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，请使用突使用A功能并配置调整过程TunefisOptions.目的。

使用模糊逻辑工具箱™软件，您可以调整1型和Type-2 Fiss以及FIS树。对于例子，见使用Type-2 FIS预测混沌时间序列和调整汽油里程预测的FIS树。

在培训期间，优化算法生成候选FIS参数集。使用每个参数集更新模糊系统，然后使用输入培训数据进行评估。

如果您有输入/输出培训数据，则基于模糊系统输出与来自训练数据的预期输出值之间的差异计算每个解决方案的成本。有关使用此方法的示例，请参阅曲调Mamdani模糊推理系统。

框图显示使用培训数据调整时如何计算候选参数集的成本。成本基于输出训练数据与输出评估模糊系统与训练数据之间的差异。

如果您没有输入/输出培训数据，则可以指定自定义模型和成本函数，用于评估候选FIS参数集。有关更多信息和使用此方法的示例，请参阅使用定制成本函数的曲调模糊机器人障碍避免系统。

框图显示使用自定义模型进行调整时如何计算候选参数集的成本。成本测量功能将输入发送到模糊系统并接收评估的输出。成本基于评估输出与模型预期的输出之间的差异。

有关调整模糊系统的更多信息，请参阅以下示例。

下表显示了所支持的调整方法万博1manbetx突功能。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	基于人口的全局优化方法，通过人口成员之间的突变和交叉随机搜索	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，其中人口成员在整个搜索区域	什么是粒子群优化？（全局优化工具箱）
模式搜索	直接搜索本地优化方法，可以在当前点附近搜索一组点以查找新的最佳状态	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的最佳点	模拟退火是什么？（全局优化工具箱）
自适应神经模糊推理	调整隶属函数参数的背传播算法。或者，您可以使用`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。如果通过使用培训数据生成FISGenfis.或者使用培训数据将规则库添加到FIS中，然后与全局优化方法相比，这些算法可以产生更快的融合。

数据过度装备是FIS参数优化中的常见问题。当发生过度装箱时，调谐的FIS为训练数据集产生优化结果，但对于测试数据集而言，请执行良好。为了克服数据过度拟合问题，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。

调整使用时突功能，您可以使用k折交叉验证来防止过度装备。要防止更多信息和示例，请参阅FIS参数优化与k折交叉验证。

为改善调整模糊系统的性能，请考虑以下指导方针。

在调整过程中使用多个阶段。例如，首先使用学习的规则库进行模糊系统的规则，然后调整输入/输出MF参数。
增加规则学习和参数调整阶段中的迭代次数。这样做会增加优化过程的持续时间，并且还可以增加由于培训数据的过度系统参数而增加了验证错误。为避免过度装备，请使用K-Fold交叉验证培训您的系统。
更改使用的聚类技术Genfis.。根据群集技术，生成的规则可以在其对训练数据的表示中不同。因此，使用不同的聚类技术可能会影响性能突。
改变FIS属性。尝试更改更改属性，例如FIS的类型，输入数量，输入/输出MFS，MF类型和规则数量。Sugeno系统具有较少的输出MF参数（假设常数MFS）和更快的Defuzzzification。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和规则减少了调整的参数数量，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，您可以调整三角形MF的支持，而无需更改其峰值位置。万博1manbetx这样做减少了可调参数的数量，可以为特定应用程序产生更快的调整过程。对于规则，您可以通过设置来排除零MF索引Quallempty.可调谐设置为false，这减少了学习阶段的整体规则数。

为了改善模糊树的调整结果，请考虑以下指导。

也可以看看