10、基于区间的演化粒系统建模方法解析

基于区间的演化粒系统建模方法解析

1. 引言

在当今科技发展的背景下，物理系统随时间变化会产生大量非平稳数据。对时变系统进行建模时，需要灵活且自适应的方法来处理这些异质数据。粒计算为此提供了一个丰富的框架，能够利用非平稳粒数据流对时变系统进行建模。

数据挖掘中的数据可能是单一的，也可能是粒状的。本文着重探讨区间数据和区间建模框架。基于区间的演化建模（IBeM）方法能够递归地调整基于规则模型的参数和结构，使用 ∪ - 闭包粒结构来近似函数，这些函数可以是时间序列、类别间的决策边界、控制函数或回归函数等。

IBeM 的优势在于它能顺序访问数据并丢弃先前的示例，新数据可能触发模型的结构自适应。其学习算法能快速更新规则，以跟踪系统和环境的变化。此外，本文还将 IBeM 方法扩展到处理非数值类型的数据，并在算法中引入了预处理时间粒化步骤，以同步不同来源的并发数据流。

2. 粒数据与系统

信息粒是一种概念对象，能以简洁且可解释的方式捕捉整体数据的本质。从不确定性理论和知识工程的角度来看，粒可以被理解为缺乏精确知识的单元或基本的知识单元。粒计算通过在不同粒度之间切换来识别粒的表现形式，避免过度细节或细节不足。

数据和系统都可以是粒状的。在在线环境中，数据流可能本身就是粒状的，例如预测变量时，输入和输出数据可能是区间形式。粒状模型可以对单一和粒状函数进行外部近似，通过计算粒中的解，我们可以得到数值近似和近似的容差范围。

数据中的不确定性也会促使粒的形成，例如不完整数据、缺失值、噪声和干扰等。时间和空间域的粒化对数据处理有益。时间粒化通常先于空间粒化，它可以同步并发数据流，减少后续空间分析的数据量。空间粒化则能捕捉