# A-Novel-Interval-Type-2-Fuzzy-System-Identification-Method-Based-on-the-Modified-Fuzzy-C-Regression
> :sound: <span style="color:blue">僅是個人的論文理解</span>
---
:triangular_flag_on_post:待辦事項
- [x] WRLS的部分改的更易懂
- [x] 把一些圖片公式改成Latex格式
---
## <span style="color:#003853">Type-1 vs Type-2 Fuzzy Sets</span>
### <span style="color:#272727">Type-1</span>
:::info
Type-1 Fuzzy Sets是常用的模糊集合，其成員的隸屬度值是確定的。
對於一個給定的輸入數據，它的隸屬度值是唯一確定的，可以簡單地表示為一條線性的隸屬函數。
:::
### <span style="color:#272727">Type-2</span>
:::success
Type-2 Fuzzy Sets是一種更先進的模糊集合，其中成員的隸屬度值是不確定的，因此會有上限和下限。
在這種情況下，隸屬度值可以表示為一個區間，在這個區間內，有多個隸屬度值是合法的。
因此，Type-2 Fuzzy Sets 是一個更精確的模型，具有更高的彈性和適應性
在一些需要考慮不確定性的領域，如: 學術的研究和工業應用，得到了廣泛的應用
:::
## <span style="color:#003853">FCMs vs FCRMs</span>
:::info
### FCMs (Fuzzy C-Means) 的特點：
1. 使用模糊邏輯對數據點的歸屬度進行建模
2. 允許數據點同時屬於多個聚類
3. 能夠適應不確定性和隨機性的數據
4. 算法快速有效
### FCMs 的優點：
1. 能夠解決非球形的聚類問題： 由於 FCM 使用了模糊邊界，所以它可以解決非球形聚類問題
2. 效果較佳：相比傳統的 K-Means 聚類，FCM 的聚類效果通常更好
3. 具有適應性：FCM 可以通過調整模糊度因子來改變聚類結果，具有適應性
### FCMs 的缺點：
1. 計算量大: FCM的計算量比傳統的K-Means聚類大，需要更多的運算資源
2. 可能受到初始值影響
3. 受到模糊度因子的影響：FCM受到模糊因子的影響，如果模糊因子不適當，會導致聚類結果不當
:::
:::success
### FCRMs (Fuzzy C-Regression Models) 的特點：
1. 基於模糊邏輯進行回歸建模
2. 允許回歸模型的係數具有模糊性
3. 能夠適應不確定性和隨機性的數據
### FCRMs 的優點：
1. 可以解決非線性回歸問題
2. 能夠對多元回歸問題進行建模
3. 能夠很好地處理不確定性和隨機性的數據
### FCRMs 的缺點：
1. 可能需要多次運行以得到最優解
2. 可能受到初始值影響
3. 可能不能很好地處理大規模數據
:::
::: warning
總而言之，FCMs 和 FCRMs 都是基於模糊邏輯的算法，用於解決聚類和回歸問題，但是它們的實際應用不同
FCMs是一種聚類算法，用於將數據點分配到不同的聚類中
FCRMs是一種回歸算法，它使用模糊集合和模糊規則來建立因變量和自變量之間的關係模型，可以處理不確定性和隨機性的數據，並且適用於非線性關係
:::
## <span style="color:#003853">T–S Fuzzy Model(未完成)</span>
整體的T-S模糊模型可以表示為:
> 權重平均法
>
> $w_i(k)$ 是第 $i$ 個規則的輸出值, $y^i(k)$ 為輸出集合的歸屬度
$${\hat{y}}(k)={\frac{\sum_{i=1}^{c}w_{i}(k)y^{i}(k)}{\sum_{i=1}^{c}w_{i}(k)}}\qquad\qquad\qquad(2)$$
隸屬函數 $A_q^i(x_q(k))$
$$A_{q}^{i}(x_{q}(k))=\exp\Biggl\{-\frac{1}{2}\biggl(\frac{x_{q}(k)-\alpha_{q}^{i}}{\beta_{q}^{i}}\biggr)^{2}\Biggr\}\qquad\qquad(3)$$
