neuro_lab4

4.2 Анализ функций принадлежности Полученные функции принадлежности входных переменных представлены на рис. 15.

Рис. 15 – Функции принадлежности

11

4.3 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. 16. Из рисунка видно, что ошибка обучения практически не изменялась, на последней эпохе она составила примерно 0,072.

Рис. 16 – График ошибки обучения

12

4.4 Анализ функций принадлежности

Полученные в результате обучения функции принадлежности представлены на рис. 17. Из сравнения рис. 15, 17 видно, что функции принадлежности в целом сохранили свой вид, однако параметры функций несколько изменились.

Рис. 17 – Функции принадлежности

4.5 Тестирование нейро-нечеткой системы

Результаты тестирования системы представлены на рис. 18. Из рисунка видно, что значения, полученные в результате тестирования, во многих случаях превышают 1, но большинство совпадает с 1. Среднее значение ошибки составляет 0,075.

13

Вывод

На лабораторной работе были изучены основы работы с нейро-нечеткими системами в среде Neural Toolbox ППП Matlab. Из полученных результатов для трех нейро-нечетких систем видно, что наибольшее значение параметров и нечетких правил у системы, полученной с помощью метода решетки, а наименьшее – у системы, полученной с помощью субтрактивной кластеризации при заданных по умолчанию значениях параметров. Ошибка обучения наименьшая у системы, полученной с помощью метода решетки. Среднее значение ошибки на тестовых данных у системы, полученной с помощью субтрактивной кластеризации при измененных значениях параметров. Наибольшее значение ошибки обучения и наибольшее среднее значение ошибки на тестовых данных у системы, полученной с помощью субтрактивной кластеризации при заданных по умолчанию значениях параметров.

15