14、进化连接系统与进化计算在模型优化中的应用

进化连接系统与进化计算在模型优化中的应用

1. 进化连接系统（ECOS）概述

1.1 加权数据归一化

在许多神经网络和模糊模型及应用中，原始（未归一化）数据的使用较为常见。当所有输入变量的测量单位相同时，使用原始数据是合适的；而当变量的单位不同，或者变量之间的方差较大时，归一化或标准化则更有必要。不过，一般的归一化方法会将每个变量归一化到相同的范围，例如[0, 1]，这意味着假设所有变量对系统输出的重要性相同。

在实际问题中，不同变量对系统输出的重要性和贡献往往不同。因此，需要找到一种最优的归一化方法，并为每个变量分配适当的重要性因子。这种方法还可用于特征选择，或通过保留最重要的变量来减少输入向量的大小。

这种方法尤其适用于基于聚类的神经网络或模糊模型，如径向基函数网络（RBF）、自适应共振理论网络（ART）和进化连接系统（ECOS）。在这些系统中，神经元或模糊规则节点与输入向量之间的距离通常采用欧几里得距离来度量，因此归一化范围较宽的变量对学习过程的影响更大。

1.2 ECOS 在脑电（EEG）数据建模、分类和信号转换规则提取中的应用

ECOS 可用于构建人类头皮脑电图（EEG）数据的连续自适应学习和分类方法。该方法通过一个案例研究进行了说明，该研究记录了人类在静息、听觉、视觉以及视听混合刺激条件下的 EEG 数据。

该方法允许增量式、连续的自适应学习，并能够发现脑信号的转换规则。对单个个体的 EEG 信号进行分类时，该方法取得了良好的分类准确率，这表明 ECOS 有望在未来用于创建智能个性化的人机交互模型，以及对代表不同人类状态的其他 EEG 数据进行自适应学习和分类。