Мои Конспекты
Главная | Обратная связь

...

Автомобили
Астрономия
Биология
География
Дом и сад
Другие языки
Другое
Информатика
История
Культура
Литература
Логика
Математика
Медицина
Металлургия
Механика
Образование
Охрана труда
Педагогика
Политика
Право
Психология
Религия
Риторика
Социология
Спорт
Строительство
Технология
Туризм
Физика
Философия
Финансы
Химия
Черчение
Экология
Экономика
Электроника

Нечеткие нейронные сети.



Помощь в ✍️ написании работы
Поможем с курсовой, контрольной, дипломной, рефератом, отчетом по практике, научно-исследовательской и любой другой работой

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.

 

 

Доверь свою работу ✍️ кандидату наук!
Поможем с курсовой, контрольной, дипломной, рефератом, отчетом по практике, научно-исследовательской и любой другой работой



Поиск по сайту:







©2015-2020 mykonspekts.ru Все права принадлежат авторам размещенных материалов.