Базовая структура Mamdani, нечеткая система вывода является моделью, которая сопоставляет входные характеристики, чтобы ввести функции принадлежности, введи функции принадлежности к правилам, правилам к набору выходных характеристик, выходные характеристики, чтобы вывести функции принадлежности и выходные функции принадлежности к однозначному выводу или решению, сопоставленному с выводом. Такая система использует зафиксированные функции принадлежности, которые выбраны произвольно и структура правила, которая по существу предопределяется интерпретацией пользователем характеристик переменных в модели.
anfis и Neuro-Fuzzy Designer применяют нечеткие методы вывода к моделированию данных. Как вы видели от других нечетких графический интерфейсов пользователя вывода, форма функций принадлежности зависит от параметров, и изменяющий эти параметры изменяют форму функции принадлежности. Вместо того, чтобы только смотреть на данные, чтобы выбрать параметры функции принадлежности, вы выбираете параметры функции принадлежности, автоматически использующие эти приложения Fuzzy Logic Toolbox™.
Предположим, что вы хотите применить нечеткий вывод к системе, для которой у вас уже есть набор данных о вводе/выводе, которые требуется использовать для моделирования, следования модели или некоторого подобного сценария. У вас не обязательно есть предопределенная образцовая структура на основе характеристик переменных в вашей системе.
В некоторых ситуациях с моделированием вы не можете различить то, на что функции принадлежности должны быть похожими просто от рассмотрения данных. Вместо того, чтобы выбирать параметры, сопоставленные с данной функцией принадлежности произвольно, эти параметры могли быть выбраны, чтобы адаптировать функции принадлежности в соответствии с данными о вводе/выводе в порядке составлять эти типы изменений в значениях данных. В таких случаях можно использовать Fuzzy Logic Toolbox нейроадаптивные методы изучения, включенные в команду anfis.
Нейроадаптивный метод изучения работает так же к той из нейронных сетей. Нейроадаптивные методы изучения предоставляют метод для нечеткой процедуры моделирования, чтобы узнать информацию о наборе данных. Программное обеспечение Fuzzy Logic Toolbox вычисляет параметры функции принадлежности, которые лучше всего позволяют связанной нечеткой системе вывода отслеживать данные данные о вводе/выводе. Функция Fuzzy Logic Toolbox, которая выполняет эту корректировку параметра функции принадлежности, вызвана anfis. К функции anfis можно получить доступ или из командной строки или через Neuro-Fuzzy Designer. Поскольку функциональность функции командной строки, anfis и Neuro-Fuzzy Designer подобны, они используются несколько взаимозаменяемо в этом обсуждении, кроме тех случаев, когда, в частности описывая приложение Neuro-Fuzzy Designer.
Акроним ANFIS выводит свое имя от адаптивной нейронечеткой системы вывода. Используя данный набор данных ввода/вывода, функция тулбокса anfis создает нечеткую систему вывода (FIS), параметры функции принадлежности которой настраиваются (настроенное) использование один только или алгоритм обратного распространения или в сочетании с типом наименьших квадратов метода. Эта корректировка позволяет вашим нечетким системам извлекать уроки из данных, которые они моделируют.
Структура сетевого типа, подобная той из нейронной сети, которая сопоставляет входные параметры через входные функции принадлежности и сопоставленные параметры, и затем через выходные функции принадлежности и сопоставленные параметры к выходным параметрам, может использоваться, чтобы интерпретировать карту ввода/вывода.
Параметры, сопоставленные с функциями принадлежности, изменяются посредством процесса обучения. Вычисление этих параметров (или их корректировка) упрощено вектором градиента. Этот вектор градиента обеспечивает меру того, как хорошо нечеткая система вывода моделирует данные о вводе/выводе для данного набора параметров. Когда вектор градиента получен, любая из нескольких стандартных программ оптимизации может быть применена в порядке настроить параметры, чтобы уменьшать некоторую ошибочную меру. Эта ошибочная мера обычно задается суммой различия в квадрате между фактическими и желаемыми выходными параметрами. anfis использует или обратное распространение или комбинацию оценки методом наименьших квадратов и обратное распространение для оценки параметра функции принадлежности.
Подход моделирования, используемый anfis, подобен многим методам системы идентификации. Во-первых, вы выдвигаете гипотезу параметризованная образцовая структура (связывающий входные параметры с функциями принадлежности к правилам к выходным параметрам к функциям принадлежности, и так далее). Затем, вы собираете данные о вводе/выводе в форме, которая будет применима anfis для обучения. Можно затем использовать anfis, чтобы обучить образец для подражания FIS данные тренировки, представленные ему путем изменения параметров функции принадлежности согласно выбранному ошибочному критерию.
