Главная | Обратная связь

Нечеткие нейронные сети.

Лабораторная работа №2.

 

Цель: моделирование нечеткого вывода с использованием нейронной сети.

Синтез нечетких моделей с помощью системы нейро-нечеткого вывода ANFIS в

среде MatLab.

 

Алгоритм настройки нечетких нейронных сетей рассмотрим на примере системы, включающей следующие правила (аналог алгоритма Sugeno):

П1: если х есть А1, тогда z есть B1,

П2: если х есть А2, тогда z есть B2,

………………………………

ПN: если х есть АN, тогда z есть BN,

при этом предполагается, что нечеткие понятия Аi имеют сигмоидные функции

характеризующиеся параметрами ai и bi.

 

Степени истинности правил определяются в данном случае соотношением

Функции Bi– заданы прямыми

а выход системы - выражением

.

 

 

Задание для выполнения:

1) Используя эталонную нейро-нечеткую сеть из двух правил, описанную в

теоретической части,
П1: если х есть А1, тогда z есть B1,
П2: если х есть А2, тогда z есть B2,
получить обучающую выборку: множество значений в диапазоне [-100..100], где x – значение входной переменной, а e – четкое значение выхода нечеткой системы.

Неизвестные параметры сигмоидных функции A1 и A2, а так же линейных функции B1 и B2 взять из варианта задания.

 

2) Используя сформированную выборку в модуле ANFIS системы MatLab (см. файл anfis_forms.doc) выполнить построение и обучение (т.е. настройку параметров ai, bi, ci и ki) нечеткой нейронной сети, рассмотренной в теоретической части. Функции принадлежности для входных и выходной переменных подобрать самостоятельно. Установить оптимальный метод обучения ( backpropa или hybrid ).

Привести график промежуточных результатов обучения, а также информацию

о числе эпох и значении ошибки в форме:

3) Протестировать нечеткую нейронную сеть. Сверить результаты работы обученной нейронной сети с исходными данными (из пункта 1).

 

4) Кроме того, для просмотра результатов работы системы воспользоваться графическими возможностями пакета Fuzzy Logic Toolbox: модуль Rule Viewer и модуль Surface Viewer .

 

5) Увеличить количество правил в исходной нейронной сети и повторить пункты 2-4.

 

Вариант:

№	Сигмоидная функция Ai	Линейная функция Bi
	a1=12; a2=-20 b1=-0.03; b2=0.06	c1=0.02; c2=-0.02 k1=0.5; k2=0.5

Выполнение работы:

x	Z0	x	Z0	x	Z0
-100	2,3665036402	-32	0,8375368914		0,8094256986
-98	2,3214893563	-30	0,7965957645		0,8523355042
-96	2,2763640967	-28	0,7564356156		0,8961757531
-94	2,2311322081	-26	0,7171864569		0,9408382661
-92	2,1857987533	-24	0,6790007779		0,9862246578
-90	2,1403695434	-22	0,6420551093		1,0322453691
-88	2,0948511678	-20	0,6065506423		1,0788187753
-86	2,0492510189	-18	0,5727125439		1,1258703806
-84	2,0035773128	-16	0,5407876328		1,1733321052
-82	1,9578391043	-14	0,5110401580		1,2211416605
-80	1,9120462953	-12	0,4837455653		1,2692420076
-78	1,8662096370	-10	0,4591823424		1,3175808892
-76	1,8203407243	-8	0,4376222815		1,3661104257
-74	1,7744519839	-6	0,4193197537		1,4147867660
-72	1,7285566545	-4	0,4045008063		1,4635697842
-70	1,6826687626	-2	0,3933530225		1,5124228140
-68	1,6368030929		0,3860170822		1,5613124130
-66	1,5909751586		0,3825808221		1,6102081527
-64	1,5452011731		0,3830763247		1,6590824268
-62	1,4994980313		0,3874802196		1,7079102765
-60	1,4538833050		0,3957170124		1,7566692268
-58	1,4083752650		0,4076649464		1,8053391342
-56	1,3629929401		0,4231636791		1,8539020414
-54	1,3177562295		0,4420229667		1,9023420391
-52	1,2726860872		0,4640315720		1,9506451346
-50	1,2278048015		0,4889657303		1,9987991238
-48	1,1831363945		0,5165966832		2,0467934698
-46	1,1387071732		0,5466969790		2,0946191847
-44	1,0945464617		0,5790454181		2,1422687171
-42	1,0506875506		0,6134306642		2,1897358427
-40	1,0071688929		0,6496536431		2,2370155606
-38	0,9640355734		0,6875289106		2,2841039932
-36	0,9213410682		0,7268851962		2,3309982917
-34	0,8791492897		0,7675653244

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Вывод: смоделирован нечеткий вывод с использованием нейронной сети.

А также синтез нечетких моделей с помощью системы нейро-нечеткого вывода ANFIS в среде MatLab.