（计算机应用技术专业论文）基于dfl的自主学习子空间学习算法及应用研究.pdf

基于d f l 的自主学习子空间学习算法及应用研究中文摘要 基于i ) f l 的自主学习子空间学习算法及应用研究 中文摘要 动态模糊逻辑理论是一种新的有效处理动态、不精确、不确定、含 糊信息的理论。自主学习历来是教育和心理学家共同关注的一个重要问 题，也是当前机器学习领域研究中的一个热点问题。自主学习既具有动 态性又具有模糊性。因此，本文选择动态模糊逻辑来研究自主学习，经 过近三年的努力，取得了如下几方面的成绩： ( 1 ) 提出了基于d f l 的自主学习子空间公理体系，并对公理进行合 理性解释，以便形式化地描述自主学习系统； ( 2 ) 给出了基于d f l 的自主学习模型； ( 3 ) 提出了基于d f l 的自主学习子空间学习算法； ( 4 ) 将自主学习子空间学习算法应用在控制系统p i d 参数整定问题 中，并取得了满意的结果。 本文利用动态模糊逻辑来研究自主学习的模型及学习算法，为解决 自主学习系统中的动态模糊性问题提供了理论基础。当然，这些工作还 很初步，还有许多方面需要进一步研究：如学习算法的优化，模型在具 体领域的应用等。 关键词：自主学习；动态模糊逻辑；自主学习子空间学习算法；p i d 参数整定 作者：王静 指导教师：李凡长( 教授) a b s t r a c t l e a r n i n ga l g o r i t h m so f a u t o n o m i cl e a r n i n gs u b s p a c eb a s e do nd f l a n di t sa p p l i c a t i o n s r e s e a r c ha n d a p p l i c a t i o no nl e a r n i n ga l g o r i t h mo f a u t o n o m hl e a r n i n gs u b s b a s e ddfautonomlcls u d s p a c eb a s e do nd1 l a b s t r a c t d y n a m i cf u z z yl o g i ct h e o r yi san e wa n de f f e c t i v et h e o r yw h e nh a n d l i n gd y n a m i c ， i m p r e c i s e ，u n c e r t a i n o rv a g u ei n f o r m a t i o n a u t o n o m i cl e a r n i n gh a sa l w a y sb e e na l l i m p o r t a n ti s s u ew h i c hi sc o n c e m e db yb o t he d u c a t i o n a l i s t sa n dp s y c h o l o g i s t s ，a n di ti sa l s o ah o ti s s u eo fm a c h i n el e a r n i n gr e s e a r c h a u t o n o m i cl e a r n i n gi sn o to n l yd y n a m i cb u ta l s o 如z 珥t h e r e f o r e ，t h i sp a p e rc h o o s e sd y n a m i cf u z z yl o g i ct os t u d ya u t o n o m i cl e a m i n g ，a n d h a sa c h i e v e dt h ef o l l o w i n gs e v e r a la c h i e v e m e n t sa f t e rn e a r l yt h r e ey e a r so fe f f o r t s ： ( 1 ) p r o p o s e dt h ea x i o m a t i cs y s t e mo fa u t o n o m i cl e a r n i n gs u b s p a c ea n dg i v e n r e a s o n a b l ei n t e r p r e t a t i o n ，i no r d e rt of o r m a l l yd e s c r i b ea u t o n o m i cl e a r n i n gs y s t e m ( 2 ) i n t r o d u c e dt h em o d e lo fa u t o n o m i cl e a r n i n gb a s e do nd f l ( 3 ) t h el e a r n i n ga l g o r i t h mo fa u t o n o m i cl e a r n i n gs u b s p a c eb a s e do nd f lw a s p r e s e n t e d ，w h i c hf u r t h e re n r