Загрузите обучающие данные. Эти данные имеют один вход и один выход.

load fuzex1trnData.dat

Сгенерируйте и обучите нечеткую систему вывода. По умолчанию структура FIS создается с помощью раздела сетки области значений входной переменной с двумя функциями принадлежности.

fis = anfis(fuzex1trnData);

ANFIS info: 
	Number of nodes: 12
	Number of linear parameters: 4
	Number of nonlinear parameters: 6
	Total number of parameters: 10
	Number of training data pairs: 25
	Number of checking data pairs: 0
	Number of fuzzy rules: 2


Start training ANFIS ...

   1 	 0.229709
   2 	 0.22896
   3 	 0.228265
   4 	 0.227624
   5 	 0.227036
Step size increases to 0.011000 after epoch 5.
   6 	 0.2265
   7 	 0.225968
   8 	 0.225488
   9 	 0.225052
Step size increases to 0.012100 after epoch 9.
  10 	 0.22465

Designated epoch number reached --> ANFIS training completed at epoch 10.

Minimal training RMSE = 0.224650

Постройте ANFIS выходные и обучающие данные.

x = fuzex1trnData(:,1);
anfisOutput = evalfis(fis,x);
plot(x,fuzex1trnData(:,2),'*r',x,anfisOutput,'.b')
legend('Training Data','ANFIS Output','Location','NorthWest')

Данные ANFIS не совпадают с обучающими данными хорошо. Улучшить соответствие:

opt = anfisOptions('InitialFIS',4,'EpochNumber',40);

Подавите ошибку и отображение Командного окна размера шага.

opt.DisplayErrorValues = 0;
opt.DisplayStepSize = 0;

Обучите FIS.

fis = anfis(fuzex1trnData,opt);

ANFIS info: 
	Number of nodes: 20
	Number of linear parameters: 8
	Number of nonlinear parameters: 12
	Total number of parameters: 20
	Number of training data pairs: 25
	Number of checking data pairs: 0
	Number of fuzzy rules: 4

Minimal training RMSE = 0.083385

Постройте ANFIS выходные и обучающие данные.

figure
anfisOutput = evalfis(fis,x);
plot(x,fuzex1trnData(:,2),'*r',x,anfisOutput,'.b')
legend('Training Data','ANFIS Output','Location','NorthWest')

Соответствие между обучающими данными и ANFIS выход улучшилось.

Создайте одно вход, обучающие данные одно выхода.

x = (0:0.1:10)';
y = sin(2*x)./exp(x/5);

Задайте начальную структуру FIS с пятью функциями принадлежности входа Gaussian.

genOpt = genfisOptions('GridPartition');
genOpt.NumMembershipFunctions = 5;
genOpt.InputMembershipFunctionType = 'gaussmf';
inFIS = genfis(x,y,genOpt);

Сконфигурируйте опции обучения ANFIS. Установите начальный FIS и подавите отображение процесса обучения.

opt = anfisOptions('InitialFIS',inFIS);
opt.DisplayANFISInformation = 0;
opt.DisplayErrorValues = 0;
opt.DisplayStepSize = 0;
opt.DisplayFinalResults = 0;

Обучите FIS использование заданных опций.

outFIS = anfis([x y],opt);

Сравните ANFIS выход с обучающими данными.

plot(x,y,x,evalfis(outFIS,x))
legend('Training Data','ANFIS Output')

Загрузите обучающие данные. Эти данные имеют один вход и один выход.

load fuzex2trnData.dat

Задайте опции обучения.

opt = anfisOptions('InitialFIS',4,'EpochNumber',40);
opt.DisplayANFISInformation = 0;
opt.DisplayErrorValues = 0;
opt.DisplayStepSize = 0;
opt.DisplayFinalResults = 0;

Обучите FIS и возвратите учебную ошибку.

[fis,trainError] = anfis(fuzex2trnData,opt);

trainError содержит среднеквадратическую ошибку для обучающих данных в каждую учебную эпоху. Учебная ошибка для fis минимальное значение в trainError.

fisRMSE = min(trainError)

fisRMSE = 0.2572

Создайте одно вход, обучающие данные одно выхода.

x = (0:0.1:10)';
y = sin(2*x)./exp(x/5);

Сконфигурируйте опции обучения ANFIS. Установите начальный FIS и подавите отображение процесса обучения.

opt = anfisOptions('InitialFIS',4,'EpochNumber',60);
opt.DisplayANFISInformation = 0;
opt.DisplayErrorValues = 0;
opt.DisplayStepSize = 0;
opt.DisplayFinalResults = 0;

Больший уровень увеличения размера шага может заставить обучение сходиться быстрее. Однако увеличение уровня увеличения размера шага слишком много может привести к плохой сходимости. В данном примере попытайтесь удвоить уровень увеличения размера шага.

opt.StepSizeIncreaseRate = 2*opt.StepSizeIncreaseRate;

Обучите FIS и возвратите массив размера шага.

[fis,~,stepSize] = anfis([x y],opt);

Постройте профиль размера шага. Оптимальный профиль размера шага должен увеличиться первоначально, достигнуть максимума, и затем уменьшиться для остальной части обучения.

figure
plot(stepSize)

Загрузите обучающие данные.

load fuzex1trnData.dat

Загрузите данные о валидации.

load fuzex1chkData.dat

Задайте следующие опции обучения:

opt = anfisOptions('InitialFIS',4,'EpochNumber',30);
opt.DisplayANFISInformation = 0;
opt.DisplayErrorValues = 0;
opt.DisplayStepSize = 0;
opt.DisplayFinalResults = 0;

Добавьте данные о валидации в опции обучения.

opt.ValidationData = fuzex1chkData;

Обучите FIS и возвратите результаты валидации.

[fis,trainError,stepSize,chkFIS,chkError] = anfis(fuzex1trnData,opt);

Учебная ошибка, trainError, и ошибка валидации, chkError, массивы каждый содержит одно ошибочное значение в учебную эпоху. Постройте учебную ошибку и ошибку валидации.

x = [1:30];
plot(x,trainError,'.b',x,chkError,'*r')

Минимальная ошибка валидации происходит в эпоху 17. Увеличение ошибки валидации после этой точки указывает на сверхподбор кривой параметров модели к обучающим данным. Поэтому настроенный FIS в эпоху 17, chkFIS, показывает лучшую производительность обобщения.