В целом этот тип моделирования работает хорошо, если данные тренировки, представленные anfis для обучения (оценивающего) параметры функции принадлежности, являются полностью представительными для функций данных, что обученный FIS предназначается к модели. В некоторых случаях однако данные собраны с помощью шумных измерений, и данные тренировки не могут быть представительными для всех функций данных, которые будут представлены модели. В таких ситуациях проверка допустимости модели полезна.
Проверка допустимости модели Используя Тестирование и Проверку Наборов данных. Проверка допустимости модели является процессом, которым входные векторы от наборов данных ввода/вывода, на который не был обучен FIS, представлены обученной модели FIS, чтобы видеть, как хорошо модель FIS предсказывает соответствующие выходные значения набора данных.
Одна проблема с проверкой допустимости модели для моделей, созданных с помощью адаптивных методов, выбирает набор данных, который является оба представительным для данных, которые обученная модель предназначается, чтобы эмулировать, все же достаточно отличный от обучающего набора данных, чтобы не представить тривиальный процесс валидации.
Если вы собрали большой объем данных, надо надеяться, эти данные содержат все необходимые представительные функции, таким образом, процесс выбора набора данных для проверки или тестирования целей сделан легче. Однако, если вы ожидаете представлять шумные измерения своей модели, возможно, что обучающий набор данных не включает все представительные функции, которые вы хотите смоделировать.
Набор данных тестирования позволяет вам проверять возможность обобщения получившейся нечеткой системы вывода. Идея позади использования набора данных проверки для проверки допустимости модели состоит в том, что после определенного момента в обучении, модель начинает сверхсоответствовать обучающему набору данных. В принципе образцовая ошибка для набора данных проверки имеет тенденцию уменьшаться, когда обучение происходит до такой степени, что сверхподбор кривой начинается, и затем образцовая ошибка для данных о проверке внезапно увеличивается. Сверхподбор кривой составляется путем тестирования FIS, обученного на данных тренировки против данных о проверке и выборе параметров функции принадлежности, чтобы быть сопоставленными с минимальной ошибкой проверки, если эти ошибки указывают на образцовый сверхподбор кривой.
Обычно, эти обучение и проверяющий наборы данных собрано на основе наблюдений за целевой системой и затем хранится в отдельных файлах.
В первом примере два подобных набора данных используются для проверки и обучения, но набор данных проверки повреждается небольшим количеством шума. Этот пример иллюстрирует использования Neuro-Fuzzy Designer с проверкой данных, чтобы уменьшать эффект образцового сверхподбора кривой. Во втором примере обучающий набор данных, который представлен anfis, достаточно отличается, чем прикладной набор данных проверки. Путем исследования ошибочной последовательности проверки за период подготовки ясно, что набор данных проверки не хорош для целей проверки допустимости модели. Этот пример иллюстрирует использование Neuro-Fuzzy Designer, чтобы сравнить наборы данных.
[1] Jang, J.-S. R. "Нечеткое Моделирование Используя Обобщенные Нейронные сети и Алгоритм Фильтра Калмана", Proc. Девятой Национальной Конференции по Искусственному интеллекту (AAAI-91), стр 762-767, июль 1991.
[2] Jang, J.-S. R. "ANFIS: "Адаптивная Сеть основывала" Нечеткие Системы Вывода", Транзакции IEEE в Системах, Человеке, и Кибернетике, Издании 23, № 3, стр 665-685, май 1993.
[3] Jang, J.-S. Randn. Дренажный колодец, "Усиление, планируя основывало нечеткое проектирование контроллера", Proc. Международной Объединенной Конференции североамериканского Нечеткого Общества Обработки информации Проходящая два раза в год Конференция, Промышленного Нечеткого Управления и Интеллектуальной Системной Конференции и Семинара по Технологии Соединения НАСА на Нейронных сетях и Нечеткой логике, Сан-Антонио, Техас, декабрь 1994.
[4] Jang, J.-S. R. и C.-T. Sun, "Нейронечеткое моделирование и управление", Продолжения IEEE, март 1995.
[5] Jang, J.-S. R. и C.-T. Sun, нейронечеткое и мягкое вычисление: вычислительный подход к изучению и искусственному интеллекту, Prentice Hall, 1997.
[6] Ван, L.-X., Адаптивные нечеткие системы и управление: проект и анализ устойчивости, Prentice Hall, 1994.
[7] Widrow, B. и Д. Стернз, адаптивная обработка сигналов, Prentice Hall, 1985.
