Обучите адаптивные нейронечеткие системы вывода
Этот пример показывает, как создать, обучить, и протестировать Sugeno-тип нечеткие системы с помощью Neuro-Fuzzy Designer.
Чтобы запустить приложение, введите следующую команду в подсказке MATLAB®:
neuroFuzzyDesigner
Neuro-Fuzzy Designer включает четыре отличных области, чтобы поддержать типичный рабочий процесс. Приложение позволяет вам выполнить следующие задачи:
Доступ к онлайновым темам справки путем нажатия на Help в Neuro-Fuzzy Designer.
Загрузка, строя и очищая данные
Чтобы обучить FIS, необходимо начать путем загрузки набора данных Training , который содержит желаемые данные о вводе/выводе системы, которая будет смоделирована. Любой набор данных, который вы загружаете, должен быть массивом с данными, расположенными как вектор-столбцы и выходные данные в последнем столбце.
Можно также загрузить Testing и данные Checking в разработчике. Для получения дополнительной информации о тестировании и проверке наборов данных, смотрите, что Проверка допустимости модели Использует Тестирование и Проверку Наборов данных.
Загружать набор данных с помощью фрагмента Load data разработчика:
Задайте данные Type.
Выберите данные из file или worksp MATLAB.
Нажмите Load Data.
После того, как вы загрузите данные, они отображаются в графике. Обучение, тестируя и проверяя данные аннотируется в синем как круги, ромбы и плюсы соответственно.
Очистить определенный набор данных от разработчика:
В области Load data выберите данные Type.
Нажмите Clear Data.
Это действие также удаляет соответствующие данные из графика.
Генерация или загрузка начальной структуры FIS
Прежде чем вы запустите обучение FIS, необходимо задать начальную структуру модели FIS. Чтобы задать образцовую структуру, выполните одну из следующих задач:
Загрузите ранее сохраненный Sugeno-тип структура FIS из файла или рабочего пространства MATLAB.
Сгенерируйте первоначальную модель FIS путем выбора одного из следующих методов разделения:
Grid partition — Генерирует Sugeno-тип одно вывода FIS при помощи разделения сетки на данных.
Sub. clustering — Генерирует первоначальную модель для обучения ANFIS первой применяющейся отнимающей кластеризацией на данных.
Чтобы просмотреть графическое представление начальной структуры модели FIS, нажмите Structure.
Обучение FIS
После загрузки данных тренировки и генерации начальной структуры FIS, можно запустить обучение FIS.
Совет
Если вы хотите сохранить учебную ошибку, сгенерированную во время обучения ANFIS к рабочему пространству MATLAB, смотрите, Сохраняют Учебные Ошибочные Данные к рабочему пространству MATLAB.
Следующие шаги показывают вам, как обучить FIS.
В Optim. Method выберите hybrid или backpropaga как метод оптимизации.
Методы оптимизации обучают параметры функции принадлежности эмулировать данные тренировки.
Примечание
Метод оптимизации hybrid является комбинацией наименьших квадратов и метода спуска градиента обратной связи.
Введите номер учебного Epochs и учебного Error Tolerance, чтобы установить критерий остановки для обучения.
Учебный процесс останавливается каждый раз, когда максимальный номер эпохи достигнут, или учебная ошибочная цель достигается.
Нажмите Train Now, чтобы обучить FIS.
Это действие настраивает параметры функции принадлежности и отображает диаграммы погрешностей.
Исследуйте диаграммы погрешностей, чтобы определить сверхподбор кривой во время обучения. Если вы замечаете ошибку проверки, увеличивающуюся по итерациям, она указывает на образцовый сверхподбор кривой. Для примеров на образцовом сверхподборе кривой смотрите, что Данные о Проверке Помогают Данным о Проверке допустимости модели и Проверке, Не Подтверждает Модель.
Проверка обученного FIS
После того, как FIS обучен, подтвердите модель с помощью Testing или данных Checking, которые отличаются от того, который вы раньше обучали FIS. Подтверждать обученный FIS:
Выберите набор данных валидации и нажмите Load Data.
Нажмите Test Now.
Это действие строит тестовые данные против FIS вывод (отображенный красным) в графике.
Для получения дополнительной информации об использовании тестирования данных и проверки данных для проверки допустимости модели, смотрите, что Проверка допустимости модели Использует Тестирование и Проверку Наборов данных.