准备数据

加载数据。从存储库中获得的数据集的每一行表示一个不同的汽车配置文件。

(数据、名称)= loadGasData;

从属性名中删除前导和尾随空格。

name = strtrim (string(名称));

数据包含7列，其中前6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);

将输入和输出数据集划分为训练数据(奇数索引样本)和验证数据(偶数索引样本)。

trnX = X(1:2:最终,);%训练输入数据集trnY = Y(1:2:最终,);%训练输出数据集vldX = X(2:2:最终,);%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构造期间使用它来定义输入/输出范围。

dataRange = [min(数据)' max(数据)'];

使用数据属性范围构造FIS

创建一个用于调优的Mamdani FIS。

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，对每个输入变量使用两个mf，这将导致 $2^6＝64$输入MF的组合。因此，FIS最多使用64条对应输入MF组合的规则。

为了改进训练数据之外的数据泛化，输出变量使用64 mf。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mf，它们均匀分布在变量范围内。

为i = 1:6 fisin = addInput(fisin,dataRange(i，:))，“名字”,(我),“NumMFs”2);结束fisin = addOutput (fisin dataRange (7:)“名字”、名称(7)“NumMFs”, 64);

查看FIS结构。最初，FIS没有任何规则。系统的规则是在调优过程中发现的。

图plotfis (fisin)

使用训练数据调整FIS

调优分两个步骤执行。

第一步由于规则参数较少，计算代价较小，并且在训练过程中快速收敛到一个模糊规则库。在第二步中，使用第一步的规则库作为初始条件，提供参数调优过程的快速收敛。

学习规则

要学习规则库，首先使用tunefisOptions对象。由于FIS允许大量输出MFs(在规则结果中使用)，所以使用全局优化方法(遗传算法或粒子群)。与局部优化方法(模式搜索和模拟退火)相比，这种方法在大参数调整范围内的性能更好。对于本例，使用粒子群优化方法(“particleswarm”)．

要学习新规则，先设定规则OptimizationType来“学习”．限制最大规则数为64条。调优规则的数量可以小于这个限制，因为调优过程会删除重复的规则。

选择= tunefisOptions (“方法”，“particleswarm”，．..“OptimizationType”，“学习”，．..“NumMaxRules”, 64);

如果您有Parallel Computing Toolbox™软件，您可以通过设置来提高调优过程的速度选项。UseParallel来真正的．如果您没有“并行计算工具箱”软件，请设置选项。UseParallel来假．

将最大迭代次数设置为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对训练数据的调整过度，从而增加验证错误。

options.MethodOptions.MaxIterations = 20;

由于粒子群优化使用随机搜索，为了获得可重复的结果，将随机数生成器初始化为其默认配置。

rng (“默认”）

使用指定的调优数据和选项调优FIS。

使用的学习规则tunefis功能大约需要5分钟。对于本例，通过设置启用调优runtunefis来真正的．在不跑步的情况下加载预先训练的结果tunefis，您可以设置runtunefis来假．

runtunefis = false;

学习新规则时，参数设置可以为空。有关更多信息，请参见tunefis．

如果runtunefis fisout1 = tunefis(fisin，[]，trnX,trnY,options);% #好< UNRCH >其他的tunedfis =负载(“tunedfismpgprediction.mat”）;fisout1 = tunedfis.fisout1;流(’训练RMSE = %。3 f MPG \ n”calculateRMSE (fisout1 trnX trnY));结束

训练RMSE = 4.452 MPG

的最好的f (x)列表示训练均方根误差(RMSE)。

查看调谐FIS的结构，fisout1．

plotfis (fisout1)

