Синтез нейро-нечеткой модели типа сугэно. Поиск оптимального вектора радиуса субтрактивной кластеризации




Скачать 62.66 Kb.
НазваниеСинтез нейро-нечеткой модели типа сугэно. Поиск оптимального вектора радиуса субтрактивной кластеризации
Дата конвертации13.04.2013
Размер62.66 Kb.
ТипДокументы

СЭТС/Социально-экономические и технические системы: исследование, проектирование, организация

© Камская государственная инженерно-экономическая академия (КамПИ) 2003-2006 / 4 номер 2006 г. /

СЭТС/Социально-экономические и технические системы: исследование, проектирование, организация

© Камская государственная инженерно-экономическая академия (КамПИ) 2003-2006 / 4 номер 2006 г. /


аспирант А.А. Глебов

Астраханский государственный университета


СИНТЕЗ НЕЙРО-НЕЧЕТКОЙ МОДЕЛИ ТИПА СУГЭНО. ПОИСК ОПТИМАЛЬНОГО ВЕКТОРА РАДИУСА СУБТРАКТИВНОЙ КЛАСТЕРИЗАЦИИ.


Прогнозирование режимных параметров и технико-экономических показателей является одной из важных задач, как при планировании, так и при ведении текущих режимов электроэнергетической системы (ЭЭС). Изменение электропотребления – это сложный процесс, зависящий от множества факторов и имеющий вероятностную составляющую. В последнее время получили большое развитие методы прогнозирования с помощью гибридных систем, в основе которых лежат нечеткая логика, нейронные сети, генетический алгоритм и другие новые информационные технологии. В качестве предиктора была выбрана модель прогнозирования с помощью нейро-нечетких систем.

Для применения в качестве нейронного эмулятора объекта была выбрана гибридная технология адаптивной нейро-нечеткой системы заключений (Adaptive-Network-Based Fuzzy Inference System -ANFIS), обладающая, по сравнению с другими методами, высокой скоростью обучения, простотой алгоритма и оптимальной проработанностью программного обеспечения в системе математического моделирования MatLAB и показывающая более точные результаты прогнозирования во многих областях науки и производства, в том числе ив энергетике.

Па­кет Fuzzy Logic Toolbox системы Matlab позволяет автоматически синтезировать из данных нечеткую базу знаний для модели типа Сугэно. Для этого используются два алгоритма — решеточное разбиение (grid partition) и субтрактивная кластеризация (subtractive clustering). На выходе первого алго­ритма получается база знаний, содержащая все возможные правила. В результате субтрактивной кластеризации генерируются правила, соответ­ствующие областям наибольшей концентрации данных. Первый алгоритм реализован в виде функции genfis1, а второй в виде функции genfis2.

Функция genfis1 генерирует из данных систему нечеткого логического вывода типа Сугэно. Функции принадлежностей входных переменных выбираются таким образом, чтобы термы равномерно распределялись внутри диапазона изменения данных. Количество правил базы знаний определяется как произведение мощностей терм-множеств входных переменных, другими словами, функция genfis1 генерирует все возможные правила. Коэффициенты линейного полинома, который связывает входные и выходную переменные в области действия правила, назначаются равными нулю. Это означает, что при любых значениях входных переменных на выходе системы будет нулевое значение. Полученная система нечеткого логического вывода не отражает представленные данными закономерности между входами и выходом. Она является исходной системой для обучения посредством технологии ANFIS, в результате которого закономерности, заложенные в данных, будут идентифицированы [1,2].

Функция genfis2 генерирует систему нечеткого логического вывода типа Сугэно из даных с использованием субтрактивной кластеризации. При использовании данных только с одной выходной переменной, результат выполнения функции genfis2 может рассматриваться как исходная система для обучения посредством технологии ANFIS.

Экстракция правил из данных в функции genfis2 происходит в два этапа. Вначале используется функция subclust для определения количества правил и мощностей терм-множеств выходных переменных. Затем с помощью метода наименьших квадратов определяется "то-"часть каждого правила. В результате этого получается система нечеткого логического вывода с базой правил, покрывающих все предметную область.

Функция genfis2 может иметь до пяти входных аргументов, первые три из которых обязательны:

fis = genfis2(Xin, Xout, radii, xBounds, options)

Одним из входных параметров функции является параметр radii – вектор, определяющий размеры области правил по каждой координате. Значения координат вектора radii должны находиться в диапазоне [0, 1] в связи с тем, что во время выполнения функции subclust данные масштабируется на единичный гиперкуб. Если значение radii задано скаляром, тогда все координаты считаются равноважными.

Рассмотрим синтез нечеткой модели с помощью функции genfis2. При вызове этой функции необходимо указать радиусы кластеров. Радиусы определяют насколько далеко от центра кластера могут быть его элементы. Значения радиусов должны находится в диапазоне [0, 1] в связи с тем, что при кластеризации исходные данные масштабируется на единичный гиперкуб. Обычно малые значения радиусов приводят к нахождению множества мелких кластеров, и, следовательно, к очень детализированной базе нечетких правил. Большие значения радиусов приводят к нахождению всего нескольких крупных кластеров и тем самым обеспечивают компактную базу знаний. Однако при этом можно упустить некоторые особенности моделируемой зависимости. Как правило, хорошие нечеткие базы знаний синтезируют при значениях радиусов из диапазона [0.2, 0.5]. Радиусы кластеров задаются третьим аргументом функции genfis2. Будем считать, что в кластерном анализе все координаты являются равноважными, поэтому значение этого аргумента можно задать скаляром[64,65]. Выбор радиуса может сильно повлиять на результат прогноза. Если задать небольшое значение радиуса, то база будет более полной, но чувствительной к выбросам и неточностям телеметрии. Если задать большим, то можно потерять некоторые правила при синтезе модели. Поэтому был разработан алгоритм выбора радиуса кластеризации.