## <span style="color:#003853">Fuzzy C-Regression Model</span>
在第 k 個輸入 $x(k)$ 和輸出 $y^i(k)$ 的情况下，The hyperplane function 表示如下：
         
其中 $\Theta_{i}^T$ 代表了第 i 個模糊規則的<a href ="https://hackmd.io/v3v3ekDOSXe7LrIpGKDBNg">後件變量</a>
<br>
可以用以下公式表示第i個已建立模型 $y^i(k)$ 和真實輸出 $y(k)$ 之間的==殘差==
        
根據真實模型和建立模型間的距離，目標函數可以被設計為
$$ J(u_{ik},c_i) = \sum_{i=1}^c \sum_{k=1}^N \ (u_{ik})^m \ (d_{ik})^2 \quad (6)$$
我們可以把它看成
$$ J(u_{ik},c_i) = \sum_{i=1}^c \sum_{k=1}^N \ u_{ik}^m \ \parallel x_k - c_i \parallel^2 \quad $$
$u_{ik}$ 指的是任意點 $x_k$ 到 中心 $c_i$ 的機率 ( 遺忘因子 )， $m$ 為模糊權重指數
並且 $u_{ik}$ 滿足 ==$\sum_{i=1}^c \ u_{ik} = 1$==, $k = 1,2,...,N$
### :heavy_exclamation_mark: <span style="color:#003853">Lagrange function (先跳過...)</span>
$$J_{m}=\sum_{i=1}^{c}\sum_{k=1}^{N}(u_{i k})^{m}(d_{i k})^{2}+\lambda_{i}\Biggl(1-\sum_{i=1}^{c}u_{i k}\Biggr).\qquad(7)$$
$$u_{i k}=\left(\sum_{s=1}^{c}\left({\frac{d_{i k}}{d_{s k}}}\right)^{\frac{2}{m-1}}\right)^{-1},1\leq i\leq c,1\leq k\leq N\;\;\;\mathrm{(10)}$$
### :heavy_exclamation_mark: <span style="color:#003853">Weight Recursive Least-Square (WRLS)</span>
<br>
* <a href = https://hackmd.io/2-BZ69oARrGUpQacmhf-RQ?view>看概念</a>
<br>
> $K(k) \in R^{(n+1)\times1}$, $S(k) \in R^{(n+1)\times(n+1)}$, 單位矩陣 $I \in R^{(n+1)\times(n+1)}$, $\Theta^{(k)}_i \in R^{c\times(n+1)}$
> 通常 $\eta > 100$
$$\Theta_{i}^{(k+1)}=\Theta_{i}^{(k)}+K(k)\biggl[y(k+1)-x(k+1)\Theta_{i}^{(k)}\biggr]\quad(11)$$
where
$$\large \begin{split}
\Theta_i^{(0)} &= 0, \ S(0)= \eta I\\
K(k)
&= S(k+1) \left[1 \ x^T(k+1)\right]^T \\
&= \cfrac{S(k) \left[1 \ x^T(k+1)\right]^T}{u_{ik}^{-1}+\left[1 \ x^T(k+1)\right]S(k)\left[1 \ x^T(k+1)\right]^T} \\
S(k+1)
&= \left[I-K(k)\left[1 \ x^T(k+1)\right]\right]S(k)
\end{split} $$
當 $(10)$ 和 $(11)$ 被迭代，隸屬度 $u_{ik}$ 和 <a href ="https://hackmd.io/v3v3ekDOSXe7LrIpGKDBNg">後件變量$\Theta_i$</a> 傾向於一個逐漸最小化 $Lagrangian$ $J_m$ 的方向
## :high_brightness: <span style="color:#003853">Interval Type-2 Fuzzy Sets</span>
> 對稱的Interval Type-2 模糊集
