matlab fismat,小滑车倒摆系统.ppt

小滑车倒摆系统

基本上，这三种网络架构中，第一层的隐藏层类神经元，所执行的是隶属度函数值的运算(即兼容程度性的计算)，接下来的类神经元执行『 且(AND) 』的运算，以便获得模糊规则的前部的权重，然后，有一层的类神经元执行『或(OR)』的运算，以便将所有模糊规则的前部的权重联集起来，最后位于输出层的类神经元便执行去模糊化的运算，以便提供明确的输出值。 非均匀切割法: 模糊化多维矩形复合式类神经网络(Fuzzy HyperRectangular Composite Neural Network 简称为FHRCNN是执行非均匀式切割法的一种典型模糊化类神经网络。 适应性网络架构的模糊推论系统 我们令模糊系统只有二个输入变量，x , y、一个输出变量，z；因此，我们可以将函数式模糊规则(Sugeno模糊规则)表示如下： 模糊规则 模糊规则 适应性网络架构的模糊推论系统 第一层：第一层的类神经元执行输入与相关模糊集合的「兼容程度性」之运算，计算如下： 第二层：第二层的类神经元标示为Π，执行的式模糊规则的「权重」计算，计算如下： 第三层：第三层中的类神经元标示为N，执行的是将权重正规化运算，计算如下： 第四层：第四层的类神经元执行的是，每个模糊规则之后鉴部该执行多少之运算，计算如下： 第五层：第五层只有单一个类神经元，标示为Σ，计算前一层中类神经元输出值的总合，以作为最后网络的输出值： 经由上述的说明可知，适应性网络架构的模糊推论系统(ANFIS)和以函数式模糊规则所组成之模糊系统是等效的。 其实，网络应该安排成几层的结构，以及每一层中的类神经元所执行的运算，都是可以视其需要而加以改变的，只要每一层中的类神经元所执行的运算都是有意义的模块化函数即可。 由于模糊推理本身不具备自学习功能，其应用受到了很大限制，而人工神经网络又不能表达模糊语言，实际上类似一个黑箱，缺少透明度，所以不能很好地表达人脑的推理功能。而基于自适应神经网络的模糊推理系统ANFIS(Adaptive Network-based Fuzzy InferenceSystem)则可将二者有机地结合起来，既能发挥二者的优点，又可弥补各自的不足。模糊控制系统原来有一个很明显的缺点，这就是它缺乏有效的学习机制。自适应神经网络模糊控制系统的优异之处在于可以用神经网络的学习机制补偿模糊控制系统原有的缺点。 MATLAB的模糊工具箱中与ANFIS设计建模相关的函数有 anfis, anfisedit, genfis1， anfis 功能：利用自适应神经算法进行模糊系统的训练(参数学习)。 格式：[fismat1,error1,stepsize]＝anfis(trnData) [fismat1,error1，stepsize]＝anfis(trnData,fismat) [fismat1,error1，stepsize]＝anfis(trnData,fismat,trnOpt,dispOpt) [fismat1,error1,stepsize,fismat2,error2]＝ anfis(trnData,trnOpt,dispOpt,chkData) [fismat1,error1，stepsize,fismat2,error2]＝ anfis(trnData,fismat,trnOpt,dispOpt,chkData) [fismat1,error1，stepsize,fismat2,error2]＝anfis(trnData,fismat, trnOpt,dispOpt,chkData,optMethod) 说明：该函数是用于Sugeno型模糊系统的参数训练的最主要的程序。它使用混合学习算法来确定模糊推理系统的参数，采用的是最小二乘和梯度下降结合的算法来训练FIS系统的隶属度函数参数，使得系统能够模拟给定的模拟数据。此函数通过一个可选的参数可以用来进行模型的有效性确认。 参数 fismat 1为学习完成后得到的对应最小均方根误差的模糊推理系统矩阵； errorl为训练的均方根误差向量； stepsize为训练步长向量。 当指定检验数据后，输出向量为五维参数向量，参数 fismat2为对检验数据具有最小均方根误差的模糊推理系统 error2为检验数据对应的最小均方根误差向量。 trnData为用于训练学习的输入输出数据矩阵。该矩阵的每一行对应一组输入输出数据，其中最后一列为输出数据。 fismat是用于指定初始的模糊推理系统参数(包括隶属度函数类型和参数)的矩阵，该矩阵可使用函数fuzzy通过模糊推理系统编辑器生成，也可使用函数gen