Настройка системы нечеткого вывода или дерева систем нечеткого вывода
fisout = tunefis(fisin,paramset,custcostfcn)custcostfcn.
fisout = tunefis(___,options)options созданный с использованием tunefisOptions.
Создайте начальную систему нечеткого вывода с помощью genfis.
x = (0:0.1:10)';
y = sin(2*x)./exp(x/5);
options = genfisOptions('GridPartition');
options.NumMembershipFunctions = 5;
fisin = genfis(x,y,options);Получите настраиваемые настройки входов, выходов и правил системы нечеткого вывода.
[in,out,rule] = getTunableSettings(fisin);
Настройте параметры функции принадлежности с помощью "anfis".
fisout = tunefis(fisin,[in;out],x,y,tunefisOptions("Method","anfis"));
ANFIS info: Number of nodes: 24 Number of linear parameters: 10 Number of nonlinear parameters: 15 Total number of parameters: 25 Number of training data pairs: 101 Number of checking data pairs: 0 Number of fuzzy rules: 5 Start training ANFIS ... 1 0.0694086 2 0.0680259 3 0.066663 4 0.0653198 Step size increases to 0.011000 after epoch 5. 5 0.0639961 6 0.0626917 7 0.0612787 8 0.0598881 Step size increases to 0.012100 after epoch 9. 9 0.0585193 10 0.0571712 Designated epoch number reached. ANFIS training completed at epoch 10. Minimal training RMSE = 0.0571712
Создайте начальную систему нечеткого вывода с помощью genfis.
x = (0:0.1:10)';
y = sin(2*x)./exp(x/5);
options = genfisOptions('GridPartition');
options.NumMembershipFunctions = 5;
fisin = genfis(x,y,options); Получите настраиваемые настройки входов, выходов и правил системы нечеткого вывода.
[in,out,rule] = getTunableSettings(fisin);
Настройте только параметр правила. В этом примере используется метод поиска шаблона.
fisout = tunefis(fisin,rule,x,y,tunefisOptions("Method","patternsearch"));
Iter Func-count f(x) MeshSize Method
0 1 0.346649 1
1 19 0.346649 0.5 Refine Mesh
2 37 0.346649 0.25 Refine Mesh
3 55 0.346649 0.125 Refine Mesh
4 73 0.346649 0.0625 Refine Mesh
5 91 0.346649 0.03125 Refine Mesh
6 109 0.346649 0.01562 Refine Mesh
7 127 0.346649 0.007812 Refine Mesh
8 145 0.346649 0.003906 Refine Mesh
9 163 0.346649 0.001953 Refine Mesh
10 181 0.346649 0.0009766 Refine Mesh
11 199 0.346649 0.0004883 Refine Mesh
12 217 0.346649 0.0002441 Refine Mesh
13 235 0.346649 0.0001221 Refine Mesh
14 253 0.346649 6.104e-05 Refine Mesh
15 271 0.346649 3.052e-05 Refine Mesh
16 289 0.346649 1.526e-05 Refine Mesh
17 307 0.346649 7.629e-06 Refine Mesh
18 325 0.346649 3.815e-06 Refine Mesh
19 343 0.346649 1.907e-06 Refine Mesh
20 361 0.346649 9.537e-07 Refine Mesh
Optimization terminated: mesh size less than options.MeshTolerance.
Создайте начальную систему нечеткого вывода с помощью genfis.
x = (0:0.1:10)';
y = sin(2*x)./exp(x/5);
options = genfisOptions('GridPartition');
options.NumMembershipFunctions = 5;
fisin = genfis(x,y,options);Получите настраиваемые настройки входов, выходов и правил системы нечеткого вывода.
[in,out,rule] = getTunableSettings(fisin);
Вы можете настроить с пользовательскими настройками параметра, используя setTunable или запись через точку.
Не настраивайте вход 1.
in(1) = setTunable(in(1),false);
Для выхода 1:
не настраивать функции членства 1 и 2,
не настраивать функцию членства 3,
установите минимальную область значений параметров функции членства 4 в -2,
и установите максимальную область значений параметров функции членства 5 равным 2.
out(1).MembershipFunctions(1:2) = setTunable(out(1).MembershipFunctions(1:2),false); out(1).MembershipFunctions(3).Parameters.Free = false; out(1).MembershipFunctions(4).Parameters.Minimum = -2; out(1).MembershipFunctions(5).Parameters.Maximum = 2;
Для параметров правила,
не настраивать правила 1 и 2,
установите предшествующее значение правила 3 на нерегулируемое,
разрешить НЕ логику в предшествующем элементе правила 4,
и не игнорируйте никаких выходов в правиле 3.