> $-..$ 表示下限隸屬函數 $\underline{A}^i_q$,
$-$ 表示上限隸屬函數$\overline{A}^i_q$
> 紅線表示 $\underline{f}$
藍線表示 $\overline{f}$
<br>
假設 $[m1, m2]$ 中的值如下 :
$$\underline{\mu}_{ik} = \left(\sum_{s=1}^c\left(\cfrac{d_{ik}} {d_{sk}} \right)^\cfrac{2}{m_1-1}\right)^{-1} (12)$$
$$\overline{\mu}_{ik} = \left(\sum_{s=1}^c\left(\cfrac{d_{ik}} {d_{sk}} \right)^\cfrac{2}{m_2-1}\right)^{-1} (13)$$
$$1 \leq n \leq c , 1 \leq k \leq \cal N$$
下隸屬函數 $\underline{A}_q^i$ 和上隸屬函數 $\overline{A}_q^i$ 的分佈在:
           
其中 $\overline{f} = e^{-1/2(x_{q}(k)-\overline{\alpha}_q^i/\overline{\beta}_q^i)^2}$， $\underline{f} = e^{-1/2(x_{q}(k)-\underline{\alpha}_q^i/\underline{\beta}_q^i)^2}$是具有不同中心和標準偏差的高斯函數
因此高斯隸屬度的中心和標準差被重寫為
$$\begin{align}
\underline{\alpha}_{q}^{i}
&=\operatorname*{min}\Biggl\{\frac{\sum_{k=1}^{\cal N}\underline{\mu}_{i k}x_{q}(k)}{\sum_{k=1}^{\cal N}\underline{\mu}_{ik}},\frac{\sum_{k=1}^{\cal N}\overline{{\mu}}_{i k}x_{q}(k)}{\sum_{k=1}^{\cal N}\overline{{\mu}}_{ik}}\Biggr\}\tag{16}
\\
\overline{\alpha}_{q}^{i}
&=\operatorname*{max}\Biggl\{\frac{\sum_{k=1}^{\cal N}\underline{\mu}_{i k}x_{q}(k)}{\sum_{k=1}^{\cal N}\underline{\mu}_{ik}},\frac{\sum_{k=1}^{\cal N}\overline{{\mu}}_{i k}x_{q}(k)}{\sum_{k=1}^{\cal N}\overline{{\mu}}_{i k}}\Biggr\}\tag{17}
\\
\underline{{\beta}}_{q}^{i}
&=\Biggl(\sum_{k=1}^{\cal N}\underline{\mu}_{i k}{\Big(}x_{q}(k)-\underline{\alpha}_{q}^{i}{\Big)}^{2}\bigg/\sum_{k=1}^{\cal N}\underline{\mu}_{i k}\Biggr)^{\frac{1}{2}}\tag{18}
\\
\overline{{\beta}}_{q}^{i}
&=\Biggl(\sum_{k=1}^{\cal N}\underline{\mu}_{i k}{\Big(}x_{q}(k)-\overline{\alpha}_{q}^{i}{\Big)}^{2}\bigg/\sum_{k=1}^{\cal N}\overline{\mu}_{i k}\Biggr)^{\frac{1}{2}}\tag{19}
\end{align}$$
當在 inference engine operation 中運用代數乘法運算時，就可以使用以下公式獲得權重
             
其中 $\underline{w}_{i}(k)=\prod_{q=1}^{n}\underline{A}_{q}^{i}(x_{q}(k))$ 和 $\overline{{{w}}}_{i}(k)=\prod_{q=1}^{n}\overline{{{A}}}_{q}^{i}(x_{q}(k))$