学习过程为FIS制定了一套新的规则。例如，查看前三条规则的描述信息。

[fisout1.Rules (1:3) .Description]

ans =3 x1字符串"Cylinder==mf2 & Disp==mf2 & Power==mf2 & Weight==mf2 & Year==mf2 => MPG=mf5 (1)""气缸==mf1 & Power==mf2 & Weight==mf2 & Acceler==mf2 & Year==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，学习的系统应该具有相似的RMSE性能。要计算验证数据集的RMSE，请评估fisout1使用验证输入数据集vldX．若要在计算期间隐藏运行时警告，请将所有警告选项设置为没有一个．

计算生成的输出数据和验证输出数据集之间的RMSEvldY．

plotActualAndExpectedResultsWithRMSE (fisout1 vldX vldY)

由于训练和验证错误是相似的，学习的系统不会过度拟合训练数据。

调整所有参数

学习新规则后，根据学习规则的参数调整输入/输出MF参数。如果需要获取FIS的可调参数，请使用getTunableSettings函数。

[,,规则]= getTunableSettings (fisout1);

要在不学习新规则的情况下优化现有FIS参数设置，请设置OptimizationType来“优化”．

选项。OptimizationType =“优化”；

由于FIS已经使用训练数据学习了规则，所以使用局部优化方法来快速收敛参数值。对于本示例，使用模式搜索优化方法(“patternsearch”)．

选项。方法=“patternsearch”；

与前面的规则学习步骤相比，优化FIS参数需要更多的迭代。因此，将调优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次数来减少训练错误。但是，使用过多的迭代可能会对训练数据的参数进行过度调整，从而增加验证错误。

options.MethodOptions.MaxIterations = 60;

为了改善模式搜索结果，设置方法选项UseCompletePoll为true。

options.MethodOptions.UseCompletePoll = true;

使用指定的可调参数设置、训练数据和调优选项调优FIS参数。

用tunefis功能大约需要5分钟。在不跑步的情况下加载预先训练的结果tunefis，您可以设置runtunefis来假．

如果runtunefis rng (“默认”）% #好< UNRCH >fisout = tunefis (fisout1;;规则,trnX, trnY,选项);其他的fisout = tunedfis.fisout;流(’训练RMSE = %。3 f MPG \ n”calculateRMSE (fisout trnX trnY));结束

训练RMSE = 2.903 MPG

在调谐过程的最后，一些调谐的MF形状不同于原来的形状。

图plotfis (fisout)

检查性能

验证调优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MPG产生使用fisout．计算这些结果之间的均方根误差。

plotActualAndExpectedResultsWithRMSE (fisout vldX vldY);

与从初始学习的规则库中得到的结果相比，调整FIS参数可以改善RMSE。由于训练和验证错误是相似的，所以参数值不会被调优。

结论

可以通过以下方法进一步改善调谐FIS的训练误差:

本地函数

函数plotActualAndExpectedResultsWithRMSE (fis, x, y)计算实际结果和预期结果之间的RMSE(rmse actY] = calculateRMSE (fis, x, y);%绘制结果图次要情节(2,1,1)在酒吧(actY)栏(y)栏(min (actY y),“FaceColor”，[0.5 0.5 0.5])持有从xlabel([0 200 0 60])“验证输入数据集索引”), ylabel (“英里”)传说([“实际MPG”“预期MPG”“实际值和期望值的最小值”]，．..“位置”，“西北”)标题(" RMSE = "+ num2str (rmse) +“英里”) subplot(2,1,2) bar(actY-y) xlabel(“验证输入数据集索引”), ylabel (“错误(MPG)”)标题(“实际值与期望值之差”）结束函数[rmse, actY] = calculateRMSE (fis, x, y)%指定FIS评估选项持续的evalOptions如果isempty(evalOptions) = evalfisOptions(“EmptyOutputFuzzySetMessage”，“没有”，．..“NoRuleFiredMessage”，“没有”，“OutOfRangeInputValueMessage”，“没有”）;结束%评估金融中间人actY = evalfis (fis, x, evalOptions);%计算RMSEdel = actY - y;rmse =√意味着(del。^ 2));结束