MATLAB中ANFIS的使用教程

ANFIS是MATALB中关于模糊神经网络的一个接口模块，有对于此模块了解需求的同学可以查看此模块的使用教程

1、下载数据集

数据集我们选择UCI数据仓库的Energy efficiency data_set

下载之后我们发现是一个excel表格。数据如下图所示。里面包含了X1~X8共8个输入量，Y1和Y2两个输出变量。由于MATLAB中ANFIS只能针对单个输出变量进行建模。此处只考虑X1~X8和Y1之间的关系。

2、特征选择

由于8个输入变量（也就是输入特征），建立出来的模型计算速度太慢，所以需要对输入变量进行特征选择，这里采用相关系数对参数进行筛选。

在excel中采用correl函数计算X1与Y1,....,X8与Y1之间的相关系数。得到的结果如下：

可以看出X6, X7, X8与Y1是弱相关性（此处选择相关系数0.3作为界限），所以此处只选择X1~X5作为输入量（作为情况1）

更进一步，我们可以看一下X1~X5当中是否存在冗余的情况，如果存在冗余则需要把冗余特征剔除掉。我们计算与Y1关联度最高的X5与每个特征的关联系数，得到结果如下：

X5与X4	-0.97251
X5与X2	-0.85815
X5与X1	0.827747
X5与X3	0.280976

 

可以看出X5与X1，X2，X4都是强相关的，X5与X3是弱相关的。所以我们最终选择X5与X3作为输入变量（作为情况2）

为了简单起见，此处以情况2作为例子进行后续说明，情况1在最终作为对比。

在MATLAB中输入代码，进行数据加载和数据删除。

clc
clear
%% 读取excel数据
num = xlsread('E:\dataset\Energy efficiency data set_data.xlsx');   %此处为Excel存放的地址和文件名
training = num(1:460,[3,5,9]);  %训练数据选择第1~460行，第3列、第5列作为输入变量，第9列作为输出变量
testing = num(461:614,[3,5,9]); %测试数据选择第461~614行，第3列、第5列作为输入变量，第9列作为输出变量
checking = num(615:768,[3,5,9]);%检查数据选择第615~768行，第3列、第5列作为输入变量，第9列作为输出变量

执行之后可以在workspace看到数据

当然你也可以选择在matlab的workspace中新建变量，然后把相应的数据在excel中复制过来，这里不做演示。

3、Neuro-Fuzzy Designer设置

3.1 在matlab命令行中输入命令

anfisedit;

会弹出Neuro-Fuzzy Designer对话框：

3.2 加载数据

在Load data的对话框内，Type选择Training，From选择worsp, 然后点Load Data，在弹出的对话框中输入变量名training

依次加载testing数据和checking数据。

3.3 生成FIS

此处在Generate FIS对话框内，选择Grid partition，点击Generate FIS。

在弹出的对话框内，在Number of MFs中保留3 3 不变，此处的意思是将输入数据分成“小、中、大”三个模糊化，如果想做模糊成“NB NM NS PS PM PB”进行5个区域的模糊化，则输入5 5。如果输入变量有5个，则需要输入3 3 3 3 3。

在MF Type中选择隶属度函数的形式，此处保持原始状态不变。

3.4 训练FIS

在TrainFIS对话框内，停止误差Error Tolerance输入0.005，训练次数Epochs输入10，然后点训练，此时开始对数据进行训练。

注意在Load data那里要把Type改成Training。

此时我们可以查看模糊系统的结构。

3.5 查看各数据集的误差

在Test FIS对话框内，选择Training data，然后点Test Now，可以看到测试误差为3.5452

同理，测试Testing data和Checkin data的误差分别是4.754和5.2645

3.6 导出模型

训练好的模型，我们可以对输入数据进行预测了。保存的名字是MFModel

4、数据预测

4.1 输入数据做预测输出

此处选择Checking数据作为需要预测的数据。在matlab命令行窗口内输入：

output = evalfis(checking(:,[1 2]),NFModel); % 选择checking的输入第一和第二列，模型选择刚刚生成的模型NFModel，输出的结果存储到output内

得到的output数据如下：

4.1 模型数据与实际数据进行对比

将得到的数据复制出来，粘贴到excel的第616~769行。然后做出Y1与预测结果之间的散点曲线

可以看出预测结果基本符合实际数据。但是还是存在比较大的误差的，有兴趣的同学可以尝试着修改下参数，来减小这个误差值。

5、不剔除冗余参数对比

不剔除冗余参数，则选择X1~X5全部作为输入变量，按照之前的设置进行训练。

注意：由于选择3个模糊规则时耗时太长，此处选择2个模糊区域。

可以得到：

训练数据的误差为：2.6315

测试数据的误差为：4.1675