## :high_brightness: <span style="color:#003853">INTERVAL TYPE-2 FUZZY C-REGRESSION MODELING METHOD</span>
建立一個代表真實輸出 $y(k)$ 的模型 $\hat{y}(k)$, <a href ="https://hackmd.io/v3v3ekDOSXe7LrIpGKDBNg">後件變量$\Theta_i$</a> 應該近似真實模型 $(5)$
$$\large{d_{i k}=\left|y^{i}(k)-y(k)\right|=\left|\left[1~x^{T}(k)\right]\Theta_{i}^{T}-y(k)\right|}$$
<br>
如果 $y(k) = \hat{y}(k) = [1x^T(k)]\Theta^T_{i}$，我可以得到最優解 $\Theta_{i}$
那麼在理想狀態下將得到
$$\large -y(k)+a^i_0+a^i_1x_(k)+...+a^i_nx_n(k) \\
\begin{align}
&\qquad\qquad\large = \textbf[y(k)\ 1 \ x_1(k) \ ... \ x_n(k)\textbf]\textbf[-1 \ a_0^i \ a_1^i \ ... \ a_n^i\textbf]^T \\
&\qquad\qquad\large = 0 \tag{21}
\end{align}$$
對於<a href="https://blog.csdn.net/yeler082/article/details/78740834">點到平面的距離公式</a>，本文提出了一個==修改過的距離定義==，從數據點到超平面表示為
$$\begin{align}
\large d_{ik}
&\large = \cfrac{\vert-y(k)+a^i_0+a^i_1x_(k)+...+a^i_nx_n(k)\vert}{\sqrt[]{(-1)^2+(a_1^i)^2+(a_2^i)^2+...+(a_n^i)^2}} \\
&\large = \cfrac{\vert-y(k)+[1 \ x_1(k) \ ... \ x_n(k)]\left[a_0^i \ a_1^i \ ... \ a_n^i\right]^T\vert}{\sqrt[]{(-1)^2+(a_1^i)^2+(a_2^i)^2+...+(a_n^i)^2}} \\
&\large = \cfrac{\vert-y(k)+[1 \ x_1(k) \ ... \ x_n(k)]\Theta_i\vert}{\sqrt[]{(-1)^2+(a_1^i)^2+(a_2^i)^2+...+(a_n^i)^2}} \tag{22}
\end{align}$$
一般來說，真實模型和建立的模型之間的距離是使用$(5)$這個公式計算的
根據這個定義，從資料點到平面函數的距離如下==圖一==所示
其中 $f^1$ 和 $f^2$ 分別表示第一個和第二個建立的本地模型
例如，假設 $(x(k), y(k))$ 到 $f^1$ 的距離在原本的距離函數中與 $(x(k), y(k))$ 到 $f^2$ 的距離相同，即 $d_{11} = d_{21}$
然而，圖1表示 $(x(k), y(k))$ 在幾何上更接近 $f^2$
與 $f^2$ 相對應的成員程度大於與 $f^1$ 相對應的成員程度。
換句話說， $(x(k), y(k))$ 到 $f^1$ 的距離應該大於 $(x(k), y(k))$ 到 $f^2$ 的距離。
因此，如果使用原本的公式計算距離，可能無法計算真正的最短距離
<br>
基於修改過的距離定義，$(x(k), y(k))$ 到 $f^1$ 和 $f^2$ 的距離如下==圖2==所示
距離 $d_{2k}$ 小於距離 $d_{1k}$ ，也就是說 $(x(k), y(k))$ 比 $f^1$ 更靠近 $f^2$
因此，如上所示，修改過的距離定義更適合描述每個數據點和局部type-2模糊模型之間的最短距離
然後，將 $x(k)$ 的投影點代入以下公式以獲得局部模型 $y^i_{our}$，其中 $x^i_{pro}$ 是 $x(k)$ 的投影點
$$\large y_{\mathrm{out}}^{i}(k)=\left[1\left(x_{\mathrm{pro}}^{i}(k)\right)^{T}\right]\Theta_{i}^{I}$$
通過建立的模型，可以通過獲得的後續參數確定新輸入數據的投影點
