模糊神经网络.ppt

*T-S型模糊推理具有计算简单，利于数学分析的优点，易于与优化、自适应方法结合，是基于样本的模糊建模中最常选用的方法。*1974年，S.C.Lee以和E.T.Lee在Cybernetics杂志上发表了“”Fuzzysetsandneuralnetworks”一文，首次把模糊集和神经网络联系在一起；*算术模糊神经网络是可以对输入模糊信号执行模糊算术运算，并含有模糊权系数的神经网络。通常，算术模糊神经网络也称为常规模糊神经网络，或称标推模糊神经网络。常规模糊神经网络一般简称为RFNN(RegularFuzzyNeuralNet)或称为FNN(FuzzyNeuralNet)。在一般情况下，都把常规模糊神经网络简称为FNN。常规模糊神经网络有三种基本类型，并分别用FNN1，FNN2，FNN3表示。这三种类型的意义如下：1．FNN1是含有模糊权系数，而输入信号为实数的网络。2．FNN2是含有实数权系数，而输入信号为模糊数的网络。3．FNN3是含有模糊权系数，而输入信号为模糊数的网络。常规模糊神经网络最典型的结构是FNN3型结构。*此系统有两个输入x1和x2，一个输出y。*将输入变量X1划分为m个模糊度(即模糊集合Ai，当i=1,2,…,m时)，输入变量X2划分为n个模糊度(即模糊集合Bi，当i=m+1,m+2,…,m+n时)，每个节点的激活函数分别为输入变量Xi的各个模糊度的隶属度函数(即μAi（x），当i=1,2,…,m时)，其输出分别为输入变量Xi的各个模糊度的隶属度函数值，是[0,1]之间的值。共m+n个神经元。*该层与第二层的连接不为全互连，每个节点只与第二层中前m个节点中的一个和后n个节点中的一个相连，即每个节点的连接与ifx1=A1andx2=A2then。。。，所以该层共有m×n个节点，也就是有m×n条规则。*每个节点分别为输出变量的一个模糊度划分（即模糊集合），其输出分别是输出变量的各个模糊度的隶属度函数值。每个节点代表一个可能的模糊规则的then部分，它们所完成的操作是把具有相同后件的模糊规则组合起来，即每个节点内实现最大化，即将后件为输出变量的同一个模糊集合的各个规则前件与其连接权值乘积的最大值作为输出变量的该模糊集合的隶属度函数值。*Thedefaultnumberofmembershipfunctions,numMFs,is2;thedefaultinputmembershipfunctiontypeisgbellmf;andthedefaultoutputmembershipfunctiontypeislinear.Theseareusedwhenevergenfis1isinvokedwithoutthelastthreearguments.*[format1,error1,stepsize]=anfis(trainData,in_format,200)其中trainData:thenameofatrainingdataset.Thismatrixcontainsdatainputinallbutthelastcolumn.Thelastcolumncontainsasinglevectorofoutputdata.*output=evalfis(input,fismat)*Anfisedit打开anfiseditor，File→Import→Fromworkspace（键入训练好的模糊网络系统，如out_fismat）。进入fiseditor，从Edit→Anfis查看structure，即可查看训练好的模糊网络系统结构。*仿真结果证明ANFIS具备良好的函数逼近特性，收敛速度快，精度高，自动形成模糊推理规则并调整隶属度函数。*运用ANFIS构建模型,首先在打开MATLAB,并在命令行中键入“anfisedit”,从而打开ANFIS编辑器操作界面。从loaddata中选择导入的数据类型以及数据源,数据类型包括“training,testing,checking”。数据的扩展名必须是“.DAT”,数据必须是一个矩阵,在该矩阵中,除最后一列外,都必须是一个以矢量形式排列的输入数据,输出数据都必须在最后一列。数据导入以后,ANFIS图形区会将训练数据以“O”的形式绘制出来,将检验数据以“+”的形式绘制,图形的横轴标号为datasetindex,从它可以得到输入数据的值（不管是向量还是标量）。在对模糊推理系统进行训练的过程中,从TrainFIS