准备数据

加载数据。从存储库获得的每行数据集代表了不同的汽车配置文件。

(数据、名称)= loadGasData;

从属性名称中删除前导和尾随空格。

name = strtrim（string（name））;

数据包含7列，前六列包含以下输入属性。

第七列包含输出属性MPG。

创建单独的输入和输出数据集，X和y， 分别。

X =数据(:,1:6);(Y =数据:7);

将输入和输出数据设置为训练数据（奇数索引样本）和验证数据（均匀索引样本）。

trnx = x（1：2：结束，:);％培训输入数据集trny = y（1：2：结束，:);％训练输出数据集VLDX = x（2：2：结束，:);％验证输入数据集vldY = Y(2:2:最终,);％验证输出数据集

提取每个数据属性的范围，您将在FIS构建期间用于输入/输出范围定义。

datarange = [min（data）'max（data）'];

使用Data属性范围构造FIS

创建Mamdani FIS进行调整。

fisin = mamfis;

向FIS添加输入和输出变量，其中每个变量代表一个数据属性。对于每个变量，使用相应的属性名和范围。

为了减少规则的数量，为每个输入变量使用两个mf，这将导致 $2^{6.}=64.$输入MF组合。因此，FIS使用与输入MF组合相对应的最多64条规则。

为了提高培训数据超出数据泛化，请使用64 MF为输出变量。这样做允许FIS为每个规则使用不同的输出MF。

输入和输出变量都使用默认的三角形MFs，它们均匀分布在变量范围内。

为了i = 1: 0, i = 1, i = 1，'名称',(我),'nummfs'，2）;结尾fisin = addoutput（fisin，datarange（7，:)，'名称'，名称（7），'nummfs'，64）;

查看FIS结构。最初，FIS具有零规则。在调整过程中找到了系统的规则。

图plotfis (fisin)

调整与培训数据的FIS

调整分两步执行。

由于规则参数的数量少，第一步是较小的计算昂贵，并且它在训练期间快速收敛到模糊规则库。在第二步中，从第一步中使用规则库作为初始条件提供参数调谐过程的快速收敛。

学习规则

要学习规则库，首先使用a指定调整选项tunefisOptions目的。由于FIS允许大量的输出MFS（在规则后果中使用），因此使用全局优化方法（遗传算法或粒子群）。与局部优化方法相比（模式搜索和仿真退火）相比，这种方法在大参数调谐范围内更好地执行。对于此示例，使用粒子群优化方法调整FIS（'particleswarm'）。

要学习新规则，请设置优化类型至'学习'。将最大规则数限制为64.调整规则的数量可以小于此限制，因为调整过程删除重复规则。

选择= tunefisOptions (“方法”那'particleswarm'那......“OptimizationType”那'学习'那......'nummaxrules'，64）;

如果您有并行计算工具箱™软件，可以通过设置提高调整过程的速度选项.UseCall至真正的。如果您没有并行计算工具箱软件，请设置选项.UseCall至错误的。

设置最大迭代次数为20。为了减少规则学习过程中的训练错误，可以增加迭代次数。然而，使用过多的迭代会使FIS对训练数据过度调整，增加验证误差。

options.methodoptions.maxItations = 20;

由于粒子群优化使用随机搜索，从而获得可重复的结果，初始化随机数生成器到其默认配置。

RNG（'默认'）

使用指定的调整数据和选项调整FIS。

使用该规则使用突函数大约需要5分钟。对于此示例，通过设置启用调整runtunefis.至真正的。加载预先训练的结果而不运行突，你可以设置runtunefis.至错误的。

runtunefis = false;

学习新规则时，参数设置可以为空。有关更多信息，请参阅突。

如果runtunefis fisout1 = tunefis（fisin，[]，trnx，trny，选项）;％＃OK 别的tunedfis = load（'tunedfismpgprediction.mat'）;fisout1 = tunedfis.fisout1;fprintf（'训练RMSE =％.3F mpg \ n'，Calculatermse（Fisout1，Trnx，Trny））;结尾

训练RMSE = 4.452 MPG

这最好的f（x）列显示训练均方根误差(RMSE)。

查看调谐FIS的结构，Fisout1.。

Plotfis（Fisout1）

学习过程为FIS生成了一套新的规则。例如，查看前3条规则的描述。

[fisout1.rules（1：3）.description]'

ans =.3x1字符串"Cylinder==mf2 & Disp==mf2 & Power==mf2 & Weight==mf2 & Year==mf2 => MPG=mf5 (1)"“气缸==mf1 &功率==mf2 &重量==mf2 &加速器==mf2 &年份==mf1 => MPG=mf63(1)”"Cylinder==mf2 & Disp==mf1 & Acceler==mf2 => MPG=mf28 (1)"

