close

Вход

Забыли?

вход по аккаунту

?

lab12 intellekt

код для вставкиСкачать
бычнМИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ, МОЛОДЕЖИ И СПОРТА УКРАИНЫ
ВОСТОЧНОУКРАИНСКИЙ НИЦИОНАЛЬНЫЙ УНИВЕРСИТЕТ имени ВЛАДИМИРА ДАЛЯ
КАФЕДРА "СИСТЕМНАЯ ИНЖЕНЕРИЯ"
"Искусственный интеллект"
Лабораторная работа№12
Тема: "Изучение пакета прикладных программ ANFIS в среде системы MATLAB"
Выполнил:студент: Московченко С.В.
группа:КТ-792
Проверил:Шульгин С.К.
Луганск 2014 г.
Цель: изучить принципы построения нейро-нечетких сетей в пакете прикладных программ ANFIS в среде системы MATLAB.
Ходработы
1. Постановказадачи
2. Создать сеть ANFIS для прогнозирования цен на рынке волют Forex.
3. Построениемодели
Особенностью нейронных сетей является то, каким образом происходит обработка данных. При использовании стандартного алгоритма обратного распространения ошибки сеть "видит" и анализирует данные исходной матрицы рядами. Чтобы нейронная сеть смогла "увидеть" тренды, нужно представить данные таким образом, чтобы в каждой строке обучающей матрицы отражалась "история" временного ряда т.е. содержалась информация как о текущем наблюдении, так и о прошлых.
При решении нашей задачи мы будем учитывать пятидневную историю, т.е. все изменения, которые происходили в течение предшествующей недели. Здесь нужно заметить, что попытки рассматривать более длинную "историю" приводят к сокращению числа наблюдений в обучающей выборке и к одновременному неоправданному ее росту "вширь", что может отрицательно повлиять на способность сети к обучению. Теперь небходимо преобразовать имеющуюся информацию в вид понятный и содержательный для сети. для сети.
Невозможно получить сколько-нибудь удовлетворительный результат с помощью нейронных сетей, подав на вход необработанные данные. Для работы с нейронными сетями важно не только тщательно отобрать показатели: необходимо также представить их в определённой, понятной для сети форме.Можно выделить два основных правила , согласно которым формируется обучающая выборка.
Нейронные сети лучше реагируют не на исходные данные, а на ряды приращений. Этот факт можно объяснить тем, что в нейронной сети задаётся диапазон значений, определяемый наибольшим и наименьшим значениями из обучающей выборки. Если этот диапазон велик , а сами значения при переходе от наблюдения к наблюдению изменяется на незначительную по сравнению с диапазоном величину, то нейронная сеть попросту не придаст должного значения этим изменениям . Кроме того , использование при работе с сетью приращений позволяет получать прогноз в случае , когда абсолютные значения переменных, на основе которых строится прогноз, выходят за пределы диапазона установленного при обучении. Таким образом, чтобы оптимизировать обучение и работу сети,преобразуем все исходные ряды в ряды приращений следующим образом:
delta[i]=(p[i]-[pi-1])/p[i-1]
Где p[i] - значение показателя p в момент времени i. Полученная таким образом обучающая выборка является слишком объёмной, чтобы приводить её здесь, т.к. она содержит более 200 строчек. Имеем пять входных переменных и одну выходную.
Сохраним обучающую выборку, которая была составлена в предыдущем разделе, в отдельный файл с именем yena(51).dat. После этого с помощью команды anfisedit из командной строки MATLAB запускаем ANFIS-редактор и загружаем этот файл.
Сгенерируем систему нечеткого вывода типа Сугено нажатием кнопки GenerateFIS.... В появившемся окне зададим для каждой входной переменной по 3 функции принадлежности типа gaussmf. Выбор функции принадлежности здесь обусловлен тем, что мы предполгаем нормальное распределение для случайной величины(Курс Йены), которое как раз определяется гауссовской функцией по Теории Вероятности. Длявыходнойпеременнойзададимфункциюпринадлежности const.
Для обучения гибридной сети выберем метод backpropa(обратного распространения ошибки) с уровнем ошибки 0 и количеством циклов 100. Запустим обучение гибридной сети.
Как можно видеть из рисунка, по результатам обучения средняя ошибка составляет всего лишь приблизительно 0.007 После обучения гибридной сети можно посмотреть структуру построенной нечеткой модели. В данной системе мы получили 243 правила.
Посмотрим видоизменённые обучением функции принадлежности для пяти входных и одной выходной переменой
На следующем рисунке отображена поверхность отклика системы полученные в результате обучения. Протестиуем систему нечёткого вывода сначала на обучающей выборке.
Теперь протестируем полученную систему нечёткого вывода на последних известных значениях курса йены. Вновь составляем таблицу из приращений, которую будем использовать для проверки точности работы.Тестирующая выборка отражена в таблице.
Тестирующаявыборкадля MATLABinput1input2input3input4input5output 0.014336981 0.001121442 0.00461253 0.018921205 0.024129613 -0.00699687 -0.022180363 0.014336981 0.001121442 0.00461253 0.018921205 0.024129613 0.002755582 -0.022180363 0.014336981 0.001121442 0.00461253 0.018921205 0.000919372 0.002755582 -0.022180363 0.014336981 0.001121442 0.00461253 0.020506924 0.000919372 0.002755582 -0.022180363 0.014336981 0.001121442 -0.00072959 0.020506924 0.000919372 0.002755582 -0.022180363 0.014336981 0.00454259 -0.00072959 0.020506924 0.000919372 0.002755582 -0.022180363 0.001290442 0.00454259 -0.00072959 0.020506924 0.000919372 0.002755582 -0.019125512 0.001290442 0.00454259 -0.00072959 0.020506924 0.000919372 0.024707811 -0.019125512 0.001290442 0.00454259 -0.00072959 0.020506924 0.003184998 0.024707811 -0.019125512 0.001290442 0.00454259 -0.00072959 Теперь загружаем эту выборку в режиме тестирования в Anfis-редактор. Результаты отражены на рисунке.
Средняя ошибка при тестировании составляет 0.014123. 
Документ
Категория
Рефераты
Просмотров
46
Размер файла
877 Кб
Теги
intellekt, lab12
1/--страниц
Пожаловаться на содержимое документа