fuzzy算法.txt

fuzzy算法的MATLAB源代码

clear 
clc 
tic, 
[x,y]=data; 
>x=[1 1 1; 
> 1 2 3]; 
>y=[2 3 4]; >>>>>--数据显示，输入为－两输入，输出为－单输出。--------样本为p2组 
[p1,p2]=size(x); 
>－ 一。首先要对样本进行聚类分析，以此来确定模糊规则个数。利用K-means法对样本聚类。 

????此处的K－ means 法待加 

>－ 二。建立模糊推理系统 

> 隶属度函数个数-－模糊规则个数 
k=5; 
> 初始化四个隶属度函数的参数A,B及输出层初始权值W 

for i=1:p1; 
for j=1:k; 
m(i,j)=1+0.6*rands(1); 
b(i,j)=1+0.6*rands(1); 
end 
end 
for j=1:k; 
w(j)=100+rand(1); 
end 
>>>---推理计算输出值 
for q=1:p2; 
>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>-----用同一隶属度参数对 输入样本 X 累计计算 
> 选用高斯函数作为隶属度，求隶属度，共 size(x,2)+k 个。x(1) K个，x(2) K个 
for i=1:p1; 
for j=1:k; 
u(i,j)=gaussmf(x(i,q),[m(i,j),b(i,j)]); 
end 
end 
> 模糊推理计算：a21,a22.几个隶属度函数，得出几个值，本例中两个. 
>>>>----由以前的取小做法改为相乘—prod(x,1) or prod(x,2)——— 
for i=1:k; 
v(i)=1; 
j=1; 
while j<=p1; 
v(i)=v(i)*u(j,i); 
j=j+1; 
end 
end 
> 归一化计算模糊推理的值；相当于已经除去了经典去模糊输出的分母值 
>for i=1:k; 
>a3(i)=a2(i)/sum(a2); 
>end 
> 系统输出 
out1(q)=w*v'; 
e(q)=(y(q)-out1(q)); 
end 
out=out1 


>－ 三。参数修正过程。 增加方式，非批处理方式迭代 
>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>> 
>>>>>>>>>>>>－－－－－－－－---------------------误差反向传播过程－－－----------------------------------------- 
> 取误差函数：E＝(1/2)*sumsqr(t-y) 
E=(1/2)*sumsqr(y-out) 
EE=E; 
e 
> e=sum(y-out) 
lr=0.3; > c2=zeros(2,2); 
>>>>----------------------------------------误差反传后的参数修正过程------------------- 
r=1; 
p=1; 
s=1000; 
while p<=s &amt; EE>1e-10 
>>>>>>>>>>>>>_____隶属度参数 M. B 输出层权值参数 W 的修正过程_____>>>>>>>>>>>> 
>>1.--W 
wc=zeros(1,k); 
for i=1:k; 
wc(i)=lr*e(r)*v(i); 
end 
>>2.--M 
mc=zeros(p1,k); 
for i=1:p1; 
for j=1:k; 
mc(i,j)=2*lr*e(r) * w(j) * (v(j)/u(i,j)) * exp(-((x(i,r)-m(i,j)).^2)/(b(i,j).^2))* (x(i,r)-m(i,j))/(b(i,j).^2); 
end 
end 
>>3.--B 
bc=zeros(p1,k); 
for i=1:p1; 
for j=1:k; 
bc(i,j)=2*lr*e(r)* w(j) * (v(j)/u(i,j)) * exp(-((x(i,r)-m(i,j)).^2)/(b(i,j).^2)) * ((x(i,r)-m(i,j)).^2)/(b(i,j).^3); 
end 
end 
> 4.参数修正 m b w 
m=m+mc; 
b=b+bc; 
w=w+wc; 
>>>>>>>>>>>_______利用修正后的参数重新计算_____________>>>>>>>>>>>>>>>>>>>>> 
> 5.利用修正过的参数重新计算输出 
for q=1:p2; 
for i=1:p1; 
for j=1:k; 
u(i,j)=gaussmf(x(i,q),[m(i,j),b(i,j)]); 
end 
end 
for i=1:k; 
v(i)=1; 
j=1; 
while j<=p1; 
v(i)=v(i)*u(j,i); 
j=j+1; 
end 
end 
out1(q)=w*v'; 
end 
out=out1; 
p=p+1; 
EE=(1/2)*sumsqr(y-out); 
E(p)=EE; 
r=r+1; 
if r>p2 
r=1; 
end 
e(r)=(y(r)-out(r)); 
end 
>>>>>>>>>>>>>>>>>>>________________当误差或迭代步数满足要求后得到结果_________________>>>>>> 
>>>>>>>>>>>>>>>>>>>>>>>>>>>>> 
m,b,w,E_out=EE,e 
epoch=1:size(E,2); 
figure 
plot(epoch,E,'-r'); 
axis([0 1.5*s min(E) max(E)]); 
set(gca,'fontsize',8); 
set(gca,'xtick',0:s/10:1.5*s); 
>set(gca,'ytick',1e-30:1e5:1e5); 
>set(gcf,'color','b') 
title('误差变化曲线');xlabel('步数');ylabel('误差'); 
toc 

>>>>>>>>>>>>>>>>>>>>>_________________________下一步就是模型仿真过程，即泛化