对于训练数据集和验证数据集，所学习的系统应该具有相似的RMSE性能。计算验证数据集的均方根误差(RMSE)Fisout1.使用验证输入数据集vldX。要在评估期间隐藏运行时警告，请将所有警告选项设置为没有任何。

计算生成的输出数据和验证输出数据集之间的RMSEvldY。

plotactualandexpectedresultwithrmse（fisout1，VLDX，VLDY）

由于培训和验证错误是相似的，因此学习系统不会过度措施。

调整所有参数

在学习新规则之后，调整输入/输出MF参数以及学习规则的参数。要获得FIS的可调参数，请使用gettubalablesstings.功能。

[,,规则]= getTunableSettings (fisout1);

在不学习新规则的情况下调整现有的FIS参数设置，请设置优化类型至'调整'。

选项。OptimizationType ='调整';

由于FIS已经使用训练数据学习规则，使用局部优化方法快速收敛参数值。对于本例，使用模式搜索优化方法('patternsearch'）。

options.method =.'patternsearch';

与前一个规则学习步骤相比，优化FIS参数需要更多的迭代。因此，将优化过程的最大迭代次数增加到60次。与第一个调优阶段一样，您可以通过增加迭代的数量来减少训练错误。然而，使用过多的迭代会过度调整训练数据的参数，增加验证错误。

options.MethodOptions.MaxIterations = 60;

要改进模式搜索结果，请设置方法选项USECOMPLETEPOLL.为true。

options.methodoptions.usecompletepoll = true;

使用指定的可调优设置、培训数据和调优选项调优FIS参数。

使用突函数大约需要5分钟。加载预先训练的结果而不运行突，你可以设置runtunefis.至错误的。

如果runtunefis rng ('默认'）％＃OK fisout = tunefis（fisout1，[in; out;规则]，trnx，trny，选项）;别的fisout = tunedfis.fisout;fprintf（'训练RMSE =％.3F mpg \ n'，Calculatermse（Fisout，Trnx，Trny））;结尾

训练RMSE = 2.903 MPG

在调谐过程结束时，一些调谐的MF形状与原始的。

图plotfis（fisout）

检查性能

验证调谐FIS的性能，Fisout.，使用验证输入数据集vldX。

比较从验证输出数据集获得的预期MPGvldY和实际的MPG生成使用Fisout.。计算这些结果之间的RMSE。

plotactualandexpectresultwithrmse（fisout，vldx，vldy）;

与初始学习规则库的结果相比，FIS参数的调整提高了均方根误差。因为训练和验证错误是相似的，所以参数值不会被超调。

结论

你可以通过以下方法进一步改善调整后的FIS的训练误差:

本地功能

函数plotActualAndExpectedResultsWithRMSE (fis, x, y)％计算RMSE BETWEEN实际和预期结果[RMSE，Acty] = Calculatermse（FIS，X，Y）;%绘制结果图形子图（2,1,1）保持在酒吧（acty）酒吧（y）酒吧（min（acty，y），'facecholor'，[0.5 0.5 0.5]）保持从轴（[0 200 0 60]）XLabel（“验证输入数据集索引”），Ylabel（“MPG”） 传奇（[“实际的mpg”“预期MPG”“最低实际及期望值”]，......“位置”那“西北”） 标题（“rmse =”+ num2str（RMSE）+“MPG”subplot(2,1,2) bar(actY-y) xlabel(“验证输入数据集索引”），Ylabel（“错误（MPG）”） 标题（“实际和预期值之间的差异”）结尾函数[rmse, actY] = calculateRMSE (fis, x, y)%指定FIS评估选项执着的EvalOptions.如果isempty（EvalOptions）Evaloptions = ExamFisOptions（“extentOutputfuzzysetMessage”那“没有”那......“norulefiredmessage”那“没有”那“OutOfRangeInputValueMessage”那“没有”）;结尾％评估FIS.acty = evalfis（FIS，X，Evaloptions）;％计算RMSE.del = acty  -  y;RMSE = SQRT（平均值（del. ^ 2））;结尾