ANFIS知识
1. ANFIS概述
ANFIS: Adaptive-Network-based Fuzzy Inference Systems简称自适应模糊圣经网络。
ANFIS是一种基于模糊推理的神经网络。依据对规则的判定方式不一样,常有基于网格和基于聚类的ANFIS之分。这两种模型在网络结构也略有不同。
2、ANFIS网络结构
2.1 基于网格的ANFIS
假定模糊推理系统有
x
x
x和
y
y
y两个输入,一个输出
z
z
z。对于一阶基于T-S模型的模糊神经网络模型,具有两条模糊if-then规则的普通规则如下:
规
则
1
:
i
f
x
i
s
A
1
a
n
d
y
i
s
B
1
t
h
e
n
z
=
p
1
x
+
q
1
y
+
r
1
(4.1)
规则1: if\ x\ is\ A_1\ and\ y\ is\ B_1\ then\ z=p_1x+q_1y+r_1\tag{4.1}
规则1:if x is A1 and y is B1 then z=p1x+q1y+r1(4.1)
规
则
2
:
i
f
x
i
s
A
2
a
n
d
y
i
s
B
2
t
h
e
n
z
=
p
2
x
+
q
2
y
+
r
2
(4.2)
规则2: if \ x \ is \ A_2 \ and \ y \ is \ B_2 \ then \ z=p_2x+q_2y+r_2\tag{4.2}
规则2:if x is A2 and y is B2 then z=p2x+q2y+r2(4.2)
所等价的ANFIS模型结构如图所示:
网络共分为5层,前3层为规则前件,后2层为规则后件。图中,方框性节点表示该节点参数是可调的,圆形节点代表该节点没有参数或参数不可以调整的。ANFIS中可调整的参数主要集中在第1层和第5层,第一层的参数为隶属函数参数,第5层为规则后件参数,即 i f − t h e n if-then if−then规则的 t h e n then then部分的参数, 也就是上述规则中的p, q, r. 以下就是每一层的功能做详细介绍. 为了叙述方便约定 O i n ( i = 1 , 2 , 3 , 4 , 5 ) O_i^n(i=1,2,3,4,5) Oin(i=1,2,3,4,5)表示第n层的第i个节点的数据. 上标表示层, 下标表示该层的第i个节点.
第一层: 模糊化. 将输入变量转化成每一个模糊集的隶属度. 在这一层的节点i是一个由节点函数(隶属函数)组成的自适应节点. 节点函数的参数规则前件参数.
O
i
1
=
μ
A
i
(
x
)
,
i
=
1
,
2
(4.3)
O_i^1=\mu_{A_i}(x), \ i=1,2\tag{4.3}
Oi1=μAi(x), i=1,2(4.3)
O
i
1
=
μ
B
i
−
2
(
y
)
i
=
3
,
4
(4.4)
O_i^1=\mu_{B_{i-2}}(y)\ i=3,4\tag{4.4}
Oi1=μBi−2(y) i=3,4(4.4)
其中
O
i
n
O_i^n
Oin是模糊集
A
=
(
A
1
,
A
2
,
B
1
,
B
2
)
A=(A_1,A_2,B_1,B_2)
A=(A1,A2,B1,B2)的隶属度,它确定了给定输入
x
(
或
y
)
x(或y)
x(或y)满足A的程度. 隶属函数有多种形式,常用地隶属函数有高斯函数, 三角函数, 梯形函数等.
x
,
y
x,y
x,y是节点
i
i
i的输入,
A
i
A_i
Ai是和节点函数相关的语言标签(大小等).
O
i
1
O_i^1
Oi1是
A
i
A_i
Ai的的函数,他表示x满足
A
i
A_i
Ai的程度. 通常我们选择取值范围在0-1之间的函数,例如:
μ
A
i
(
x
)
=
e
−
(
x
−
c
i
a
i
)
2
(4.5)
\mu_{A_i}(x)=e^{-(\frac{x-c_i}{a_i})^2}\tag{4.5}
μAi(x)=e−(aix−ci)2(4.5)
其中
c
i
c_i
ci代表高斯函数的中心,
a
i
a_i
ai代表高斯函数的宽度.
a
i
,
c
i
a_i, c_i
ai,ci是需要优化的参数.
第二层: 规则适用度, 每一个节点的输出是所输入信号的积, 结果就是这一条规则的适用度. 一般来说, 本层节点函数可以是其它执行模糊"与"的T范式算子. 这样的算子有求极小, 代数积, 有界积和强积等.
KaTeX parse error: Expected 'EOF', got '&' at position 32: …x)\mu_{B_j}(y),&̲ensp;i=1,2;j=1,…
第三层: 归一化适用度,对第i个节点计算第i条规则的适用度与所有规则实用度纸盒的比值. 本层的输出称为归一化适用度.
O
i
3
=
w
i
ˉ
=
w
i
w
1
+
w
2
,
i
=
1
,
2
(4.7)
O_i^3=\bar{w_i}=\frac{w_i}{w_1+w_2},\ i=1,2\tag{4.7}
Oi3=wiˉ=w1+w2wi, i=1,2(4.7)
第四层: TSK输出层, 计算每条规则的输出. 其中
w
i
ˉ
\bar{w_i}
wiˉ是第三层经过标准化了的适用度.
O
i
4
=
w
i
ˉ
f
i
=
w
i
ˉ
(
p
i
x
+
q
i
y
+
r
i
)
,
i
=
1
,
2
(4.8)
O_i^4=\bar{w_i}f_i=\bar{w_i}(p_ix+q_iy+r_i), \ i=1,2\tag{4.8}
Oi4=wiˉfi=wiˉ(pix+qiy+ri), i=1,2(4.8)
其中:
w
i
ˉ
\bar{w_i}
wiˉ是第三层输出的归一化适用度. {p_i, q_i, r_i}叫模糊规则后件的参数集合,称为规则后件参数. 其中
x
,
y
x,y
x,y是给定输入.
第五层: 求和, 对每条输出求和得到总的输出.
O
5
=
∑
w
i
ˉ
f
i
=
∑
w
i
f
i
∑
w
i
(4.9)
O_5=\sum{\bar{w_i}f_i}=\frac{\sum{w_if_i}}{\sum{w_i}}\tag{4.9}
O5=∑wiˉfi=∑wi∑wifi(4.9)