Documente Academic
Documente Profesional
Documente Cultură
Anul IV
Capitolul 1
Figura 1.1. Sistem Fuzzy Sugeno de ordin nti (a) i ANFIS asociat (b) Stratul 1. Fiecare nod i al acestui strat are funcia de activare:
unde x este mrimea de intrare n nodurile 1 i 2, iar y este mrimea de intrare n nodurile 3 i 4. Altfel spus, funcia ataat fiecrui nod al primului strat este funcia de apartenen a uneia din mulimile fuzzy A1, A2, B1 sau B2 (care apar n partea de premiz a regulilor). Funcia de apartenen poate fi, de exemplu, funcia "clopot generalizat":
unde {ai, bi, ci} reprezint setul de parametri ai respectivei funcii de apartenen. Parametrii acestui strat vor fi numii, n cele ce urmeaz, parametrii premizei. Stratul 2. Fiecare nod al acestui strat este un nod fix, a crui ieire este dat de produsul semnalelor sale de intrare: Fiecare nod reprezint puterea de activare a unei reguli. n general, se poate folosi pentru acest strat, orice operator de tip norma-T ca fiind funcia de activare a unui nod. Stratul 3. Fiecare nod al acestui strat este un nod fix la nivelul cruia se calculeaz raportul dintre puterea de activare a regulii i i suma puterilor de activare ale tuturor regulilor:
Stratul 4. Fiecare nod al acestui strat este adaptiv, avnd funcia de activare:
unde wi este puterea de activare normalizat a regulii i, iar {pi , qi , ri} este mulimea parametrilor acestui nod, numii n cele ce urmeaz parametrii consecinei. Stratul 5. Acest strat este format dintr-un singur nod fix notat cu , care calculeaz ieirea ANFIS ca fiind suma tuturor semnalelor sale de intrare:
n acest fel se poate construi o reea neuronal echivalent cu un sistem fuzzy Sugeno de ordin nti. Structura rezultat a ANFIS nu este unic, putndu-se combina, de exemplu, straturile 3 i 4 n unul singur rezultnd o reea cu 4 straturi. Un ANFIS proiectat pentru un sistem fuzzy Sugeno poate fi extins imediat la sisteme fuzzy Tsukamoto. n acest caz, consecina fiecrei reguli este dat de puterea de activare a regulii i de funcia de apartene a prii de concluzie a regulii. 1.2. Algoritm de antrenare a sistemelor neuro-fuzzy adaptive Conform arhitecturii ANFIS prezentat n figura 1.1. (b) se observ c atunci cnd parametrii premizei sunt fixai, ieirea ANFIS poate fi exprimat ca o combinaie liniar a parametrilor consecinei, {p1, q1, r1, p2 , q2 , r2} :
Se noteaz cu vectorul parametrilor ANFIS. Acesta poate fi descompus n doi subvectori 1 i 2 care conin parametrii premizei i, respectiv, parametrii consecinei:
Ieirea ANFIS este dependent neliniar de parametrii premizei i liniar de parametrii consecinei:
(1)
unde este vectorul de regresie liniar care depinde neliniar de parametrii premizei 1. Fixnd parametrii premizei, atunci ieirea ANFIS rmne dependent numai de parametrii consecinei, aceast dependen fiind liniar. n cazul unei antrenri n bloc (adaptarea parametrilor se face dup ce au fost aplicai sistemului toi vectorii setului de antrenare), supervizate, cnd se dorete ca ieirea ANFIS s se apropie ct mai mult de o anumit ieire dorit, zd , rescriind relaia (1) pentru toi vectorii setului de antrenare se obine:
care poate fi rezolvat n sensul celor mai mici ptrate obinndu-se un set de valori optimale pentru parametrii concluziei:
unde + este pseudo-inversa Moore-Penrose a matricii . Mai departe, fixnd parametrii consecinei la valorile optimale determinate anterior, atunci ieirea ANFIS depinde neliniar numai de parametrii premizei. Pentru determinarea acestora, se poate aplica un algoritm de gradient care s conduc la minimizarea erorii medii ptratice, E, dintre ieirea actual a ANFIS i ieirea dorit:
(2)
unde este unul din parametrii premizei, iar este un parametru responsabil de vitez cu care algoritmul converge ctre punctul de minim. Astfel, se poate aplica un algoritm de antrenare hibrid care const din dou etape [Garcia, et al., 1997; Jang and Sun, 1995]:
etapa propagrii nainte: intrrile sunt propagate nainte pn la stratul 4, considernd parametrii premizei (parametrii primului strat) fixai; se determin parametrii consecinei (parametrii stratului 4) aplicnd metoda celor mai mici ptrate i apoi se continu propagarea nainte pn la ieirea reelei, calculndu-se eroarea dintre ieirea obinut i ieirea dorit a ANFIS; etapa propagrii napoi a erorii n care parametrii consecinei rmn cu valorile determinate n etapa propagrii nainte; se determin parametrii premizei aplicnd o procedur de gradient.