Для выбора оптимального радиуса рассмотрим алгоритм, представленный на рисунке 1.



Рис.1. Блок-схема алгоритма выбора радиуса кластеризации

Разобьем выборку на обучающую и тестовую. Далее выбираем радиус равным 0.1 и записываем в массив радиусов. Синтезируем нечеткую модель типа Сугэно с помощью функции genfis2 на тренировочной выборке с радиусом кластеризации radii. С помощью функции anfis системы Matlab обучим данную модель за одну эпоху. Проверим, как работает полученная модель на тестовой выборке, и запишем значение корня квадратного из средней квадратической невязки. После этого увеличиваем радиус на шаг 0.1 и повторяем цикл, пока radii<1. При окончании цикла выбираем радиус с наименьшим показателем ошибки.

Алгоритмы тестировались на выборках с октября 2005 года по май 2006 года. В таблице 1 представлены среднеквадратичные ошибки результатов прогноза при синтезе системы нечеткого вывода с помощью функции genfis1, genfis2 и genfis2 с поиском оптимального радиуса кластеризации.

Таблица 7




Genfis1

Genfis2

Genfis2, опт. радиус.

Краткосрочный прогноз

2,41

1,64

1,43



Заключение.


В результате исследований был предложен алгоритм выбора вектора радиуса субтрактивной кластеризации при синтезе нейро-нечеткой модели ANFIS в системе MATLAB. Был проведен эксперимент прогнозирования электропотребления на данных Астраханского области при синтезе нечеткой системы с двух стандартных функций Matlab и нового метода. По результатам тестирования, приведенным в таблице 1, можно заметить, что предложенный алгоритм показал наименьшую ошибку прогнозирования.


Литература:

  1. С.Д.Штовба "Введение в теорию нечетких множеств и нечеткую логику". Сообщество пользователей Matlab и Simulink. Режим доступа: http//matlab.exponenta.ru, свободный. – Заглавие с экрана. – Яз. рус.

  2. Сообщество пользователей Matlab и Simulink. Режим доступа: http//matlab.exponenta.ru, свободный. – Заглавие с экрана. – Яз. рус.

Добавить в свой блог или на сайт

Похожие:

Синтез нейро-нечеткой модели типа сугэно. Поиск оптимального вектора радиуса субтрактивной кластеризации iconEstimation of tangential velocity effect on sar images and mtd algorithm disigning
...

Синтез нейро-нечеткой модели типа сугэно. Поиск оптимального вектора радиуса субтрактивной кластеризации iconПри построении эконометрической модели используются два типа данных
Модели, построенные по данным первого типа, называются пространственными моделями. Модели, построенные на основе второго типа данных,...

Синтез нейро-нечеткой модели типа сугэно. Поиск оптимального вектора радиуса субтрактивной кластеризации iconСинтез адаптивного оптимального алгоритма
Однако синтезированные алгоритмы оптимальной обработки не всегда оказываются устойчивыми. Цель данной статьи заключается в разработке...

Синтез нейро-нечеткой модели типа сугэно. Поиск оптимального вектора радиуса субтрактивной кластеризации iconРазработка модели и инструментальных средств оптимального распределения инвестиций в непрерывное образование на основе компетентностного подхода
Разработка модели и инструментальных средств оптимального распределения инвестиций

Синтез нейро-нечеткой модели типа сугэно. Поиск оптимального вектора радиуса субтрактивной кластеризации iconУчебное пособие Рекомендовано методической комиссией экономического факультета для студентов высших учебных заведений, обучающихся по направлению «Прикладная информатика в экономике»
Применение методов поиска оптимального решения и нечеткой логики в экономических задачах

Синтез нейро-нечеткой модели типа сугэно. Поиск оптимального вектора радиуса субтрактивной кластеризации iconПроцессы релаксационой поляризации дебаевского и квазидебаевского типа в диэлектриках
Ннс «Синтез, исследование и теоретическое прогнозирование свойств экологически безопасных мультифункциональных сегнетоэлектрических...

Синтез нейро-нечеткой модели типа сугэно. Поиск оптимального вектора радиуса субтрактивной кластеризации iconОценка эффективности инвестиционных проектов на основе нечеткой логики
В данной работе показаны перспективы применения для решения подобных задач систем нечеткой логики, в частности, пакета прикладных...

Синтез нейро-нечеткой модели типа сугэно. Поиск оптимального вектора радиуса субтрактивной кластеризации iconВведение 3
Модели оптимального портфеля ценных бумаг и возможности их практического применения 23

Синтез нейро-нечеткой модели типа сугэно. Поиск оптимального вектора радиуса субтрактивной кластеризации iconПроводники в электростатическом поле
...

Синтез нейро-нечеткой модели типа сугэно. Поиск оптимального вектора радиуса субтрактивной кластеризации iconУроках математики
Однозначно определяется заданием его длины и направления. Вектор, направленный из точки в точку, обозначают. Длину этого вектора...


Разместите кнопку на своём сайте:
lib.convdocs.org


База данных защищена авторским правом ©lib.convdocs.org 2012
обратиться к администрации
lib.convdocs.org
Главная страница