今天运气不错

早上过来略微折腾了一下，发现matlab自带的genfis2效果很是不错，将xBounds（数据点相邻的距离）设为0.2就可以出来28条规则了，效果和gabl至今最好的结果相比也差不了多少，速度上更是不用说了，不夸张的说，快了N倍（N>>3600）！！
下面要好好准备一下图表来说明一下效果，再加上自适应改变xBounds的算法，参照"基于层次划分的最佳聚类数确定方法"一文的思想，根据驾驶行为中数据点分布的特点，给出分组效果评价的新指标，来完成第二篇小论文～～
回想一下，genfis2把“数据分簇->训练->组合->再训练”的过程简化成了“数据分簇->构建FIS”两步，当然我还可以用训练权重的方法再加以调整，得到更高的逼近精度，但从泛化的角度来考虑，一味追求逼近精度是没有必要的～～
这样才能上升到理论高度，也是对算法的一个总结和提高，哈哈

优化权重参数

权重参数的个数等于规则数，也等于工作点的数目。比优化同样的工作点参数要简单的多（一个工作点需要10个基因，十几个工作点就需要上百个基因，而同样的工作点权重参数只要十分之一）！
因此，同样采用遗传算法对权重进行优化，只需要二、三十个基因即可，且权重的变化范围固定为[0,1]，实行起来也容易，用标准的GA即可。
今晚搞定！

合并后的结果

终于看到合并后的结果了！实事求是的说，结果并不令人振奋！对于长数据来说，效果还好一些，而对于短数据则要是相当的差了！
不过这也在我的预料之内，还需要进行权值的调整来得到好的结果～
这一工作今天完成，借鉴前面的优化算法，应该能很快的完成。
再之后就是把数据分类算法做好，将几个环节串联起来：数据分类->优化模型参数->合并模型参数->调整权值，这样就可以完整的实现TSK模型的构建和标定。

这一篇的主题

前一篇主要把TSK引入车辆跟驰模型，下一步是要完善它，一方面从构建方法上，一方面从结果分析上。
构建方法上要利用数据分类算法将数据先分成不同部分，再针对各部分进行建模，这样可以显著提高建模速度和质量，因为原来的方法随着分组的增加，染色体长度会迅速增加，很快就到达一个难以处理的复杂程度，这时的优化速度和效果都会下降。采用事先数据分类的方法，可以有效减小分组，可以多线程运算不同的数据分组，大大提高效率。不过要注意的是最后将各分类的结果组合起来时效果如何尚不得知，可能精度并不高，这时可以考虑对各子规则的权重再进行一次优化，使得最后的结果也能最优。
今天的工作是第一步工作，算是一个测试吧，将前面两段不同数据得出的模型参数组合到一起，生成一个新的模型，然后看对两段数据组合的效果如何。如果效果不佳，则尝试对各规则权重进行再优化。
这项工作做好后，开始找合适的数据分类算法，根据状态空间内数据点的聚集情况分类，对于那些不太靠谱（不特别接近于任何一个分类）的点，可以重复放入多个周围的分类中，作为一个工作点的临界数据点来处理。

scala，让我的旧代码起死回生？

前几天就看到scala了，今天下午看了看它的教程，感觉和python有点像，都是能将函数当作值来传递的～JTSS的代码写到一半就停止了，现在亟须重新开始，可是前面的体验让我对写java代码有点厌倦了。现在有了scala，更简洁的语法，新的函数式编程方式，或许能成为JTSS起死回生的契机！
下面一边完成第二、三篇文章，一边学习scala，在三月份之前完成这两项，三月份花10天搞定JTSS，然后建立一个简单的仿真应用（场面监控），以此项目作为工程背景。至于其他的东西，待搞定这些后再看～～

要结束了

这个系列要结束了，下面又要有新的开始了～
争取能结束得漂亮一点，开始的顺利一些吧～