neuro_lab4
.pdf
Отчет по лабораторной работе № 4
по дисциплине «Нейро-нечеткие технологии в задачах управления»
Тема: «Изучение основ применения нейро-нечетких систем»
Цель работы: изучение основ работы с нейро-нечеткими системами в среде Neural Toolbox ППП Matlab.
Выполнение
1.1 Создание системы нечеткого вывода
В среде Matlab создадим систему нечеткого выводы Сугено, зададим 3 входные переменные в соответствии с размерностью входных данных (рис. 1)
Рис.1 – Задание трех входных переменных
1.2 Создание нейро-нечеткой системы с помощью метода решетки
Загрузим данные для обучения, запустим построение системы: зададим функции принадлежности Гауссова типа для входных переменных, число функций принадлежности по каждой переменной равным 6, выходные функции принадлежности линейного типа (рис. 2).
Рис. 2 – Построение системы
1.3 Анализ функций принадлежности Полученные функции принадлежности входных переменных представлены на рис. 3.
Рис. 3 – Функции принадлежности
2
1.4 Обучение нейро-нечеткой системы
Обучим систему с помощью метода обратного распространения ошибки, задав в качестве критерия останова два критерия: достижение нулевой ошибки или прошествие 300 эпох обучения. График ошибки обучения на 300 эпохах представлен на рис. 4. Из рисунка видно, что после 100 эпох нейро-нечеткая система практически не обучалась. Ошибка обучения составила примерно 0,052.
Рис. 4 – График ошибки обучения
3
1.5 Анализ полученных в результате обучения системы функций принадлежности
Функции принадлежности входных переменных, полученные в результате обучения, представлены на рис. 5. Из сравнения рис. 3 и рис. 5 видно, что функции принадлежности в целом сохранили свой вид, однако параметры функций несколько изменились.
Рис. 5 – Функции принадлежности
4
1.6 Тестирование полученной нейро-нечеткой системы
Результаты тестирования системы представлены на рис. 6. Из рисунка видно, что для большинства значений тестовой выборки предсказанное значение близко к 1. Среднее значение ошибки составляет 0,077.
Рис. 6 - График результатов тестирования
2.1 Создание нейро-нечеткой системы с помощью субтрактивной кластеризации
Для нейро-нечеткой системы с субтрактивной кластеризацией воспользуемся значениями параметров, заданными по умолчанию: диапазон влияния 0,5, фактор подавления 1,25, величина принятия 0,5, величина отклонения 0,15 (рис. 7).
Рис. 7 – Параметры, заданные по умолчанию
5
2.2 Анализ функций принадлежности Полученные функции принадлежности входных переменных представлены на рис. 8.
Рис. 8 – Функции принадлежности
6
2.3 Обучение нейро-нечеткой системы
Обучим систему с помощью метода обратного распространения ошибки, задав в качестве критерия останова два критерия: достижение нулевой ошибки или прошествие 300 эпох обучения. График ошибки обучения на 300 эпохах представлен на рис. 9. Из рисунка видно, что ошибка обучения практически не изменялась, на последней эпохе она составила примерно 0,109.
Рис. 9 – График ошибки обучения
7
2.4 Анализ функций принадлежности
Функции принадлежности, полученные в результате обучения системы, представлены на рис. 10. Из сравнения рис. 8, 10 видно, что общий вид функций принадлежности не изменился, однако несколько изменились параметры функций.
Рис. 10 - Функции принадлежности после обучения системы
8
2.5 Тестирование полученной нейро-нечеткой системы
Результаты тестирования системы представлены на рис. 11. Из рисунка видно, что значения, полученные в результате тестирования, значительно разброшены вокруг 1, при этом разброс больше, чем для нейро-нечеткой системы, созданной с помощью метода решетки. Среднее значение ошибки составляет 0,117.
Рис. 11 – График результатов тестирования
3. Сравнение нейро-нечетких систем
Вид нейро-нечеткой системы, полученной с помощью метода решетки, представлен на рис. 12. У данной системы 864 линейных параметра, 36 нелинейных параметров, 216 нечетких правил. Ошибка обучения 0,052, среднее значение ошибки на тестовых данных 0,077.
Рис. 12 - Вид нейро-нечеткой системы, полученной с помощью метода решетки
9
Вид нейро-нечеткой системы, полученной с помощью метода субтрактивной кластеризации при заданных по умолчанию значениях параметров, представлен на рис. 13. У данной системы 68 линейных параметра, 102 нелинейных параметра, 17 нечетких правил. Ошибка обучения 0,109, среднее значение ошибки на тестовых данных 0,117.
Рис. 13 - Вид нейро-нечеткой системы, полученной с помощью субтрактивной кластеризации
4.1 Создание нейро-нечеткой системы с помощью метода кластеризации с новыми параметрами
Создадим нейро-нечеткую систему с помощью метода кластеризации с новыми параметрами (рис. 14).
Рис. 14 – Параметры системы
10