Материал: neuro_lab4

2.2 Анализ функций принадлежности Полученные функции принадлежности входных переменных представлены на рис. 8.

Рис. 8 – Функции принадлежности

6

2.3 Обучение нейро-нечеткой системы

Обучим систему с помощью метода обратного распространения ошибки, задав в качестве критерия останова два критерия: достижение нулевой ошибки или прошествие 300 эпох обучения. График ошибки обучения на 300 эпохах представлен на рис. 9. Из рисунка видно, что ошибка обучения практически не изменялась, на последней эпохе она составила примерно 0,109.

Рис. 9 – График ошибки обучения

7

2.4 Анализ функций принадлежности

Функции принадлежности, полученные в результате обучения системы, представлены на рис. 10. Из сравнения рис. 8, 10 видно, что общий вид функций принадлежности не изменился, однако несколько изменились параметры функций.

Рис. 10 - Функции принадлежности после обучения системы

8

2.5 Тестирование полученной нейро-нечеткой системы

Результаты тестирования системы представлены на рис. 11. Из рисунка видно, что значения, полученные в результате тестирования, значительно разброшены вокруг 1, при этом разброс больше, чем для нейро-нечеткой системы, созданной с помощью метода решетки. Среднее значение ошибки составляет 0,117.

Рис. 11 – График результатов тестирования

3. Сравнение нейро-нечетких систем

Вид нейро-нечеткой системы, полученной с помощью метода решетки, представлен на рис. 12. У данной системы 864 линейных параметра, 36 нелинейных параметров, 216 нечетких правил. Ошибка обучения 0,052, среднее значение ошибки на тестовых данных 0,077.

Рис. 12 - Вид нейро-нечеткой системы, полученной с помощью метода решетки

9

Вид нейро-нечеткой системы, полученной с помощью метода субтрактивной кластеризации при заданных по умолчанию значениях параметров, представлен на рис. 13. У данной системы 68 линейных параметра, 102 нелинейных параметра, 17 нечетких правил. Ошибка обучения 0,109, среднее значение ошибки на тестовых данных 0,117.

Рис. 13 - Вид нейро-нечеткой системы, полученной с помощью субтрактивной кластеризации

4.1 Создание нейро-нечеткой системы с помощью метода кластеризации с новыми параметрами

Создадим нейро-нечеткую систему с помощью метода кластеризации с новыми параметрами (рис. 14).

Рис. 14 – Параметры системы

10