i c h e dt h ec o n t e n t so f a u t o n o m i cl e a r n i n g ( 4 ) u s e dt h el e a r n i n ga l g o r i t h mo fa u t o n o m i cl e a r n i n gs u b s p a c eb a s e do nd f l i n p a r a m e t e rt u n i n go fp i d ，a n dh a sa c h i e v e ds a t i s f a c t o r yr e s u l t s t h i sp a p e rs t u d i e dt h em o d e la n dl e a r n i n ga l g o r i t h mo fa u t o n o m i cl e a m i n gb a s e do n d y n a m i cf u z z yl o g i c ，t h u sp r o v i d e dt h et h e o r e t i c a lf o u n d a t i o nt os o l v et h ed y n a m i cf u z z y p r o b l e mo fa u t o n o m i cl e a r n i n gs y s t e m h o w e v e r , a l lt h ew o r ki sp r e l i m i n a r ya n dm u c ho f t h e mn e e da d v a n c e dr e s e a r c h a sf u t u r ew o r k ，w ep l a nt oi m p r o v et h el e a r n i n ga l g o r i t h m a n dt oa p p l yt h ea u t o n o m i cl e a r n i n gm o d e lt om o r ef i e l d s ，a n ds oo n k e y w o r d s ：a u t o n o m i cl e a r n i n g ；d y n a m i cf u z z yl o g i c ( d f l ) ；l e a r n i n ga l g o r i t h m o f a u t o n o m i cl e a r n i n gs u b s p a c e ；p a r a m e t e rt u n i n go fp i d i i w r i t t e nb yw a n g j i n g s u p e r v i s e db yl if a n z h a n g 苏州大学学位论文独创性声明及使用授权的声明 学位论文独创性声明 本人郑重声明：所提交的学位论文是本人在导师的指导下，独立进 行研究工作所取得的成果。除文中已经注明引用的内容外，本论文不含 其他个人或集体已经发表或撰写过的研究成果，也不含为获得苏州大学 或其它教育机构的学位证书而使用过的材料。对本文的研究作出重要贡 献的个人和集体，均已在文中以明确方式标明。本人承担本声明的法律 责任。 研究生签名： 学位论文使用授权声明 苏州大学、中国科学技术信息研究所、国家图书馆、清华大学论文 合作部、中国社科院文献信息情报中心有权保留本人所送交学位论文的 复印件和电子文档，可以采用影印、缩印或其他复制手段保存论文。本 人电子文档的内容和纸质论文的内容相一致。除在保密期内的保密论文 外，允许论文被查阅和借阅，可以公布( 包括刊登) 论文的全部或部分 内容。论文的公布( 包括刊登) 授权苏州大学学位办办理。 e l 期：2 缎签墨望 日期：2 越生趁 d f l 的自主学习子空间学习算法及应用研究第l 章绪论 1 1 研究背景 第1 章绪论 机器学习是计算机科学中的热点领域之一，尽管机器学习有了长足 的进展，但对机器学习的描述还没有形成统一的定义。如：文献 1 】认为， 机器学习是计算机系统有目的地自动增进知识并改善系统功能的基本手 段，是机器智能的关键。一个智能系统若不具备学习能力，就不具有真 正的智能。文献 2 】认为：机器学习是一个有特定目的的知识获取过程， 其内部表现为新知识结构的建立和修改，是从未知到知的过程，是知识 增加的过程；而外部表现为性能的改善，使得系统完成原来所不能完成 的任务或使原来能完成的任务做得更好。该定义有两层涵义，一是知识 的增加，二是性能的改善。在第一层涵义中，学习的目标主要是开发能 够实现的各种计算方法，从样本或数据中归纳出知识的机制，其学习框 架如图1 1 所示；而在第二层涵义中，学习的目标主要是提高学习系统或 学习主体的技能或功能，如图1 2 所示： 背景磊衰= = 爿兰翌兰兰r 斗概念描述 图1 1 第一层涵义的学习框架 f i g 1 1l e a r n i n gf r a m eo f t h e1 懿i n t e n s i o n 背景凳裹二二二= 二至至至p 系统性能 图1 2 第二层涵义的学习框架 f i g 1 2l e a r n i n gf r a m eo ft h e2 耐i n t e n s i o n 数据分析方法是机器学习的主要应用领域之一【1 】【2 1 1 4 1 。 