Настройка нечетких систем вывода

Разработка комплексной нечеткой системы вывода (FIS) с большим количеством входных параметров и функций принадлежности (MFS) является сложной проблемой из-за большого количества параметров MF и правил. Чтобы спроектировать такой FIS, можно использовать управляемый данными подход, чтобы изучить правила и настроить параметры FIS. Чтобы настроить нечеткую систему, используйте tunefis функционируйте и сконфигурируйте настраивающий процесс с помощью a tunefisOptions объект.

Используя программное обеспечение Fuzzy Logic Toolbox™, можно настроить и тип 1 и тип 2 ФИСС, а также деревья FIS. Для примеров смотрите, Предсказывают Хаотические Временные ряды Используя Тип 2 FIS и Мелодию Дерево FIS для Предсказания Расхода бензина.

Во время обучения алгоритм оптимизации генерирует кандидата наборы параметров FIS. Нечеткая система обновляется с каждым набором параметров и затем оценила использование входных обучающих данных.

Если у вас есть обучающие данные ввода/вывода, стоимость для каждого решения вычисляется на основе различия между выходом нечеткой системы и ожидаемыми выходными значениями от обучающих данных. Для примера, который использует этот подход, смотрите Мелодию Mamdani Нечеткая Система Вывода.

The cost for a given parameter set is computed by comparing the output of the fuzzy system with the expected output from the training data.

Если у вас нет обучающих данных ввода/вывода, можно задать пользовательскую и функцию стоимости модели для оценки кандидата наборы параметров FIS. Функция измерения стоимости отправляет вход в нечеткую систему и получает оцененный выход. Стоимость основана на различии между оцененным выходом и выходом, ожидаемым моделью. Для получения дополнительной информации и пример, который использует этот подход, видит Мелодию Нечеткая Система Предотвращения Препятствия Робота Используя Пользовательскую Функцию стоимости.

A custom cost function computes the cost for a given parameter set by comparing the output of the fuzzy system with the output computed by a custom model.

Для получения дополнительной информации о настройке нечетких систем смотрите следующие примеры.

Настройка методов

Следующая таблица показывает настраивающие методы, поддержанные tunefis функция. Эти настраивающие методы находят оптимальные параметры FIS

Метод	Описание	Больше информации
Генетический алгоритм	Основанный на населении глобальный метод оптимизации, который ищет случайным образом мутацией и перекрестным соединением среди членов населения	Каков генетический алгоритм? (Global Optimization Toolbox)
Оптимизация роя частицы	Основанный на населении глобальный метод оптимизации, в который члены населения продвигаются в поисковой области	Что такое оптимизация роя частицы? (Global Optimization Toolbox)
Поиск шаблона	Прямой поисковый локальный метод оптимизации, который ищет набор точек около текущей точки, чтобы найти новый оптимум	Что такое прямой поиск? (Global Optimization Toolbox)
Симулированный отжиг	Локальный метод оптимизации, который симулирует нагревание и охлаждение процесса к этому, находит новую оптимальную точку около текущей точки	Что симулировано, отжигая? (Global Optimization Toolbox)
Адаптивный нейронечеткий вывод	Алгоритм обратного распространения, который настраивает параметры функции принадлежности. В качестве альтернативы можно использовать `anfis` функция.	Нейроадаптивное изучение и ANFIS

Первые четыре настраивающих метода требуют программного обеспечения Global Optimization Toolbox.

Глобальные методы оптимизации, такие как генетические алгоритмы и оптимизация роя частицы, выполняют лучше для больших диапазонов настройки параметра. Эти алгоритмы полезны и для изучающих правило и для настраивающих параметр этапов оптимизации FIS.

С другой стороны, методы локального поиска, такие как поиск шаблона и симулированный отжиг, выполняют лучше для маленьких областей значений параметра. Если FIS сгенерирован от использования обучающих данных genfis или основа правила уже добавляется к FIS, использующему обучающие данные, затем эти алгоритмы могут произвести более быструю сходимость по сравнению с глобальными методами оптимизации.

Предотвратите сверхподбор кривой настроенной системы

Сверхподбор кривой данных является типичной проблемой в оптимизации параметров управления FIS. Когда сверхподбор кривой происходит, настроенный FIS приводит к оптимизированным результатам для обучающего набора данных, но выполняет плохо для набора тестовых данных. Чтобы преодолеть данные сверхподходящая проблема, настраивающий процесс может остановиться рано на основе несмещенной оценки модели с помощью отдельного набора данных валидации.

При настройке использования tunefis функция, можно предотвратить сверхподбор кривой с помощью перекрестной проверки k-сгиба. Чтобы предотвратить Для получения дополнительной информации и пример, смотрите, Оптимизируют Параметры FIS с Перекрестной проверкой k-сгиба.

Улучшите настраивающиеся результаты

Чтобы улучшать производительность ваших настроенных нечетких систем, рассмотрите следующие инструкции.

Используйте несколько фаз в своем настраивающем процессе. Например, сначала изучите правила нечеткой системы, и затем настройте параметры MF ввода/вывода с помощью изученной основы правила.
Увеличьте число итераций и в изучающих правило и в настраивающих параметр фазах. Выполнение так увеличивает длительность процесса оптимизации и может также увеличить ошибку валидации из-за сверхнастроенных системных параметров с обучающими данными. Чтобы постараться не сверхсоответствовать, обучите свою систему с помощью перекрестной проверки k-сгиба.
Измените кластеризирующийся метод, используемый genfis. В зависимости от кластеризирующегося метода сгенерированные правила могут отличаться по своему представлению обучающих данных. Следовательно, использование различных методов кластеризации может влиять на эффективность tunefis.
Свойства Change FIS. Попытайтесь изменить свойства, такие как тип FIS, количество входных параметров, количество MFS ввода/вывода, типов MF и количества правил. Система Sugeno имеет меньше параметров выхода MF (принимающий постоянный MFS) и более быстрая дефаззификация. Поэтому для нечетких систем с большим количеством входных параметров, Sugeno FIS обычно сходится быстрее, чем Mamdani FIS. Небольшие числа MFS и правил сокращают количество параметров, чтобы настроиться, производя более быстрый настраивающий процесс. Кроме того, большое количество правил может сверхсоответствовать обучающим данным.
Измените настройки настраиваемого параметра для MFS и правил. Например, можно настроить поддержку треугольного MF, не изменяя его пиковое местоположение. Выполнение так сокращает количество настраиваемых параметров и может произвести более быстрый настраивающий процесс для определенных приложений. Для правил можно исключить нулевые индексы MF путем установки AllowEmpty настраиваемая установка на ложь, которая сокращает общее количество правил во время фазы изучения.

Чтобы улучшить настраивающиеся результаты для нечетких деревьев, рассмотрите следующие инструкции.

Можно отдельно настроить параметры каждого FIS в дереве FIS. Можно затем настроить все нечеткие системы вместе, чтобы обобщить значения параметров.
Измените древовидные свойства FIS, такие как количество нечетких систем и связей между нечеткими системами.
Используйте различные рейтинги и группировки входных параметров к дереву FIS. Для получения дополнительной информации о создании деревьев FIS, смотрите Нечеткие Деревья.

Документация