自适应神经网络ANFIS设计

自适应神经网络(ANFIS)设计

5/29/2004

自适应神经网络模糊推理系统(ANFIS)

(Adaptive Network-based Fuzzy Inference System)

第一篇

体会函数anfis函数中参数的含义.

x=(0:0.1:10); %定义自变量x

y=sin(2*x)./exp(x/5); %定义因变量y

trnData=[x' y']; %训练学习的输入输出数据距阵

numMFs=5; %5条隶属度函数

mfType='gaussmf'; %采用高斯型隶属度函数,可以选择其他的形式来进行比较

epoch_n=2000; %训练的次数为2000次

in_fismat=genfis1(trnData,numMFs,mfType); %无冗余的系统

out_fismat=anfis(trnData,in_fismat,epoch_n); %训练输出

plot(x,y,'o',x,evalfis(x',out_fismat),'k'); %画图

legend('Training Data','ANFIS Output'); %显示原始数据和训练输出数据

训练图形

第二篇

在这个例子中,不但提供了训练数据,而且提供了效验数据,两种数据在输入空间均匀采样. 注：tic toc用来计算时间

numpts=51;%数据点个数为51

x1=linspace(-1,1,numpts)';

y=sin(pi*x1)+0.8*sin(3*pi*x1)+0.2*sin(5*pi*x1);

data=[x1 y]; %整个数据集

trndata=data(1:2:numpts,:); %训练数据集

chkdata=data(2:2:numpts,:); %检验数据集

figure(1)

plot(trndata(:,1),trndata(:,2),'o',chkdata(:,1),chkdata(:,2),'kx') %绘制训练数据集和检验数据集的分布曲线

legend('训练数据集','检验数据集');

%建立用于模糊建模的Sugeno型模糊推理系统

%采用genfis1函数直接由训练数据生成模糊推理系统

nummfs=5;%隶属度函数个数

mftypes='gaussmf';%隶属度函数类型

fismat=genfis1(trndata,nummfs,mftypes);

%绘制模糊推理系统的初始隶属度函数

[x,mf]=plotmf(fismat,'input',1);

figure(2)

plot(x,mf)

title('初始隶属度函数')

附图

训练数据和检验数据ANFIS的初始隶属度函数

numepochs=40;%训练次数

[fismat1,trnerr,ss,fismat2,chkerr]=anfis(trndata,fismat,numepochs,nan,chkdata);

%计算训练后神经网络模糊系统的输出与训练数据的均方根误差

trnout=evalfis(trndata(:,1),fismat1);

trnRMSE=norm(trnout-trndata(:,2))/sqrt(length(trnout));

%绘制训练过程中均方根误差的变化情况

epoch=1:numepochs;

figure(3)

plot(epoch,trnerr,'o',epoch,chkerr,'kx')

训练过程中均方根误差的变化曲线

%绘制训练过程中的最小二乘误差变化情况，如果训练数据和核对数据的误差同时减小，模型才是有效的。

legend('训练数据误差','效验数据误差')

hold on;plot(epoch,[trnerr chkerr]);hold off

%绘制训练过程中步长的变化情况

figure(4)

plot(epoch,ss,'-',epoch,ss,'ko')

xlabel('epochs'),ylabel('ss'),title('Step Sizes')

%下面绘制训练后模糊推理系统的隶属度函数曲线

[x,mf]=plotmf(fismat1,'input',1);

figure(5)

plot(x,mf)

title('训练后的隶属度函数');

训练步长变化曲线

训练后模糊推理系统的隶属度函数