数据分析方法是一种定量学习方法，它是以统计理论为基础的，包 第1 章绪论基于d f l 的自主学习子空间学习算法及应用研究 括回归分析、聚类分析、数值分类、多维分析、多变量统计分析、随机 模型、时序分析、非线性估计等。这些方法和技术的主要特点是：它们 均适合于从数值型数据中抽取定量数据和统计特征。这为数据解释提供 了便利，并对隐藏在数据背后的过程有所洞察。但这些技术也存在着先 天的不足，即对数据进行定性分析的能力不强。其原因为： ( 1 ) 统计数据分析可以确定变量数据间的协方差和相关系数，但是 它不能在一个抽象的、概念的层面对变量间存在的联系进行描述，并解 释存在这种联系的原因。它也不能采用更高抽象的逻辑形式的描述与定 律来合理解释所存在的联系。 ( 2 ) 统计数据分析可以确定给定因子的集中趋势和变化，回归分析 可以使一条曲线逼近一组数据点。然而这些技术不能产生规律的定性描 述，或确定数据中未明确给出内在因素的相互依赖性，也不能将己发现 规律的领域中的规律与另一个领域中的规律进行类比。 ( 3 ) 统计数据分析能够产生一组实体的分类，并描述归属到同一个 或不同类别中各实体间存在的数值相似性。但是它不能给出所创建各类 别的定性描述，以及将这些实体归为同一类的原因，而且必须在数据分 析之前，定义好相似性的描述属性以及相似度量函数。此外，这些技术 本身不依赖背景领域知识来自动地产生相关属性分析，并随着数据分析 问题不同而确定相应的变化。 ( 4 ) 统计数据分析方法都假定样本数据或描述样本数据的属性对于 当前所要解决的问题而言是充分的。这一假设实际上有时并不成立。因 为许多学习过程是无样本的或样本很少的，而且描述样本的属性或许并 不直接相关，一些属性或许是无关的或不必要的。 机器学习方法已被广泛应用到大量的工业级智能系统中，有专家系 统、知识库系统、智能决策系统、机器人、图象识别、自然语言理解、 计算机视觉和听觉、以及各种推理系统等成功的实践。这些方法通过提 供从训练数据中发现规律的技术，帮助智能系统实现知识工程过程的自 动化，改进知识获取的准确性和获取效率。 但绝大多数在用的这些智能系统仍不具备或仅具备有限的学习能力 基于d f l 的自主学习子空间学习算法及应用研究 第1 章绪论 【1 】，它们从不确定性复杂环境( 包括噪音和异常数据) 、不完全数据和分 布式数据中进行学习的能力仍明显不足，还无法有效地处理动态模糊性 问题。在这些系统中，知识是人工事先编入的，执行中发现知识有错误 或局限性也不能自动修改或调整。 一， 在这些智能系统中，知识自动获取的能力有限，几乎都是着眼于简 单的分类或预测。对复杂问题和复杂过程，机器学习方法主要采用分解 的方法，首先把一个设计过程、控制过程或规划过程进行分解，然后再 对每一个步骤进行简单的分类或预测工作。然而，实际的应用系统并不 只是一个单纯的客观性系统，而是一个动态的、非结构化的、具有一定 主观性的复杂系统，依赖于一定的背景领域知识和常识知识。智能系统 也不是一般人所理解的复合系统，它有时会出现复杂的混沌和分岔等现 象，在控制与决策的过程中，还常常伴随着各种各样的矛盾与冲突。实 际的控制系统、控制对象和控制环境还会随着时间和空间发生改变，控 制目标和学习目标也可能变动。 一近几年，由于数据性质的复杂性与用户需求的多样性，各种机器学 习方法层出不穷，这些问题驱动的方法借用了大量数学工具，以表示不 同的要求与数据性质，同时利用数学工具来解决这些问题。这些方法的 提出尽管有充分的应用背景，但是，大多数方法至今其理论基础还比较 粗糙，甚至没有自己独特的理论基础。 机器学习中的方法或范式有很多种分类体系，例如，按学习策略分 类、按知识表示方法分类、按应用领域分类和按对人类学习的模拟方式 分类等。如果按学习策略分类，即按照学习中所使用的推理方法，机器 学习可分为：机械学习、传授学习、演绎学习、类比学习、示例学习、 发现学习等；如果按获取知识的表示方法分类，机器学习可分为：代数 表达式参数、决策树、形式文法、产生式规则、形式逻辑表达式、图和 网络、框架和模式、计算机程序和其它的过程编码、神经网络、多种表 示形式的组合；如果按应用领域分类，机器学习可分为：专家系统学习、 机器人学习、自然语言理解学习等；如果按对人类学习的模拟方式分类， 机器学习可分为：从功能上模拟的符号学习、从结构上模拟的连接学习。 基于d f l 的自主学习子空间学习算法及应用研究 如果按综合方式分类，机器学习可分为：经验性归纳学习、分析学习、 类比学习、遗传算法、联结学习、强化学习；等等。 纵观机器学习的种种分类体系，不难发现，无论是基于联结机制的 机器学习研究，还是基于符号机制的机器学习研究，其方法和研究手段 都带有一定的局限性和片面性，不利于揭示人脑的思维机制和学习机理， 它们都只从单一的层次来描述学习过程。对于人脑如何接受外界信息， 通过其内部联结机制的变化，从而反映在系统行为的变化这样的问题， 现有的理论不能给出一个大家都能接受的、合理的解释 5 】。 事实上，学习是受一定的意志支配的( 即有特定的学习目的) ，其内 部表现为一定的结构( 即基于联结机制) 的，其外部表现为一定的行为 变化( 即基于符号学习) 的复杂过程。