ANFIS（自适应神经模糊推理系统，Adaptive Neuro-Fuzzy Inference System）

NFIS（自适应神经模糊推理系统）是由Jyh-Shing Roger Jang在1993年首次提出的，其详细描述发表在IEEE Transactions on Systems, Man, and Cybernetics上的论文《ANFIS: Adaptive-Network-based Fuzzy Inference System》。有感兴趣的可以去搜索下载该论文。

ANFIS（自适应神经模糊推理系统，Adaptive Neuro-Fuzzy Inference System）结合了模糊逻辑系统（Fuzzy Logic System, FLS）和人工神经网络（Artificial Neural Network, ANN）的优点，用于处理复杂的非线性问题。它的推导过程包括对模糊逻辑系统的参数进行优化，使其能够自适应地学习输入输出关系。

ANFIS会用到模糊if then规则、模糊等概念，如果对这些概念不熟悉的可以读我的上一篇文章。

1、 ANFIS的基本结构

ANFIS基于Takagi-Sugeno模糊推理系统（TSK FIS），其中模糊规则的输出是一个线性函数或常数。ANFIS通常具有以下五层结构，每一层代表了不同的功能：

• 输入层（Layer 1）：将外部输入数据传递到下一层，不进行任何计算。

• 隶属度函数层（Layer 2）：计算输入变量的隶属度（Membership Degree），即输入数据属于某个模糊集合的程度。每个节点是一个隶属度函数，通常使用高斯函数、三角函数或梯形函数。

• 规则层（Layer 3）：每个节点表示一个模糊规则，计算每条规则的激活强度（即规则权重）。规则的激活强度通常是所有输入隶属度的乘积。

• 归一化层（Layer 4）：归一化所有规则的激活强度，使其总和为1。

• 输出层（Layer 5）：计算每条规则的输出，并将其组合以得到最终输出。

2、ANFIS的推导过程

为了更好地理解ANFIS的工作原理，我们将通过一个两输入、单输出的简单模型进行推导，假设ANFIS具有两个输入 $ x_1$和 $ x_2$，输出为 $y $，模糊推理系统包含两条规则。

(1)假设规则

考虑以下两个模糊规则：

• 规则1: 如果 $ (x_1 ) 是 ( A_1 ) 且 ( x_2 ) 是 ( B_1 )，那么输出 y_1 = p_1 x_1 + q_1 x_2 + r_1 $
• 规则2: 如果 $ (x_1 ) 是 ( A_2 ) 且 ( x_2 ) 是 ( B_2 )，那么输出 y_2 = p_2 x_1 + q_2 x_2 + r_2 $

其中，$A_1, A_2 $ 和 $B_1,B_2$是输入的模糊集合；$p_i,q_i,r_i$是线性参数，需要通过学习进行优化。

(2)推导过程

. 第一层：输入层（Layer 1）

输入数据 $x_1$ 和 $ x_2 $被传递给每个节点：
$$O_i^1=x_i,i=1,2$$

第二层：隶属度函数层（Layer 2）

• 这一层的节点计算输入数据属于各自模糊集合的隶属度：
  $$O_i^2={\mu }_{A_i}$$