::: info
備註1:
在這篇文章中，我們修改了interval type-2 fuzzy model 中數據點到 local fuzzy model的常規距離函數
圖2顯示了常規距離與修改距離的關係
根據上述公式 $y^i_{our}(k) = [1(x^i_{pro}(k)^T)]\Theta^T$ 的定義
我們可以確定規則1的 $y^1_{our}(k)$ 和規則2的 $y^2_{our}(k)$
從圖2中可以看出，實際輸出 $y(k)$ 與 $y^1_{our}(k)$ 的誤差小於實際輸出 $y(k)$ 與 $y^1(k)$的誤差。
同樣，實際輸出 $y(k)$ 與 $y^2_{our}(k)$ 的誤差也小於實際輸出 $y(k)$與 $y^2(k)$ 的誤差。
:::
在本研究中，修改後的目標函數如下：
$$\large y_{\mathrm{our}}^{i}(k)=\left[1\big(x_{\mathrm{pro}}^{i}(k)\big)^{T}\right]\Theta_{i}^{T}\tag{23}$$
可以使用約束條件 $\sum_{i=1}^c u_{ik} = 1$ 獲得 $Lagrangian$
$$\overline{{{J}}}_{m}=\sum_{i=1}^{c}\sum_{k=1}^{\cal N}(u_{i k})^{m}\biggl[1-e^{-\gamma\left(\widetilde{d}_{i k}\right)^{2}}\biggr]+\lambda_{i}\biggl(1-\sum_{i=1}^{c}u_{i k}\biggr).\;\;(25)$$
因此，透過固定的模糊加權指數 $m \in [m1,m2]$，對上述公式進行導數，導數值為零，也就是$[\partial \overline{J}_m/ \partial u_{ik}]=0$
並且可以算出下限和上限隸屬度，分別如下所示:
$$\underline{u}_{ik}=\frac{\left(\left[1-e^{-\gamma\left(\widetilde{d}_{ik}\right)^{2}}\right]\right)^{\frac{-1}{m_1-1}}}{\sum_{j=1}^{c}\left(\left[1-e^{-\gamma\left(\widetilde{d}_{ik}\right)^{2}}\right]\right)^{\frac{-1}{m_1-1}}}\qquad\qquad(26)$$
$$\overline{u}_{ik}=\frac{\left(\left[1-e^{-\gamma\left(\widetilde{d}_{ik}\right)^{2}}\right]\right)^{\frac{-1}{m_2-1}}}{\sum_{j=1}^{c}\left(\left[1-e^{-\gamma\left(\widetilde{d}_{ik}\right)^{2}}\right]\right)^{\frac{-1}{m_2-1}}}\qquad\qquad(27)$$
同樣地 $[\partial \overline{J}_m/ \partial a^i_{j}]=0$ 可以獲得結論參數的更新公式
從之前我們==修改過的距離定義==$(22)$中可以看出
如果 $\overline{d}_{ik} = 0$
$$y(k)=a_{0}^{i}+a_{1}^{i}x_{1}(k)+\cdot\cdot\cdot+a_{n}^{i}x_{n}(k)$$
==也就是說，<a href ="https://hackmd.io/v3v3ekDOSXe7LrIpGKDBNg">$\Theta_i$</a>是最佳的後件變量，因此,不需要更新 $a^i_j (j=0,...,n)$==
如果 $\overline{d}_{ik} \neq 0$:
* $Case$ $1:$ For $a^i_0$
     
<!-- $$\frac{\partial{\overline{{J}}}_{m}}{\partial a_{0}^{i}}