它涉及到联结理论、认知科学、 行为科学、神经科学等多门科学。因此，对于机器学习的研究，必须采 用计算机科学、控制论、人工智能、认知科学、神经科学、心理学等多 学科交叉的方法，才可望取得机器学习研究的更大进展【6 】。 我们根据认知科学的理论，利用计算机科学、数学及工程科学的方 法，提出了一种自主式机器学习方法( 自主学习，a u t o n o m i cl e a r n i n g ， 简记为a l ) 。该方法尝试从微观层次、中间层次、宏观层次，根据人脑 的认知学习机理模拟人脑的学习过程和学习方法。在不确定性条件下的 数据自主式机器学习方法，或者称为自主式学习方法，是人工智能知识 获取研究中的一个难点问题。实现自主式机器学习，摆脱知识获取过程 中对领域专家先验知识依赖的约束( 当然，不排斥适当利用领域专家拥 有的先验知识) ，是实现智能知识获取的一个具有挑战性的研究课题【7 】。 自主学习( a u t o n o m i cl e a r n i n g ，a l ) ，从学习理论方面看，是指由 学习者态度、能力和学习策略综合而成的一种自导学习的内在机制。例 如学习个体指导和控制自己的学习能力，制定学习目标的能力，针对不 同学习任务选择不同的学习方法和学习活动的能力，对学习过程进行监 控的能力，对学习结果进行评价的能力，当然也有根据情况向他人求助 的能力。自主学习通常指主动、自觉、独立的学习，它与被动、机械、 接受式的学习相对，是个体终身学习和毕生发展的基础。自主学习历来 基于d f l 的自主学习子空间学习算法及应用研究第1 章绪论 是教育和心理学家共同关注的一个重要问题，也是当前机器学习领域研 究中的一个热点问题【8 j 。 文献 9 付旨出，一个学习系统必须能够探测、规划、实验、适应和发 现。这些活动应该以一种整合的方式被一起学习，那样它们才能相得益 彰，并为自主系统从环境中学习和发现构建了一个框架l i v e 。l i v e 包括 三个模块：预测序列产生器( 模型应用) 、模型构建修正、执行感知( 环 境接口) 。预测用作模型构建中的评估准则；模型构建( 修正) 为提高预 测能力提供了一种工具；问题求解利用逼近模型，探测何时何地用探测 和实验来改进模型；新术语的创建为创建、预测和问题求解提供了更多 的构件。结论表明，从环境中自主学习是发现过程中合并活动的一种有 效方法。l i v e 有三个主要优点：( 1 ) 它将从环境中学习的问题定义为在 问题求解的上下文中构造环境模型。该定义将学习个体的内部行动和关 于环境的行动结果区分开来。环境的逼近模型是从由学习个体的内部能 力和先验知识所决定的“粗糙”空间中提取出来的。提取过程由与环境 交互期间聚集的信息引导而来。( 2 ) 框架提供了一种整合方式，以协调 诸如感知、行为、探究、实验、问题求解、学习、发现和创建新术语等 多项活动。l i v e 是将这些活动集合在一起的一个执行系统。( 3 ) 框架识 别集成的关键在于预测序列的概念和利用互补辨别的方法学习。预测序 列提供了规划、探究和实验的联合窗口。但是，该框架也存在一些缺点 和不足。例如，该框架不能处理行为的不确定性。单独的噪声预测失败 就a 日匕t - , 引起模型的彻底修正。它不能实时反应，所有的行动都是经过慎重 考虑后产生的，因此需要很多时间来做决定。l i v e 的最大局限之处在于， 发现新术语的穷举搜索方法太费时，且依赖于两种偏见：( 1 ) 必须给定 预先有用的心智关系和函数的集合；( 2 ) 发现行为依赖的术语方法局限 于只考虑与当前条件和行为有关的特征和对象。 文献 1 0 提出了一种基于r o u g hs e t 理论的自主式机器学习模型。该 文针对决策表和决策规则的不确定性的度量问题进行了研究，并以知识 的不确定性在机器学习过程中不应该发生变化这一规律来控制机器学习 过程，从而实现了自主式的机器学习，并提出了自主式缺省规则知识获 第l 章绪论 基于d f l 的自主学习子空间学习算法及应用研究 取算法和决策树预修剪的自主式学习算法。r o u g hs e t 理论可以解决模糊 问题，但解决动态问题的结果却不令人满意。 现实世界中的各种问题都可以用学习空间来描述，即将学习问题映 射到学习空间中，一个学习问题能映射到多个学习空间中，而一个学习 空间也可用于描述多个学习问题【2 0 1 。我们按照学习个体的自主程度，将 学习空间进一步划分为自主学习空间和非自主学习空间。由于在实际的 学习情境中，完全自主的和完全不自主的学习都较少，多数学习介于这 两极之间。因此，与其把学习空间截然地划分为自主的或不自主的，不 如说学习的自主程度的大小( 强弱) ，并进而分清自主学习个体在学习的 哪些方面是自主的，在哪些方面是不自主的，这样更有利于对自主学习 个体的学习有针对性地施加影响，从而更好地完成学习任务【8 】。 由此可见，自主学习系统是具有动态模糊性的系统。目前，人们用 于研究动态性和模糊性的理论工具主要有：模态逻辑、时序逻辑、进程 代数、a c t i o n 理论、对策论、模糊逻辑、z 语言、情景演算、强化学习 及r o u g hs e t 等。