12.16日学习记录
1.学习模糊神经推理系统
https://blog.csdn.net/leneey/article/details/80909047
基本对过程有了了解，但是要对它形成讲解还不行，所以先看论文吧。
2.学习模糊逻辑
https://blog.csdn.net/yuyanjingtao/article/details/90177004
#不了解模糊逻辑的话，接下来我应该都看不懂了。
1.隶属度(Degree of Membership)
在模糊逻辑的眼中，大雨，小雨，和中雨之间是没有严格的界限的，也就是说某一种雨量的大小并不完全归属于某一个类，而是以隶属度来衡量的。
比如对于10mm降雨，隶属于小雨的隶属度为0.5, 中雨的隶属度为0.4，大雨的隶属度为0.1；
对于100mm降雨，小雨的隶属度为0, 中雨的隶属度为0.3，大雨的隶属度为0.7。
将逻辑的输入数值(降雨量)转化成各个集合(小雨，中雨，大雨)的隶属度的过程就叫做Fuzzification。 也是模糊逻辑的第一步。
如何确定输入数值与隶属度的关系呢，这就要用到隶属度函数，隶属度函数的图形可以是任意的，但常用的方法是三角形或者梯形。
#无图
上图是考试分数和学生成绩的隶属度关系。 比如考0分，Poor的隶属度为1，Avg. 和Good为0。 考试为32.5分(红黑交叉点)，Poor的隶属度为0.5，Avg.为0.5， Good为0。 在任意一点都能找到其所对应的集合的隶属度。
所以这个隶属度函数其实也是一个规则的确立，还是说这个是通过NN学习的？？？
2. 模糊逻辑的“与，或，非”运算
模糊逻辑的运算实际上就是模糊逻辑中分解出的各个隶属度的运算。我们将逻辑的两个输入定义为A，B，输出为C(A与B -> C)，举个例子，A = Poor: 0.5（Poor的隶属为0.5 ）B = Good：0.2， 那么C= A与B是多少呢？
#挺有意思的，是因为比较简单，目前我还能看懂。。
最大隶属法，最小隶属法。
3. 模糊逻辑的决策规则(Rule Base)
百度百科：“隶属度A(x)越接近于1,表示x属于A的程度越高,A(x)越接近于0表示x属于A的程度越低。用取值于区间[0,1]的隶属函数A(x)表征x 属于A的程度高低,这样描述模糊性问题比起经典集合论更为合理。
#这个在链接中有给出
首先对于给定的两个值，根据隶属度函数（一般是三角形，矩阵之类的。），就可以计算出对taste，hunger的隶属度；
计算出隶属度之后就可以计算出对于隶属度规则来说，的一个分布吧。
这些输出我们在模糊逻辑中定义为Fire Strength(FS)。耐火程度。
4. 去模糊化(De-fuzzyfication)
模糊逻辑通过模糊化将输入的数值转化成各个集合的隶属度之后，再通过规则和运算得到若干个FS。
这些FS并不能为我们解决实际问题。
以之前分配食物为例，我们期望的是：给出任意两个输入值(Taste 和 Hunger)能输出一个确定的数值，这时我们就要用去模糊化来得到这个输出值了。
应用最广泛的就是：加权平均。
这个输出有什么用呢？你可以通过这个输出决定是否分配食物，设定一个阈值。
比如为4，如果小于等于这个阈值就不分配食物，大于这个阈值就分配食物。
另外去模糊化方法：最大值均值法；中心法；最大值平均法等。
总结：
从整个过程来看，最重要的就是模糊规则和模糊函数。对于给定的输入根据模糊函数计算出模糊值，模糊值可以对应到模糊规则结果上，然后去模糊化。
3.模糊逻辑和神经网络结合
汇集神经网络和模糊计算是优点，即人工神经网络具有 较强的自学习和联想功能能力，人工干预少，精度较高，对专家知识的利用也较好；而模糊计算的特点有 推理过程容易理解、专家知识利用较好、对样本的要求较低等。
1. 利用神经网络，来学习、演化模糊规则库。类似数据挖掘的过程，模糊竞争学习算法 ： 利用神经网络来增强的 模糊计算系统
2. 利用模糊控制方法，不断改善神经网络的性能，如模糊BP算法 ：利用模糊计算增强的神经网络。
4.the time between failure (TBFs)为什么能够用来做软件错误预测的数据呢？
https://tiku.baidu.com/web/singledetail/ca8be48da0116c175f0e4854
因为TBF能够表示软件的可用性，是有意义的数据，能表示软件的可靠性！
5.最小二乘法
#论文中又提到了LSE，但是我脑袋一片空白，虽然这是高中学的东西。
https://blog.csdn.net/ccnt_2012/article/details/81127117
大略看了一下，思想就是min(MSE)，通过求导求极值。
6.优化时用到了遗传算法
https://www.jianshu.com/p/ae5157c26af9
其主要特点是直接对结构对象进行操作，不存在求导和函数连续性的限定；具有内在的隐并行性和更好的全局寻优能力；采用概率化的寻优方法，不需要确定的规则就能自动获取和指导优化的搜索空间，自适应地调整搜索方向。
遗传算法的过程图解:
7.提到了训练时使用4折交叉验证
https://blog.csdn.net/weixin_39183369/article/details/78953653（讲的不错）
针对数据量不够大的情况，K折交叉验证。
8.接下来就去做PPT了。
