Главная Обратная связь Поможем написать вашу работу!

Дисциплины:

Архитектура (936)
Биология (6393)
География (744)
История (25)
Компьютеры (1497)
Кулинария (2184)
Культура (3938)
Литература (5778)
Математика (5918)
Медицина (9278)
Механика (2776)
Образование (13883)
Политика (26404)
Правоведение (321)
Психология (56518)
Религия (1833)
Социология (23400)
Спорт (2350)
Строительство (17942)
Технология (5741)
Транспорт (14634)
Физика (1043)
Философия (440)
Финансы (17336)
Химия (4931)
Экология (6055)
Экономика (9200)
Электроника (7621)






Синтез нейро-нечеткой сети в среде МАТLАВ



 

Синтезируем ННС, реализующую принятие решений по выбору конфигурации системного блока. Выбор конфигурации осуществляется по трем критериям: частота работы процессора, объем оперативного запоминающего устройства, объем памяти видеокарты. На рис. 4.2 представлена структура рассматриваемой системы нечеткого вывода.

Рис. 4.2 Структура системы нечеткого вывода

Общая последовательность процесса разработки модели нейро-нечеткой сети заключается в следующем.

1. Подготовка файла с обучающими данными. Целесообразно воспользоваться текстовым редактором Блокнот или редактором электронных таблиц Excel. Обучающую выборку необходимо сохранить во внешнем файле с расширением *.dat.

Фрагмент обучающей выборки для рассматриваемой предметной области представлен в табл. 4.1.


Таблица 4.1 Набор данных для обучения ННС

Первая входная переменная Вторая входная переменная Третья входная переменная Выходная переменная
0.8 0.6 0.5 0.03
2.4 1.8 0.27
4.4 5.6 3.6 0.87
0.5 0.1
4.3 5.4 3.7 0.85
1.8 1.9 0.7 0.2
3.8 5.2 2.6 0.4
0.3
3.9 5.8 3.9 0.65
3.6 5.1 3.5 0.55
4.6 7.5 3.8 0.92
3.7 5.4 3.7 0.6
0.667 0.5 0.3 0.01
0.8 0.4 0.3 0.05
0.7
1.1 1.2 0.8 0.15
3.4 3.2 0.75
3.2 4.5 2.4 0.35
4.5 6.4 3.7 0.9
4.9 7.8 3.9 0.98

2. Открыть редактор ANFIS. Загрузить файл с обучающими данными.

Кнопка загрузки данных Load Data, по нажатию которой появляется диалоговое окно выбора файла, если загрузка данных происходит с диска, или окно ввода идентификатора выборки, если загрузка данных происходит из рабочей области;

Внешний вид редактора ANFIS с загруженными обучающими данными изображен на рис. 4.3.



Рис. 4.3. Графический интерфейс редактора ANFIS после загрузки обучающих данных

3. После подготовки и загрузки обучающих данных можно сгенерировать структуру системы нечеткого вывода FIS типа Сугено, которая является моделью гибридной сети в системе Matlab. Для этой цели следует воспользоваться кнопкой Generate FIS в нижней части рабочего окна редактора. При этом 2 первые опции относятся к предварительно созданной структуре гибридной сети, а 2 последних – к форме разбиения входных переменных модели. СНЛВ сгенерирована по методу решетки.

Перед генерацией структуры системы нечеткого вывода типа Сугено после вызова диалогового окна свойств зададим для каждой из входных переменных по 3 лингвистических терма, а в качестве типа их функций принадлежности выберем треугольные функции.

После нажатия кнопки Generate FIS вызывается диалоговое окно с указанием числа и типа ФП для отдельных термов входных переменных и выходной переменной (рис. 4.4).

Рис. 4.4. Диалоговое окно для задания количества и типа функций принадлежности

4. После генерации структуры гибридной сети можно визуализировать ее структуру, для чего следует нажать кнопку Structure в правой части графического окна (рис. 4.5).

Рис. 4.5. Структура сгенерированной системы нечеткого вывода

Для рассматриваемого примера система нечеткого вывода содержит три входных переменных с тремя термами каждая, 27 правил нечетких продукций, одну выходную переменную с 27 термами.



5. Перед обучением гибридной сети необходимо задать параметры обучения, для чего следует воспользоваться следующей группой опций в правой нижней части рабочего окна:

Выбрать метод обучения гибридной сети – обратного распространения (backpropo) или гибридный (hybrid), представляющий собой комбинацию метода наименьших квадратов и метода убывания обратного градиента.