= \frac{\partial\sum_{i=1}^{c}\sum_{k=1}^{N}(u_{i k})^{m}\left[1-e^{-\gamma\left(\tilde{d}_{i k}\right)^{2}}\right]}{\partial a_{0}^{i}}\Biggr. \\ = \sum_{k=1}^{N}(u_{i k})^{m}\frac{2\gamma\left(-y(k)+a_{0}^{i}+\cdot\cdot\cdot+a_{n}^{i}x_{n}(k)\right)e^{-\gamma\left(\bar{d}_{i k}\right)^{2}}}{\left(-1\right)^{2}+\left(a_{1}^{i}\right)^{2}+\cdot\cdot\cdot+\left(a_{n}^{i}\right)^{2}} = 0
$$ -->
    因為 且 $(-1)^2+(a^i_1)^2+(a^i_2)^2+...+(a^i_n)^2 > 0$
    我們可以得到:
    
* $Case$ $2:$ For $a^i_j, j \neq 0$
  由於$\tilde{d}_{ik} \neq 0, \gamma > 0$ 且 $e^{-\gamma(\tilde{d}_ik)^2} > 0$, 透過下面
  產生
  然後透過$(29)(30)$我們就可以得到
  
==總的來說, 根據上面所得的兩個結果 $(28)$ 和 $(31)$,使用 $m1, m2$ 就可以得到 $\underline{\Theta_i}$ 和 $\overline{\Theta_i}$==
:::warning
備註2:
從傳統的FCRM目標函數(6)，可以得到每個區域模型的最小均值，即
$$y^i_{means} = \frac{1}{\cal N}\sum_{k=1}^\cal N\parallel y^i(k)\parallel^2$$
很明顯，當遠離原始數據範圍的噪聲點添加到區域模型中時，均值將在原始數據範圍之外，那是因為噪聲點將會深刻影響結果。
因此，本文提出了一種<a href = "https://hackmd.io/Z3roxZ-4QkGiYcuLodYdEQ">新的目標函數$\overline{J} = \sum_{i=1}^c\sum_{k=1}^\cal N(u_{ik})^m\left[1-e^{-\gamma\left(\tilde{d}_{ik}\right)^2}\right]$</a> ，其中γ是衰減率
圖5顯示了常規距離函數和不同衰減率的建議距離函數的2-標準與距離測量之間的關係。
從圖5可以看出，新的距離函數是有界的且單調遞增的，但使用常規距離函数的距離度量呈直線。
因此，建議的目標函數不會受到帶噪點的影響。
當得到隸屬函數的前提部分和結果參數後，可以通過 $(14)–(19)$ 獲得隸屬函數。然後，可以使用 $(2)$ 和 $(20)$ 獲得 interval type-2 T–S fuzzy model 的輸出。
:::
::: success
備註3:
因為把 $weight$ 平均，擴展的輸出 $y(k)$是從 $（20）$ 中獲得的
然而，$\underline{w}_i(k)$ 和 $\overline{w}_i(k)$ 的比率在 $w_i(k)$ 中可能不相同。
如果使用每个數據點的上下權重的平均值作為每個輸入的輸出權重，那么建立的模型可能不適合每個輸出的實際模型。
因此，此篇論文用 $h^i(k)$ 修改了 $（32）$ 中的 type-2 T–S fuzzy model，其考慮每個數據點的不同權重。這允許建立和實際模型之間更好的擬合。
$$\tilde{y}(k) = \cfrac{\sum_{i=1}^c(1-h^i(k))\overline{w}_i(k)\overline{y}^i(k)+h^i(k)\underline{w}_i(k)\underline{ y}^i(k)}{\sum_{i=1}^c(\overline{w}_i(k)+\underline{w}_i(k))} \qquad (32)$$
其中, $h^i(k) = [max \underline{A}_q^i(x_q(k)) / \overline{A}^i_q(x_q(k))+\underline{A}^i_q(x_q(k))]$ 可以通過不同的輸入數據 $x(k)$ 自適應地調整
並且 hyperplane functions 定義為 $\overline{y}^i(k) = [1(x^i_{pro}(k))^T]\ \overline{\Theta}_i$, $\underline{y}^i(k) = [1(x^i_{pro}(k))^T]\ \underline{\Theta}_i$