在这些理论工具中，如时序逻辑、进程代数、a c t i o n 理 论、对策论、情景演算及强化学习等可以描述动态问题，但对模糊问题 的处理是不足的；而模糊逻辑、r o u g hs e t 等这些理论可以解决模糊问题， 但对解决动态问题却又是它们的弱点。 因此，对于自主学习来讲，选择一个可以解决动态模糊性问题的理 论工具是必要的。为了处理应用系统中存在的这些复杂性、动态性、模 糊性和非结构化特性，作者把动态模糊逻辑引入自主式机器学习方法之 中，提出了“基于动态模糊逻辑的自主式机器学习”的硕士论文题目， 旨在提高现有机器通过自主学习解决动态模糊性问题的能力，最终达到 改善和提高智能系统自主学习性能的目标。 本文的观点是： ( 1 ) 学习是一个推理过程 作为知识增加的过程，学习是为满足既定学习目的而在知识空间中 探索和获取知识的过程，是一个涉及各种形式推理与记忆方法的不断循 环的过程。在每次循环中，系统从输入信息和基础知识中提取新的知识 基于d f l 的自主学习子空间学习算法及应用研究第l 章绪论 或表达式，凡获取的知识满足学习目的的，则将其存入知识库，使之成 为基础知识的一部分。输入信息可以是观测数据、事实、具体概念、抽 象概念、知识结构、以及有关知识真实性的信息。 因此，学习可看成一个推理过程。其过程可概括为：基于动态模糊 逻辑的自主式机器学习= 基于动态模糊逻辑的自主式推理+ 记忆。 。 ( 2 ) 学习是一个变换算子 学习过程是一个在知识空间中探索的过程。这种探索是由一连串的 知识变换算子完成的。一个学习系统的学习能力由变换的类型和复杂性 决定。依运算类型不同，知识变换又可分为知识生成变换和知识加工变 换。知识生成变换以置换、增删、扩缩、组合、分解等基本变换以及推 广、特例化、抽象化、具体化、类比、反类比等各种逻辑的推理手段， 来改变知识的内容，而知识加工变换则只在原有的知识领域内做改变组 织结构、物理位置等操作，并不改变知识的内容。因此，一个学习过程 可定义为： ， 给定输入知识( ，) ，学习目的( g ) ，基础知识( b k ) ； 确定输出知识( d ) ，以满足g ；通过寻找合适的变换丁作用于 i 、b k 来实现。 ( 3 ) 学习的目标是可变的 目标就是期望达到的成就和结果。目标又是可变的。从心理学角度 看，需要是人的行为的起点，是目标的源泉。当一个目标达到了，就意 味着人们某物质需要或心理需要的满足。然而，旧的需要实现了，新的 需要又必然会产生，形成新的目标。目标的可变性还表现在，一个看似 无法实现的目标，往往可以通过适当的目标变通方法，巧妙地实现。 在现有的控制结构中，通常把目标设定为不变的，这是有局限性的。 如果在现有的控制结构中，考虑控制目标的可变性，则闭环的控制结构 图要做相应的改造：影响目标的扰动除噪声扰动外，还有目标扰动。前 者是必须过滤和平滑掉的，后者是必须保留和处理的。 ( 4 ) 学习的环境是可变的 环境及其变换是很多学习过程回避的问题。 第l 章绪论基于d f l 的自主学习子空间学习算法及应用研究 目前，计算机科学对环境的考虑主要涉及人机界面的设计。但人机 界面已远远不能适应用户对计算机能力的需求。为了突破这个局限性， 2 0 世纪8 0 年代中期开始，b r o o k s 提出了临场人工智能，m i n s k y 提出了 多a g e n t 系统( m a s ) ，p i c a r d 提出了情感计算，这些问题都涉及环境的 表示和处理。事实上，在适应性计算中，对环境表示的考虑与在传统控 制理论中的完全不同。在传统控制理论中，环境往往使用一种数学方式 来刻画。事实上，环境最真实的描述是它自身，任何使用其他工具对它 的刻画都仅仅是对环境本身的一种近似。目前，在适应性计算中，对环 境的表示强调使用真实的直接表示。 对自然环境的直接表示是简单的，而对社会环境的直接表示则需要 考虑对社会成员行为的观察。人的环境则除了直接表示外，几乎没有其 他表示的方法，只能采用与社会环境相似的直接表示。 本文环境的表示及其变换将用动态模糊模型来表达。 由此不难看出，文中所给出盼工作是：一个把动态模糊逻辑应用于 机器学习的尝试。所做的探索性研究尝试提供一种新的学习方法，这种 学习方法不仅使计算机智能系统解决动态模糊性问题成为可能，而且使 机器学习理论的研究内容和研究方法得到扩展，也为更有效地解决以往 的学习问题提供了种新的思路。 1 2 研究基础及现状 动态模糊性问题是自主学习系统中普遍存在的极其复杂的问题。动 态模糊逻辑是用于解决主客观具有动态模糊性问题的一种新的逻辑体系 【1 1 1 。其基本框架如图1 3 所示： 基于d f l 的自主学习子空间学习算法及应用研究第l 章绪论 动态模糊集 动态模糊测度 动态模糊逻辑 动态模糊推理 动态模糊程序 布尔量 命题逻辑公式 逻辑的谓词演算 推理 图1 3 动态模糊逻辑框架 f i g 1 3t h ef r a m eo fd y n a m i cf u z z yl o g i c 动态模糊逻辑的研究内容包括以下四个方面： ( 1 ) 用形式化方法描述量变和质变 二值逻辑描述精确性的事物是非常有价值的。例如，在无生命的机 械系统中，大多是界限分明的事物，它们遵循二值逻辑的基本规律 同一律、矛盾律和排中律，允许作出符合这三大规律的判断。