Установить уровень ошибки обучения (Error Tolerance) – по умолчанию значение 0. (изменять не рекомендуется)

Задать количество циклов обучения (Epochs) – по умолчанию значение 3 (рекомендуется увеличить для рассматриваемого примера задать его значение равным 30).

Для обучения сети следует нажать кнопку Train now. При этом ход процесса обучения иллюстрируется в окне визуализации в форме графика зависимости ошибки от количества циклов обучения (рис. 4.6).

Рис. 4.6. График зависимости ошибок обучения от количества циклов обучения

Дальнейшая настройка параметров построенной и обученной гибридной сети может быть выполнена с помощью стандартных графических средств пакета Fuzzy Logic Toolbox. Для этого рекомендуется сохранить созданную систему нечеткого вывода во внешнем файле с расширением *.fis, после чего следует загрузить этот файл в редактор систем нечеткого вывода FIS. Система нечеткого логического вывода представлена на рис.4.7–4.11.

 

Рис. 4.7. Графический интерфейс редактора FIS для сгенерированной системы нечеткого вывода

 

Рис. 4.8. Графический интерфейс редактора функций принадлежности построенной системы нечеткого вывода

Рис. 4.9. Графический интерфейс просмотра правил сгенерированной системы нечеткого вывода

 

Рис. 4.10. Фрагмент базы нечетких правил

Рис. 4.11. Визуализация поверхности нечеткого вывода рассматриваемой модели для первой и второй входных переменных




6. Выполним проверку эффективности построенной нечеткой модели гибридной сети. Для этого можно определить конфигурацию системного блока. Для решения этой задачи необходимо воспользоваться функцией evalfis.

fis = readfis('Untitled2')

PC = evalfis([2.5 4 2], fis)

Задание на лабораторную работу, требования к содержанию отчета

 

1. Подготовить файл с обучающими данными с расширением *.dat.

2. Загрузить файл с обучающими данными в редактор ANFIS.

3. Сгенерировать структуру системы нечеткого вывода FIS типа Сугено, используя методы решетки и субкластеризации

4. Произвести обучение ННС, предварительно задав параметры обучения

5. Проверить эффективность построенной нейро-нечеткой модели гибридной сети.

6. Оформить отчет, который должен содержать: обучающую выборку, редактор ANFIS с загруженными обучающими данными, структуру нейро-нечеткой сети, функции принадлежности для входных и выходной переменных, график зависимости ошибок обучения от количества циклов, структуру ННС после обучения, поверхности нечеткого логического вывода для разного набора входных переменных, результаты проверки эффективности построенной ННС.

Контрольные вопросы

 

1. Дайте определение ННС.

2. Каково предназначение сетей нейро-нечеткого вывода?

3. В чем преимущества использования ННС?

4. Охарактеризуйте структуру ННС.

5. Опишите процесс разработки ННС в среде Matlab.

6. Как проверить эффективность построенной ННС?

7. Какие возможности по визуализации результатов моделирования предоставляет система Matlab?

9. Каково главное достоинство применения нейронных сетей?

10. Какой главный недостаток нейронных сетей?


Список литературы

1. Дж. Ф. Люггер Искусственный интеллект: стратегии и методы решения сложных проблем. ­— М.: Вильямс, 2003. — 346 с.

2. Джексон, Питер. Введение в экспертные системы. – М.: Издательский дом «Вильямс», 2001. – 624 с.

3. Леоненков А.В. Нечеткое моделирование в среде Matlab и fuzzyTECH.–СПб.: БХВ-Петербург, 2003.

4. Матвеев М.Г. Модели и методы искусственного интеллекта. Применение в экономике.— М.: Финансы и статистика: ИНФРА-М, 2008 .— 446 с.

5. Осовский, С. Нейронные сети для обработки информации / С. Осовский; пер. c пол. И. Д. Рудинского .— М. : Финансы и статистика, 2004 .— 344 с.

6. Рассел С., Норвиг П. Искусственный интеллект. Современный подход. 2-е изд.: Пер с англ. — М.: изд. дом «Вильямс», 2007. — 1408 с.

7. http://www.fuzzytech.com

8. http://www.gensym.com

9. http://lisp.ru

10. http://www.mathworks.com

11. http://www.rulequest.com

12. http://www.statsoft.com

13. http://www.visual-prolog.com

14. http://www.wizsoft.com

 


Приложение 1


Просмотров 688

Эта страница нарушает авторские права




allrefrs.ru - 2021 год. Все права принадлежат их авторам!