輸出的下界和上界權重分別為 $\underline{w}_i(k) = \prod_{q=1}^n \underline{A}^i_q(x_q(k))$ 和 $\overline{w}_i(k) = \prod_{q=1}^n\overline{A}^i_q(x_q(k))$
:::
本研究中使用的程序如下:
1. 設定規則數量、模糊加權指數 $m \in [m1, m2]$、最大迭代次數、衰減率 γ 以及初始隸屬度 $u_{ik}$。
2. 使用 <a href = https://hackmd.io/2-BZ69oARrGUpQacmhf-RQ?view>$WRLS$</a> 演算法計算後件變量，並將後件變量上限 $\overline{\Theta}_i$ 和後件變量下限 $\underline{\Theta}_i$ 設置為 $\Theta_i^{(\cal N)}$
3. 使用 $（22）$ 計算建立和真實模型之間的距離
4. 使用 $（26）$ 和 $（27）$ 更新隸屬度。
5. 使用 $（28）$ 和 $（31）$更新後件變量。
6. 重複 $Step$ $3-5$ 直到 $\parallel U^{(l+1)} - U^{(l)} \parallel < \varepsilon$
$U^{(l)}$ 由第 $l$ 次迭代的隸屬度组成, 终止閥值 $\varepsilon$ $>$ $0$ 是一個足夠小的值，以確保在達到最大迭代次數之前 $U^{(l+1)}$ 與 $U^{(l)}$ 相似。
7. 使用 $(14)-(19)$ 取得前件變量
8. 使用 $(32)$，根據改進的比率和輸入資料的投影點，取得前件變量和後件變量的上下限，獲得 $\hat{y}(k)$
9. 使用 <a href = https://hackmd.io/2-BZ69oARrGUpQacmhf-RQ?view>最小平方法 $(LSM)$ </a> 改善後件變量，以最小化 $e = y- \hat y$
>$\rm y = [y(1)···y(k)]^T$
>$\rm \hat y = [\hat y(1)··· \hat y(k)]^T$
>$\rm \hat{\Theta} =\frac{1}{2}[\overline{\Theta}_1 + \underline{\Theta}_1,...,\overline{\Theta}_c + \underline{\Theta}_c]$
>$\rm \overline\Phi=
\begin{bmatrix} \ \Phi(1) \\ \vdots \\ \Phi(\cal N)\end{bmatrix} = \begin{bmatrix} \ X_1^T \\ \vdots \\ X_r^T \end{bmatrix}^T = \left[
\begin{array}{cccc:c:cccc}
\Phi_1 & \Phi_1x_1(1) & \cdots & \Phi_1x_n(1) & \cdots & \Phi_c & \Phi_cx_1(1) & \cdots & \Phi_cx_n(1)\\
\Phi_1 & \Phi_1x_1(2) & \cdots & \Phi_1x_n(2) & \cdots & \Phi_c & \Phi_cx_1(2) & \cdots & \Phi_cx_n(2)\\
\vdots & \vdots & \ddots & \vdots & \vdots & \vdots & \vdots & \ddots & \vdots \\
\Phi_1 & \Phi_1x_1(\cal N) & \cdots & \Phi_1x_n(\cal N) & \cdots & \Phi_c & \Phi_cx_1(\cal N) & \cdots & \Phi_cx_n(\cal N)
\end{array}\right] \tag{34}$
  where $\Phi_i = [\overline{w}_i + \underline{w}_i] \ / \ \sum_{i=1}^c\overline{w}_i+\underline{w}_i ,\ r = c × (n + 1)$
$$ {\rm y}=\overline\Phi \hat \Theta^T + e \tag{33}$$
10.
:::danger
未完待續........
:::
$$\Xi \hat \Theta = \rm g$$
Sign in with Wallet
Connect another wallet