sudut pandang ini, satu-satunya perbedaan
dalam dua model berada dalam estimasi LHS, dan itulah sebabnya, kami
berkonsentrasi hanya pada parameter LHS dan aturan-aturan yang mereka
mendefinisikan. Secara khusus, kami mengusulkan 1) metode baru untuk update
tambahan dari parameter rule fuzzy; 2) pendekatan baru untuk menggunakan
fungsi keanggotaan untuk mendapatkan kekuatan fi cincin aturan M untuk setiap
masukan; 3) cara baru untuk menambahkan aturan sebagai didikte oleh aliran data;
dan 4) cara baru untuk mendeteksi poin perubahan dalam streaming data untuk
mendeteksi outlier, pergeseran, dan drift dalam data streaming.

Kami menjelaskan ets + dalam Bagian II. Versi kami ETS, yaitu, eTSAD, dibahas
dalam Bagian III. Sebagai peta jalan tingkat tinggi dari langkah-langkah yang
relevan di kedua ets + dan eTSAD, Gambar. 2 memberikan skema highlevel dari
langkah-langkah utama dari kedua metode (versi yang lebih rinci dari diagram ini
muncul dalam Bagian III). Bagian V menyajikan evaluasi empiris akurasi komparatif
eTSAD dan ETS + menggunakan dua dataset sintetis dan dua dataset kehidupan
nyata. Bagian VI berisi ringkasan, kesimpulan kami, dan beberapa ide untuk
penelitian masa depan.