但在日益 发展的生命科学、思维科学、管理科学、社会科学和智能科学中，三大 规律又限制了二值逻辑在这些学科中的应用。1 9 6 5 年，l a z a d e h 提出 并阐明了模糊集合的概念，一改统一了科学界几千年排斥模糊性、片面 追求精确化的传统思维方法，把模糊性引进了数学。 然而，不论是二值逻辑，还是模糊逻辑，它们对事物性质的描述都 局限于静止的状态，把事物具有某种真假和可行性的程度视为相对不变 的。为了解决矛盾问题，必须探讨某些变换，使事物关于某一性质的程 度能产生改变，从而使涉及的问题由不相容转化为相容，从对立转化为 共存。通俗地讲，要研究化不行为可行，化不知为可知，化假为真，化 错为对，就必须建立能够描述量变和质变的逻辑。 ( 2 ) 从静态命题扩展到动态命题 传统方法对命题的考虑只研究其真假的程度。但是，在一定条件下 为真的命题在另一个条件下可以是假的。相反，在某些条件下为假的命 题在另一些条件下又可以是真的。因此，在解决矛盾问题时，对事物真 糊糊糊 理理设 模模模 推推假； 态态态 般接省一挥 仑 蕊懿赫 哺熊姻艨 理r ，1 l r1l设 第l 章绪论 基于d f l 的自主学习子空间学习算法及应用研究 假的判断应是可变的，在某些变换下真假会产生量变，发展到一定程度， 又可以产生质变。 也就是说，我们要研究在一定条件下命题为真假变化的问题。类似 地，推理的正确性也是有条件的。在一定条件下，错误的推理可以转化 为正确的推理。相反，在某些条件下，正确的推理也会转化为错误的推 理。因此，我们要研究变换对命题真度或判断的正确度的作用，也就是 说，要从对命题和推理的静态研究扩大为求真和求对的动态问题的研究。 ( 3 ) 从对事物外延扩展到事物内涵及其结构 要研究矛盾问题的解决方法和过程，只考虑概念的形式化推演是行 不通的。例如，在“曹冲称象 的故事中，解决问题的关键在于把不可 分的大象变换为可分的石头，而这是形式逻辑所不考虑的。形式逻辑撇 去事物的内涵，只作形式的推演，解决矛盾问题却要涉及事物的内涵及 其变化，这是辩证逻辑所考虑的内容。但辩证逻辑又是用自然语言表述 的。因此，要建立能解决矛盾问题的逻辑就必须既考虑形式逻辑形式化 的长处，又考虑辩证逻辑描述事物内涵的能力。 ( 4 ) 从非临界性现象扩展到临界性现象 水的杂质太多，不能作化学试验用，人们使用“蒸馏”的方法解决 了这个矛盾。蒸馏后的水的某些特征是原来的水的特征，某些特征如杂 质含量又改变了。在解决矛盾问题的过程中，这类“既是它，又不是它 的i 临界现象的处理方法比比皆是，但二值逻辑和模糊逻辑不描述这些现 象，也无法描述这些现象。因此，我们必须建立能描述这些现象的逻辑。 显然，动态模糊逻辑是一种将形式逻辑和辩证逻辑相结合的逻辑。 动态模糊逻辑特有的方法是动态模糊方法，包括动态模糊分析方法、 动态模糊测度方法、动态模糊变换方法和动态模糊集合方法等。 1 3 研究内容 综上所述，本文的研究内容有： ( 1 ) 基于d f l 的自主学习子空间的的公理体系； 基于d f l 的自主学习子空间学习算法及应用研究第l 章绪论 ( 2 ) 基于d f l 的自主学习的基本模型； ( 3 ) 基于d f l 的自主学习子空间学习算法； ( 4 ) 初步应用。 全文共分七章，具体内容安排如下： 第一章绪论部分介绍选题的研究背景、研究基础和研究内容。 第二章介绍与论文相关的基础理论自主学习，以及本论文赖以 建模并进行理论分析的动态模糊逻辑。这些理论是本论文的研究基础。 第三章探讨基于d f l 的自主学习子空间的公理体系。首先给出自主 学习子空间的公理，并对公理进行合理性解释，以便形式化地描述自主 学习系统。 第四章探讨基于d f l 的自主学习的基本模型。利用动态模糊逻辑 ( d y n a m i cf u z z yl o g i c ，d f l ) 对自主学习进行研究，给出基于d f l 的 自主学习模型等内容，为人们解决这方面的问题提供理论依据。 第五章探讨基于d f l 的自主学习子空间学习算法。自主学习子空间 是一个具有最高限和最低限的学习子空间，在算法中可以将其视为算法 寻优的子空间。在这个子空间中散布着若干自主学习个体，同时赋予这 些个体相应的学习能力，这样它们就可以在自主学习子空间中进行自主 学习。 第六章讨论自主学习子空间学习算法的初步应用。本文将算法应用 于控制系统的p i d 参数整定问题中，给定一个被控对象，利用自主学习 子空间学习算法对其p i d 控制器参数进行整定，后使用m a t l a b 对控制 系统进行仿真，进一步验证算法的实用价值。 结论部分总结整个论文的主要成果，归纳本研究工作的创新之处， 并指出今后研究工作的展望和设想。 基于d f l 的自主学习子空问学习算法及应用研究 第2 章基础理论概述 本章主要介绍与论文相关的基础理论自主学习，以及本论文赖 以建模并进行理论分析的动态模糊逻辑。上述内容将为后面理论的研究 提供必不可少的基础。 2 1 自主学习理论 自主学习( a u t o n o m i cl e a r n i n g ，a l ) 是指由学习者态度、能力和学 习策略综合而成的一种白导学习的内在机制。