自適應(yīng)神經(jīng)模糊系統(tǒng)及其MATLAB實現(xiàn)

1、自適應(yīng)神經(jīng)模糊系統(tǒng)及其MATLA破現(xiàn)0引言模糊神經(jīng)網(wǎng)絡(luò)控制在控制領(lǐng)域里目前已經(jīng)成為一個研究的熱點，其原因在于神經(jīng)網(wǎng)絡(luò)和模糊系統(tǒng)兩者之間的互補(bǔ)關(guān)系。神經(jīng)網(wǎng)絡(luò)的一大特點就是其自學(xué)習(xí)功能，將這種自學(xué)習(xí)的方法它應(yīng)用于對模型特征的分析與建模上，產(chǎn)生自適應(yīng)的神經(jīng)網(wǎng)絡(luò)技術(shù)，這對于模糊系統(tǒng)的模型建立是非常有效的工具。而自適應(yīng)神經(jīng)模糊系統(tǒng)就是基于數(shù)據(jù)的建模方法，該系統(tǒng)中的模糊隸屬度函數(shù)及模糊規(guī)則是通過大量的已知數(shù)據(jù)的學(xué)習(xí)得到的。1基于T-S模型的模糊神經(jīng)網(wǎng)絡(luò)由于MIMO勺模糊規(guī)則可分解為多個MISO模糊規(guī)則，因此下面也只討論MISO模糊系統(tǒng)的模型。設(shè)輸入向量，每個分量均為模糊語言變量。并設(shè)式中，是的第j個語言變

2、量值，它是定義在論域上的一個模糊集合。相應(yīng)的隸屬度函數(shù)為。T-S所提出的模糊規(guī)則后件是輸入變量的線性組合，即若輸入量采用單點模糊集合的模糊化方法，則對于給定的輸入x，可以求得對于每條規(guī)則的適應(yīng)度為：模糊系統(tǒng)的輸出量為每條規(guī)則的輸出量的加權(quán)平均，即2自適應(yīng)神經(jīng)模糊系統(tǒng)及其MATLA改現(xiàn)1.1 采用網(wǎng)絡(luò)分割方式生成模糊推理系統(tǒng)函數(shù)函數(shù)genfis1（）可為訓(xùn)練自適應(yīng)神經(jīng)模糊推理系統(tǒng)產(chǎn)生Takagi-Sugeno型模糊推理系統(tǒng)（FIS）結(jié)構(gòu)的初值（隸屬度函數(shù)參數(shù)的初值），它采用網(wǎng)格分割的方式，根據(jù)給定數(shù)據(jù)集生成一個模糊推理系統(tǒng)，一般與函數(shù)anfis（）配合使用。由genfis1（）生成的模糊推理系統(tǒng)

3、的輸入和隸屬度函數(shù)的類型、數(shù)目可以在使用時指定，也可以采用默認(rèn)值。1.2 自適應(yīng)神經(jīng)模糊系統(tǒng)的建模函數(shù)在MATLAB（糊邏輯工具箱中，提供了對基于T-S模型的自適應(yīng)神經(jīng)模糊推理系統(tǒng)ANFIS的建模方法，該模糊推理系統(tǒng)利用BP反向傳播算法和最小二乘算法來完成對輸入/輸出數(shù)據(jù)對的建模。該系統(tǒng)為模糊建模的過程，提供了一種能夠從數(shù)據(jù)集中提取相應(yīng)信息（模糊規(guī)則）的學(xué)習(xí)方法。這種學(xué)習(xí)方法與神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方法非常相似，通過學(xué)習(xí)能夠有效的計算出隸屬度函數(shù)的最佳參數(shù)，使得設(shè)計出來的Takagi-Sugeno型模糊推理系統(tǒng)能夠最好地模擬出希望的或是實際的輸入/輸出關(guān)系。相應(yīng)的函數(shù)為anfis（）,該函數(shù)的輸出為一個三維或五維向量。當(dāng)未指定檢驗數(shù)據(jù)時，輸出向量為三維。Anfis（）支持采用輸出加權(quán)平均的一階或零階Takagi-Sugeno型模糊推理。3 仿真實例利用模糊推理系統(tǒng)對下列非線性函數(shù)進(jìn)行逼近。非線性函數(shù)為仿真結(jié)果如圖1所示。信號逼近的ANFIS訓(xùn)練仿真結(jié)果4 結(jié)論在這個例子中，訓(xùn)練數(shù)據(jù)和檢驗數(shù)據(jù)在輸入空間均勻采樣，如圖(1)。圖(2)顯示了由函數(shù)genfisl()按照均勻覆蓋輸入空間的原則構(gòu)造了訓(xùn)練前模糊推理系統(tǒng)的初始輸入變量的隸屬函數(shù)。圖(3)顯示了訓(xùn)練后模糊推理系統(tǒng)的輸入變量