优化模糊推理系统- MATLAB & Simulink - MathWorks Es万博1manbetxpaña

调整模糊推理系统

由于大量MF参数和规则，设计具有大量输入和隶属函数（MFS）的复杂模糊推理系统（FIS）是一个具有挑战性的问题。要设计这样的FIS，您可以使用数据驱动方法来学习规则和调整FIS参数。要调整模糊系统，请使用tunefis使用A功能和配置调整过程tunefisOptions对象。

使用模糊逻辑工具箱™软件，您可以调整类型1和类型2 FIS以及FIS树。有关示例,请参见利用2型FIS预测混沌时间序列和调整汽油里程预测的FIS树．

在训练过程中，优化算法生成候选FIS参数集。用每个参数集更新模糊系统，然后利用输入的训练数据进行评估。

如果您有输入/输出训练数据，则每个解决方案的代价将基于模糊系统的输出与训练数据的预期输出值之间的差值来计算。有关使用此方法的示例，请参见曲调Mamdani模糊推理系统．

通过将模糊系统的输出与训练数据的期望输出进行比较，计算给定参数集的代价。

如果没有输入/输出训练数据，可以指定一个自定义模型和代价函数来评估候选FIS参数集。成本测量函数向模糊系统发送输入，并接收评估的输出。成本基于评估输出和模型预期输出之间的差异。有关使用此方法的更多信息和示例，请参见使用定制成本函数的曲调模糊机器人障碍避免系统．

自定义代价函数通过比较模糊系统的输出和自定义模型的输出来计算给定参数集的代价。

有关模糊系统调优的更多信息，请参见以下示例。

下表显示了由此支持的调整方法万博1manbetxtunefis功能。这些调整方法找到最佳的FIS参数

方法	描述	更多信息
遗传算法	基于种群的全局优化方法，通过种群成员间的变异和交叉进行随机搜索	什么是遗传算法？（全局优化工具箱）
粒子群优化	基于人口的全局优化方法，在整个搜索区域的人口成员步骤	什么是粒子群优化？（全局优化工具箱）
模式搜索	直接搜索局部优化方法，搜索当前点附近的一组点以找到一个新的最优	什么是直接搜索？（全局优化工具箱）
模拟退火	一种局部优化方法，用于模拟加热和冷却过程，以找到当前点附近的新最佳点	什么是模拟退火?（全局优化工具箱）
自适应神经模糊推理	调整成员函数参数的反向传播算法。或者，您可以使用`简称anfis`功能。	神经自适应学习和ANFIS

前四种调整方法需要全局优化工具箱软件。

全局优化方法，如遗传算法和粒子群优化，对大参数调谐范围进行更好。这些算法对于FIS优化的规则 - 学习和参数调整阶段非常有用。

另一方面，本地搜索方法，例如模式搜索和模拟退火，对小参数范围更好地执行更好。如果从使用训练数据生成FISgenfis或使用培训数据将规则库添加到FIS中，并且与全局优化方法相比，这些算法可以产生更快的收敛。

数据过度装箱是FIS参数优化中的常见问题。发生过量时，调谐的FIS为训练数据集产生优化的结果，但对于测试数据集而言，请执行良好。为了克服数据过度装箱问题，调整过程可以根据使用单独的验证数据集基于模型的无偏见评估来停止。

调整使用时tunefis函数时，可以使用k倍交叉验证防止过拟合。有关更多信息和示例，请参见利用k-Fold交叉验证优化FIS参数．

为改善调整模糊系统的性能，请考虑以下准则。

在调优过程中使用多个阶段。例如，首先学习模糊系统的规则，然后利用学习到的规则库调整输入/输出MF参数。
在规则学习和参数调优阶段增加迭代次数。这样做会增加优化过程的持续时间，还会增加由于训练数据的系统参数过优而导致的验证错误。为了避免过度拟合，请使用k折交叉验证来培训您的系统。
更改群集技术genfis．根据聚类技术，生成的规则在训练数据的表示上可能不同。因此，使用不同的集群技术可能会影响性能tunefis．
改变FIS属性。尝试更改更改属性，例如FIS的类型，输入数，输入/输出MFS，MF类型和规则数量。Sugeno系统的输出MF参数（假设常数MFS）和更快的Defuzzzification具有较少的输出MF参数。因此，对于具有大量输入的模糊系统，Sugeno FIS通常比Mamdani FIS更快地收敛。少量MF和规则减少要调整的参数数量，产生更快的调整过程。此外，大量规则可能会过量训练数据。
修改MFs和规则的可调参数设置。例如，您可以在不改变其峰值位置的情况下调优三角形MF的支持。万博1manbetx这样做可以减少可调参数的数量，并为特定的应用程序生成更快的调优过程。对于规则，可以通过设置Quallempty.可调谐设置为false，这减少了学习阶段期间的规则数量。

为了改善模糊树的调整结果，请考虑以下指导方针。