Figura 1.2. ilustreaz intuitiv modul n care se realizeaz antrenarea hibrid a ANFIS.
Parametrii consecinei astfel determinai sunt optimali n condiiile n care parametrii premizei sunt fixai. n mod corespunztor, antrenarea hibrid converge mai repede dect antrenarea bazat pe propagarea napoi a erorii aplicat tuturor parametrilor ANFIS. Aceasta se datoreaz faptului c spaiul parametrilor este micorat prin determinarea unora dintre acetia printr-o metod ntr-un singur pas, de tipul celor mai mici ptrate. n cazul sistemelor ANFIS de tip Tsukamoto, pentru a putea aplica acest tip de antrenare hibrid, funcia de apartenen a prii de concluzie a regulilor este aproximat printr-o funcie liniar pe poriuni cu doi parametri, aa cum este ilustrat n figura 1.3. n felul acesta, ieirea ANFIS se poate exprima ca o combinaie liniar a parametrilor consecinei, putnd fi aplicat antrenarea hibrid prezentat anterior.
Figura 1.3. Aproximarea prin funcii liniare pe poriuni a funciilor de apartenen monotone
Capitolul 2
OBSERVATIE! Orice set de date ce se ncarc n ANFIS Editor GUI (sau n linia de comand anfis) trebuie s fie o matrice cu datele de intrare aranjate ca vectori, cu excepia ultimei coloane, n care se pun datele de iesire.
Capitolul 3 S se scrie un program Matlab/Simulink pentru a evidenia performanele de predicie pe termen mediu t+10 a unei reele neuro-fuzzy de tip ANFIS. 3.1. Utilizarea ANFIS n MATLAB Editor Se consider un sistem fuzzy aplicat unei funcii neliniare pe intervalul [0,10] constnd din suma dintre o funcie sinusoidal i una exponenial.
3.2. Antrenarea si testarea datelor folosind ANFIS Editor GUI Se introduce n linia de comanda anfisedit.
Figura 3.3. ANFIS Editor Gui Pentru reprezentarea grafic a datelor de antrenare selectez Training / Load Data From Workspace i introduc n fereastra care se deschide trnData.
Pentru reprezentarea grafic a datelor de testare selectez Checking / Load Data From Workspace i introduc n fereastra care se deschide chkdata.
Figura 3.5. Reprezentarea grafic a datelor de testare Generez o structur FIS cu ajutorul lui Grid partition apoi aps pe butonul Generate FIS. n fereastra care se deschide mi selectez la intrare 5 MFs de tipul gbellmf iar la ieire mi aleg tipul linear.
Pentru viziualizarea FIS generat cu ajutorul ANFIS Editor GUI intru n Edit i aleg Membership Functions.
Pentru vizualizarea structurii modelului FIS generat de ANFIS Editor GUI selectez Structure.
Aleg pentru antrenarea structurii ANFIS creat 20 de epoci i tolerana erorii sa fie t+10. Aps butonul Train Now pentru execuia antrenrii.