基于 ANFIS 的非线性回归（Matlab代码实现）

3 运行结果

 3 结论

4 参考文献

5 Matlab代码实现

1 概述

介绍了ANF’IS（基于自适应网络的模糊推理系统）的架构和学习过程，它是在自适应网络框架下实现的模糊推理系统。通过使用混合学习过程，所提出的 ANFIS 可以基于人类知识（以模糊 if-then 规则的形式）和规定的输入-输出数据对构建输入-输出映射。在仿真中，ANFIS 架构用于对非线性函数进行建模，在线识别控制系统中的非线性组件，并预测混沌时间序列，所有这些都产生了显着的结果。列出并讨论了与人工神经网络的比较和早期关于模糊建模的工作。还建议了对所提议的 ANFIS 的其他扩展以及对自动控制和信号处理的有希望的应用。

详细文章：

clc;
clear;
close all;

%% 创建时间序列数据

data = load('engine_data');

% 关于数据集介绍
% 输入:
%     1. 燃料消耗率
%     2. 速度
% 目标:
%     1. 扭矩
%     2. 一氧化二氮排放

Inputs = data.Inputs';
Targets = data.Targets';

nData = size(Inputs,1);

Targets = Targets(:,2); % 选择第一个输出模型
%% 切换数据

PERM = randperm(nData); % 随机排列数据

pTrain=0.85;
nTrainData=round(pTrain*nData);
TrainInd=PERM(1:nTrainData);
TrainInputs=Inputs(TrainInd,:);
TrainTargets=Targets(TrainInd,:);

pTest=1-pTrain;
nTestData=nData-nTrainData;
TestInd=PERM(nTrainData+1:end);
TestInputs=Inputs(TestInd,:);
TestTargets=Targets(TestInd,:);

%% FIS生成方法的选择

Option{1}='Grid Partitioning (genfis1)';
Option{2}='Subtractive Clustering (genfis2)';
Option{3}='FCM (genfis3)';

ANSWER=questdlg('Select FIS Generation Approach:',...
                'Select GENFIS',...
                Option{1},Option{2},Option{3},...
                Option{3});
pause(0.01);

3 运行结果

 3 结论

模糊控制是迄今为止模糊集理论和模糊推理系统最成功的应用。由于 ANFIS 的自适应能力，它在自适应控制和学习控制中的应用是即时的。最重要的是，它可以替代控制系统中几乎所有的神经网络来达到同样的目的。例如，Narendra 在自适应控制中使用神经网络的开创性工作 [32] 都可以通过 ANFIS 类似地实现。此外，Werbos [9]、[62] 提出的控制中的神经网络的四种通用设计（即监督控制、直接逆向控制、神经自适应控制和效用的反向传播）也是直接适用的方案对于 ANFIS。特别是我们采用了一种类似的通过时间反向传播[33]或及时展开的方法来实现具有四个规则的自学习模糊控制器，可以以接近最佳的方式平衡倒立摆[12]。预计神经网络技术在控制方面的进步也可以促进 ANFIS 的进步，反之亦然。神经网络在信号处理中的积极作用 [64]、[21] 也暗示了 ANFIS 的类似应用。 ANFIS 的非线性和结构化知识表示是自适应滤波 [8] 和自适应信号处理 [63] 中经典线性方法的主要优势，例如识别、逆建模、预测编码、自适应信道均衡、自适应干扰（噪声或回声）取消等。

4 参考文献

部分理论引用网络文献，如有侵权请联系删除。

https://ieeexplore.ieee.org/xpl/articleDetails.jsp?arnumber=256541

5 Matlab代码实现