智能预测控制及其MATLAB实现第章模糊神经和模糊聚类及其MATLAB实现.pptVIP

* 图6-13 anfis的测试结果 在完成对anfis的训练后，可以进一步对其进行测试，测试数据可以被指定为训练数据或另外提供的训练数据。测试 完成后将在图形 界面的上部显示 测试的结果，即 anfis输出数据与 测试数据的比较 ，如图6-13所示。 4. 测试anfis * 5.查看网络结构 在anfis的图形界面中，利用右上角的[Structure]按钮可以方便地查看训练得到的anfis的网络结构。对应上述演示数据的神经网络结构如图6-15所示。 图6-15 anfis的神经网络结构 * 例6-4 利用自适应神经模糊推理系统的图形界面编辑器（Anfis Editor），对例6-3所述的下列非线性函数进行逼近。 解 ① 首先利用以下MATLAB程序，产生训练数据和检验数据。 %ex6_4.m numPts=51; x=linspace(-1,1,numPts); y=0.5*sin(pi*x)+0.3*sin(3*pi*x)+0.1*sin(5*pi*x); data=[x y]; trnData=data(1:2:numPts,:);chkData=data(2:2:numPts,:); * ② 启动自适应神经模糊推理系统的图形界面编辑器，并加载数据 在MATLAB工作空间，利用anfisedit命令启动自适应神经模糊推理系统编辑器，并分别加入训练数据trnData和检验数据chkData，如图6-16所示。 * 6.4 模糊聚类及其MATLAB实现 对给定的数据，聚类分析是许多分类和系统建模问题的基础。聚类的目的是从大量的数据中抽取固有的特征，从而获得系统行为的简洁表示。常见的聚类方法有均值聚类、分层聚类和模糊聚类方法等。 * 在MATLAB模糊逻辑工具箱中提供了对两种聚类方法的支持，一种是模糊C-均值聚类方法，另一种是减聚类方法。有关函数如表6-2所示。 表6-2 模糊聚类函数 函 数 名 功 能 fcm( ) 模糊C-均值聚类函数 subclust( ) 减法聚类函数 genfis2( ) 基于减法聚类的模糊推理系统建模函数 * 6.4.1 模糊C-均值聚类函数 在模糊C-均值聚类方法中，每一个数据点按照一定的模糊隶属度隶属于某一聚类中心。这一聚类技术作为对传统聚类技术的改进，Jim Bezdek于1981年提出。该方法首先随机选取若干聚类中心，所有数据点都被赋予对聚类中心一定的模糊隶属度，然后通过迭代方法不断修正聚类中心，迭代过程以极小化所有数据点到各个聚类中心的距离与隶属度值的加权和为优化目标。 * 模糊C-均值聚类的输出不是一个模糊推理系统，而是聚类中心的列表以及每个数据点对各个聚类中心的隶属度值。该输出能够被进一步用来建立模糊推理系统。对应模糊C-均值聚类方法的函数为fcm( )，该函数的调用格式为 [center,U,obj_fcn]=fcm(data,cluster_n) [center,U,obj_fcn]=fcm(data,cluster_n,options) * 尽管函数fcm( )的输出不是一个模糊推理系统，而是聚类中心的列表以及每个数据点对各个聚类中心的隶属度值，但该函数的输出能够进一步用来建立模糊推理系统。 * 例6-5 利用模糊C-均值聚类方法将一组随机给定的二维数据分为三类。 解 利用以下MATLAB程序，可产生如图6-25所示的一组随机给定的二维数据，其模糊聚类结果，如图6-26所示。 %ex6_5.m 图6-25 随机给定的二维数据 图6-26 模糊C-均值分类结果 * 6.4.2 减法聚类函数 减法聚类方法将每个数据点作为可能的聚类中心，并根据各个数据点周围的数据点密度来计算该点作为聚类中心的可能性。被选为聚类中心的数据点周围具有最高的数据点密度，同时该数据点附近的数据点被排除作为聚类中心的可能性；在选除第一个聚类中心后，从剩余的可能作为聚类中心的数据点中，继续采用类似的方法选择下一个聚类中心。这一过程一直持续到所有剩余的数据点作为聚类中心的可能性低于某一阀值时。在MATLAB模糊逻辑工具箱中，提供了函数subclust( )来完成减法聚类的功能。该函数的调用格式为 [C,S]=subclust(X,radii,XBounds,options) * 例如：XBounds = [-10 -5;10 5]指定了第一位数据在［-10 10］之间的取值将被映射到［0 1］区间中；而第二维数据相应的区间范围为［-5 5］。如果Xbounds为空或者没有指定Xbounds，则缺省的映射范围为所