MATLAB.Exponenta
MATLAB и Simulink на русском
Технологии разработки и отладки
		сложных технических систем

Проектирование систем управления\Fuzzy Logic Toolbox

Демонстрационные примеры

  В оглавление \ К следующему разделу \ К предыдущему разделу

TRIPS

В этом разделе описывается демонстрационная программа trips, иллюстрирующая применение субтрактивной кластеризации для построения модели прогнозирования количества автомобильных поездок. При выполнении демонстрационной программы trips на экран выводится 6 слайдов.

На первом слайде выводится аннотация программы trips. Для запуска демонстрации необходимо нажать кнопку Start>>.

На втором слайде указано, что задача состоит в идентификации зависимости числа заявок на автомобильные поездки из региона от следующих региональных демографических показателей:

  • количество жителей;
  • количество домов;
  • количество автомобилей;
  • уровень доходов;
  • уровень занятости населения.

На слайде показано пять графиков значений входных переменных из обучающей выборки. Эти графики изображены в верхней части рис. 9.44.

На третьем слайде сообщается, что с использованием функции genfis2, которая основана на алгоритме субтрактивной кластеризации, генерируется система нечеткого логического вывода типа Сугэно. Эта система позволяет рассчитать значение выходной переменной на основе данных о пяти входных переменных. Нечеткая база знаний системы содержит всего четыре правила. На слайде также приведена структура сгенерированной системы нечеткого логического вывода (рис. 9.43).

Рисунок 9.43 - Структура системы нечеткого логического вывода для прогнозирования количества автомобильных поездок

На четвертом слайде показаны графики тестирования сгенерированной системы на обучающей выборке, содержащей 75 пар "входы выход". Эти графики показаны на рис. 9.44. В верхней части рисунка изображены пять графиков значений входных переменных из обучающей выборки, на нижней части рисунка - экспериментальные и модельные значения выходной переменной. Видно, что нечеткая модель хорошо описывает идентифицируемую зависимость.

Рисунок 9.44 - Тестирование системы на обучающей выборке

На пятом слайде показаны результаты сравнения действительных и модельных значений выходной переменной (рис. 9.45). Маркер в виде голубого крестика соответствует одной паре данных из обучающей выборки. По оси абсцисс откладываются действительные значения выходной переменной, а по оси ординат - модельные значения для одного и того же набора входных данных. В идеальном случае все маркеры расположились бы на диагонали первого квадранта.

Рисунок 9.45 - График "действительные - модельные значения" для обучающей выборки

На шестом слайде осуществляется проверка генерализирующих свойств синтезированной нечеткой модели. Для этого применяется контрольная выборка из 25-ти пар "входы-выход", неиспользованных при синтезе нечеткой модели. Результаты тестирования, в виде графика "действительные - модельные значения" показаны на рис. 9.46. Видно, что модель хорошо работает и вне точек обучения. Обратим внимания, что нечеткая модель даже не была настроена с помощью технологии ANFIS - используется "грубая" модель, сгенерированная из экспериментальных данных алгоритмом субтрактивной кластеризации.

Рисунок 9.46 - График "действительные - модельные значения" для тестирующей выборки

  В оглавление \ К следующему разделу \ К предыдущему разделу


Поиск по сайту:

Система Orphus

Яндекс.Метрика