例如学习者指导和控制自 己的学习能力，制定学习目标的能力，针对不同学习任务选择不同的学 习方法和学习活动的能力，对学习过程进行监控的能力，对学习结果进 行评价的能力，当然也有根据情况向他人求助的能力【踟。 学习者应具备以下几方面的能力： ( 1 ) 制订并在必要的情况下调整学习目标的能力； ( 2 ) 判断学习材料和学习活动是否符合学习目标的能力； ( 3 ) 选择学习材料和学习内容的能力； ( 4 ) 选择和自我设计学习活动方式并执行学习活动的能力； ( 5 ) 与教师和其他学习者进行协商的能力； ( 6 ) 监控学习活动实施情况的能力； ( 7 ) 调整态度、动机等情感因素的能力； ( 8 ) 评估学习结果的能力。 自主学习分为三个方面：一是对自己学习活动的事先计划和安排； 二是对自己实际学习活动的监督、评价、反馈；三是对自己的活动进行 调整、修正和控制。 自主学习的特征概括： ( 1 ) 能动性( i n i t i a t i v e ) ：有别于各种形式的他主学习，是积极、主 1 2 基于d f l 的自主学习子空间学习算法及应用研究第2 章基础理论概述 动、自觉地从事和管理自己的学习活动，而不是在外界的各种压力和要 求下被动地从事学习活动，或需要外界来管理自己的学习活动。这种自 觉从事学习活动、自我调控学习最基本的要求是主体能动性。 ( 2 ) 独立性( i n d e p e n d e n c e ) ：相对于依赖性，自主学习把学习建立 在主体的独立性的一面上。而他主学习把学习建立在主体的依赖性的一 面上。自主学习要求主体在学习的各方面和过程中，尽可能摆脱对教师 或其他主体的依赖。由自己作出选择和控制，独立展开学习活动。 ( 3 ) 有效性( v a l i d i t y ) ：由于自主学习的出发点和目的是尽量协调 好自己学习系统中各种因素的作用，使他们发挥出最佳效果。因此自主 学习在某种意义上讲就是采取各种调控措施使自己的学习达到最优化的 过程。一般来讲，学习的自主水平越高，学习的过程也就越优化，学习 效果也就越好。 ( 4 ) 相对性( r e l a t i v i t y ) ：自主学习不是绝对的。绝对自主或绝对 不自主的学习都比较少。主体的学习多数都介于这两极之间，在有些方 面可能是自主的，而在另一些方面可能是不自主的。因此我们不能简单 说他的学习分成自主或不自主，而是分清其学习在哪些方面是自主的， 在哪些方面是不自主的，或者说学习的自主程度有多大。 自主学习又可从横向和纵向两个角度来界定： 从横向的角度是指从学习的各个方面或维度来综合界定自主学习。 具体来讲，若主体的学习动机是自我驱动的，学习内容是自己选择的， 学习策略是自主调节的，学习时间是自我计划和管理的，主体能主动营 造有利于学习的物质和社会性条件，并能对结果作出自我评价，那么他 的学习就是充分自主的；反之，若这几个方面完全依赖于他人指导或控 制，其学习就不自主。 从纵向的角度界定自主学习是指从学习的整个过程来阐释自主学习 的实质。在学习之前，能确定学习目标、制订学习计划、做好具体的学 习准备。在学习活动中，能对学习进展、学习方法做自我监控、自我反 馈、自我调节。学习活动后，能对学习结果进行自我检查、自我总结、 自我评价和自我补救，那么他的学习就是自主的。 第2 章基础理论概述基于d f l 的自主学习子空间学习算法及应用研究 自主学习既可被看作一种学习过程或活动，也可被看作一种学习能 力。作为一种活动过程，自主学习既需要内在的必要条件，也需要外部 支持条件；作为一种能力，自主学习是学习者与外部环境长期相互作用 的结果，是个体在不同情境中表现出来的相对稳定的学习特征。因此影 响自主学习的因素既有来自个体内部的，也有来自个体外部的。 ( 1 ) 自我效能感( s e l f - a w a r e n e s s ) 。它是著名心理学家班杜拉提出 的一个概念。根据班杜拉的界定，自我效能感是指个体相信自己有能力 完成某种或某类任务，是个体的能力自信心在某些活动中的具体体现。 自我效能感是影响自主学习的一个重要的动机性因素，它不仅影响主体 的目标选择、付出努力、意志控制，还会影响他们所选择的学习策略。 ( 2 ) 归因( a t t r i b u t i o n ) 。归因是个体对自己成功或失败所作出的因 果解释。韦纳( w e i n e r ，1 9 7 9 ，1 9 8 5 ) 指出，主体一般把自己的学习成败归 因于四类因素，即能力、努力、任务难度和运气。能力是一种内在的、 不稳定的、不可控的因素，努力是一种内在的、不稳定的可控因素，任 务难度是一种外部的、稳定的、可控的因素，而运气则是外部的、不稳 定的、难以控制的因素。主体的学业成败归因不同，对他们的学习动机 所产生的影响也就不同。一般来讲，如果主体把学习的成功归因于能力， 把学习失败归因于努力不够，这样就更容易激发自主学习；如果个体把 自己的学业成功归因于外部不可控的因素，把学业失败归因于自身能力 不足，就会影响学习的主动性。 ( 3 ) 目标设置( s e t u po f a i m ) 。自主学习本质上是自我调节的学习。 即个体主动选择、调节、控制自己的学习的过程。要对学习进行自我调 节，就必须有用于引导行为的参照点。目标在个体的学习过程中就充当 参照点的作用，个体正是在既定学习目标的引导下，不断调控着自己的 学习过程和学习策略。