Настройте нечеткую систему вывода или дерево нечетких систем вывода
fisout = tunefis(fisin,paramset,custcostfcn)custcostfcn.
fisout = tunefis(___,options)options созданное использование tunefisOptions.
Создайте начальную нечеткую систему 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 входных параметров, выходные параметры и правила нечеткой системы вывода.
[in,out,rule] = getTunableSettings(fisin);
Настройте параметры функции принадлежности с "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 нечеткую систему 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 входных параметров, выходные параметры и правила нечеткой системы вывода.
[in,out,rule] = getTunableSettings(fisin);
Настройте параметр правила только. 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 нечеткую систему 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 входных параметров, выходные параметры и правила нечеткой системы вывода.
[in,out,rule] = getTunableSettings(fisin);
Можно настроиться с пользовательскими установками параметров с помощью setTunable или запись через точку.
Не настраивайте вход 1.
in(1) = setTunable(in(1),false);
Для выхода 1:
не настраивайте функции принадлежности 1 и 2,
не настраивайте функцию принадлежности 3,
установите минимальную область значений параметра функции принадлежности 4 к-2,
и набор максимальная область значений параметра от функции принадлежности 5 до 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 настроек правила,
не настраивайте правила 1 и 2,
установите антецедент правила 3 к ненастраиваемому,
позвольте НЕ логику в антецеденте правила 4,
и не игнорируйте выходные параметры 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;
Определите максимальный номер итераций к 20 и настройте нечеткую систему 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.
Предотвратить сверхподбор кривой вашего настроенного FIS к вашим обучающим данным с помощью перекрестной проверки k-сгиба.
Загрузите обучающие данные. Этот обучающий набор данных имеет вход того и один выход.
load fuzex1trnData.datСоздайте нечеткую систему 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')Сконфигурируйте опции для настройки FIS. Используйте настраивающий метод значения по умолчанию, имеющий до 30 итерации.
tuningOpt = tunefisOptions; tuningOpt.MethodOptions.MaxGenerations = 30;
Сконфигурируйте следующие опции для использования перекрестной проверки k-сгиба.
Используйте значение k-сгиба 3.
Вычислите скользящее среднее значение стоимости валидации с помощью окна длины 2.
Остановите каждую итерацию учебной валидации, когда средняя стоимость на 5% будет больше текущей минимальной стоимости.
tuningOpt.KFoldValue = 3; tuningOpt.ValidationWindowSize = 2; tuningOpt.ValidationTolerance = 0.05;
Получите настройки для настройки параметров функции принадлежности FIS.
[in,out] = getTunableSettings(fis);
Настройте FIS.
[outputFIS,info] = tunefis(fis,[in;out],inputData,outputData,tuningOpt);
Single objective optimization:
16 Variable(s)
Options:
CreationFcn: @gacreationuniform
CrossoverFcn: @crossoverscattered
SelectionFcn: @selectionstochunif
MutationFcn: @mutationadaptfeasible
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
Single objective optimization:
16 Variable(s)
Options:
CreationFcn: @gacreationuniform
CrossoverFcn: @crossoverscattered
SelectionFcn: @selectionstochunif
MutationFcn: @mutationadaptfeasible
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
Single objective optimization:
16 Variable(s)
Options:
CreationFcn: @gacreationuniform
CrossoverFcn: @crossoverscattered
SelectionFcn: @selectionstochunif
MutationFcn: @mutationadaptfeasible
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 учебных входных значений.
outputTuned = evalfis(outputFIS,inputData);
Постройте выход настроенного FIS наряду с ожидаемым учебным выходом.
plot([outputData,outputTuned]) legend("Expected Output","Tuned Output","Location","southeast") xlabel("Data Index") ylabel("Output value")