rule(1:2) = setTunable(rule(1:2),false); rule(3).Antecedent.Free = false; rule(4).Antecedent.AllowNot = true; rule(3).Consequent.AllowEmpty = false;
Установите максимальное количество итераций равное 20 и настройте систему нечеткого вывода.
opt = tunefisOptions("Method","particleswarm"); opt.MethodOptions.MaxIterations = 20; fisout = tunefis(fisin,[in;out;rule],x,y,opt);
Best Mean Stall
Iteration f-count f(x) f(x) Iterations
0 90 0.3265 1.857 0
1 180 0.3265 4.172 0
2 270 0.3265 3.065 1
3 360 0.3265 3.839 2
4 450 0.3265 3.386 3
5 540 0.3265 3.249 4
6 630 0.3265 3.311 5
7 720 0.3265 2.901 6
8 810 0.3265 2.868 7
9 900 0.3181 2.71 0
10 990 0.3181 2.068 1
11 1080 0.3181 2.692 2
12 1170 0.3165 2.146 0
13 1260 0.3165 1.869 1
14 1350 0.3165 2.364 2
15 1440 0.3165 2.07 0
16 1530 0.3164 1.678 0
17 1620 0.2978 1.592 0
18 1710 0.2977 1.847 0
19 1800 0.2954 1.666 0
20 1890 0.2947 1.608 0
Optimization ended: number of iterations exceeded OPTIONS.MaxIterations.
Чтобы предотвратить сверхподбор кривой настроенного FIS к обучающим данным с помощью перекрестной валидации k-fold.
Загрузите обучающие данные. Этот обучающий набор обучающих данных имеет один вход и один выход.
load fuzex1trnData.datСоздайте систему нечеткого вывода для обучающих данных.
opt = genfisOptions('GridPartition'); opt.NumMembershipFunctions = 4; opt.InputMembershipFunctionType = "gaussmf"; inputData = fuzex1trnData(:,1); outputData = fuzex1trnData(:,2); fis = genfis(inputData,outputData,opt);
Для воспроизводимости установите начальное значение генератора случайных чисел.
rng('default')Настройте опции настройки FIS. Используйте метод настройки по умолчанию с максимальным 30 итераций.
tuningOpt = tunefisOptions; tuningOpt.MethodOptions.MaxGenerations = 30;
Сконфигурируйте следующие опции для использования k-fold cross валидации.
Используйте k-кратное значение 3.
Вычислите скользящее среднее значение стоимости валидации с помощью окна длины 2.
Остановите каждую итерацию проверки обучения, если средняя стоимость на 5% превышает текущую минимальную стоимость.
tuningOpt.KFoldValue = 3; tuningOpt.ValidationWindowSize = 2; tuningOpt.ValidationTolerance = 0.05;
Получите настройки настройки параметров функции принадлежности FIS.
[in,out] = getTunableSettings(fis);
Настройка FIS.
[outputFIS,info] = tunefis(fis,[in;out],inputData,outputData,tuningOpt);
Best Mean Stall
Generation Func-count f(x) f(x) Generations
1 400 0.2421 0.5109 0
2 590 0.2292 0.4688 0
3 780 0.2292 0.4443 1
4 970 0.2256 0.4145 0
5 1160 0.2165 0.3957 0
6 1350 0.2165 0.3835 1
7 1540 0.2077 0.3548 0
8 1730 0.2077 0.3435 1
9 1920 0.2012 0.3414 0
10 2110 0.1857 0.316 0
Optimization terminated: validation tolerance exceeded.
Cross validation iteration 1: Minimum validation cost 0.294718 found at training cost 0.207704
Best Mean Stall
Generation Func-count f(x) f(x) Generations
1 400 0.2089 0.3924 0
2 590 0.2059 0.3655 0
Optimization terminated: validation tolerance exceeded.
Cross validation iteration 2: Minimum validation cost 0.306682 found at training cost 0.220498
Best Mean Stall
Generation Func-count f(x) f(x) Generations
1 400 0.2489 0.3936 0
2 590 0.2438 0.3837 0
3 780 0.2438 0.3779 1
4 970 0.2067 0.3476 0
Optimization terminated: validation tolerance exceeded.
Cross validation iteration 3: Minimum validation cost 0.220104 found at training cost 0.255407
Оцените FIS для каждого из входных значений обучения.
outputTuned = evalfis(outputFIS,inputData);
Постройте график вывода настроенного FIS вместе с ожидаемым выходом обучения.
plot([outputData,outputTuned]) legend("Expected Output","Tuned Output","Location","southeast") xlabel("Data Index") ylabel("Output value")