因此，目标被看成是自主学习的核心构成成分。 ( 4 ) 认知策略的获得( a c h i e v e m e n to fc o g n i t i v es t r a t e g y ) 。自主学 习具有相对独立性，许多时候是在没有他人指导或帮助的条件下进行的， 所以必须以掌握一定的学习策略做保障。在现代认知心理学中，研究者 一般把学习策略分为两个领域：认知策略和元认知策略。认知策略关系 基于d f l 的自主学习子空间学习算法及应用研究第2 章基础理论概述 到个体如何加工信息，元认知策略关系到给他如何选择、监控和应用个 体所建构的认知策略。 ( 5 ) 元认知发展水平( l t l ed e v e l o p i n gl e v e lo fm e t a c o g n i t i o n ) 。从 发生学的角度来看，自主学习是在自我意识产生之后才出现的，自我意 识应该是自主学习最为基本的内部条件。这是因为，如果没有自我意识 的形成，个体就不可能有“主我 与“客我的分划，就不可能既将自 己视为学习活动的主体，又将自己视为学习活动的客体，有意识地控制、 调节自己正在进行的学习活动。而在现代认知心理学中，自我意识大致 等同于元知识。 ( 6 ) 意志控制水平( 1 1 1 el e v e lo fv o l i t i o nc o n t r o l l e d ) 。意志控制在 自主学习过程中所起的作用不同于学习动机。学习动机对自主学习有很 强的启动作用，意志控制对自主学习具有更强的维持功能。因此再强的 学习动机也无法取代意志控制在自主学习过程中的作用。正是有了较强 的意志控制能力，自主学习的个体才能够顽强地克服学习过程中的困难， 排除学习的外界干扰，实现自己的学习目标。 以上介绍了影响自主学习的若干因素，需要指出的是，尽管这些因 素都对自主学习产生一定的影响，但是它们所产生的影响并不是孤立的， 一种因素对自主学习的影响往往以另一种因素为中介，而且它们与学习 行为之间的关系往往是双向的。例如，自我效能感是自主学习的重要动 机性因素，但是它经常通过目标设置、策略选择影响自主学习的结果； 自我效能感既是学习的动力，又是努力学习的结果；努力学习所取得的 成绩往往被个体看成是自己有能力的表现( s c h u n k ，1 9 8 4 ，1 9 8 9 ) 。正是 这些内外因素相互交织、交互影响构成了人类复杂的自主学习机制。它 们的关系如图2 1 所示： 第2 章基础理论概述基于d f l 的自主学习子空间学习算法及应用研究 图2 1 自主学习机制 f i g 2 1m e c h a n i s mo f a u t o n o m i cl e a r n i n g 自主学习通常指主动、自觉、独立的学习，它与被动、机械、接受 式的学习相对，是个体终身学习和毕生发展的基础。自主学习历来是教 育和心理学家共同关注的一个重要问题，也是当前机器学习领域研究中 的一个热点问题。 2 2 动态模糊逻辑概述 在主观世界和客观世界这些复杂系统中，“动态模糊”是普遍存在的。 如“社会系统 中的人类生存问题、进化问题，“经济系统”中的经济增 长问题、股票问题等，“智能系统”中的动态模糊知识等。随着计算机科 学技术的发展，人们又希望用计算机来模拟这些具有动态模糊性的问题。 动态模糊逻辑正是这样应运而生。 2 2 1 动态模糊集 动态模糊逻辑的集合基础是动态模糊集。 在现实世界里，事物的性质处于变化之中，既有量的变化，也有质 的变化。事物可以从不具有某种性质变化为具有某种性质，从具有某种 性质的程度不大变到较大，或者相反。因此，描述事物分类和识别方法 的集合论也应考虑论域中元素本身和性质的可变性，然而大家熟悉的经 典集合和模糊集合较少考虑论域中元素本身和性质的可变性，结果是很 基于d f l 的自主学习子空间学习算法及应用研究第2 章基础理论概述 多矛盾问题无法用数学方法去解决，动态模糊集1 1 1 正是基于这种需要而 提出的。它是在经典集合和模糊集合的基础上发展起来的。 2 2 1 1 动态模糊集的定义 定义2 1 设在论域( d o m a i no f d i s c o u r s e ) u 上定义一个映射： ( a ，么) ：( u ，u ) j 0 , 1 卜，专】，( 甜，甜) h ( 么( “) ，么( 甜) ) 记为( 4 ，彳) = 彳或j ，则称( 么，彳) 为( 疗，口) 上的动态模糊集( d y n a m i cf u z z y s e t ，d f s ) ，称( 彳( 扰) ，彳( “) ) 为隶属函数( m e m b e r s h i pf u n c t i o n ) ( a ，a ) 的隶 属度( m e m b e r s h i pd e g r e e ) 。 水注记：任何一个数口 o ，l 】，都可以把口动态模糊化为：口竺( 二，二) ，口竺石 o r 厅，m a x ( t 。l ，。t ) = 一g ，m i n ( a 一，二) 兰石。这样我们就可以把以状态的发展变化 趋势直观地表示出来了。 在论域u 上可以有多个动态模糊( 简记为d f ) 集，记u 上的d f 集的全体为d f ( u )