Глущенко_laba2
Лабораторна робота №2
Розв'язання задачі прогнозування за допомогою нейронних мереж та нечітких нейронних мереж у пакеті Matlab
Мета роботи:побудувати нейронну мережу та гібридну нейронну мережу в пакеті Matlab, яка за даними про курс валюти за певний період передбачає курс на наступний період. Визначити вплив параметрів моделі та регулятора на результати моделювання.
Нейронні мережі та нечітка логіка є універсальними апроксиматорами складних (нелінійних) функціональних залежностей у багатьох інтелектуальних задачах кібернетики: прогнозуванні, діагностиці, розпізнаванні образів та ін.
Перевагою нечіткої логіки є можливість використання експертних знань структуру об'єкта як лінгвістичних висловлювань: якщо , то . Однак апарат нечіткої логіки не містить механізмів навчання. Тому отримані з його допомогою результати сильно залежить від виду функцій приналежності, якими формалізуються нечіткі терми. Крім того, експерту необхідно визначити усі правила. Такий алгоритм багато в чому статичний. Необхідність його зміни спричинить досить трудомістку експертну процедуру.
Головною особливістю нейронних мереж є їхня здатність до навчання. Для навчання нейронної мережі не потрібно ніякої апріорної інформації про структуру функціональної залежності, що шукається. Потрібна лише навчальна вибірка у вигляді пар.
Замість визначення всіх функцій належності лінгвістичних змінних та правил необхідно створити навчальну вибірку достатнього обсягу. Одним із критеріїв «достатності» служить наступний: кількість навчальних пар має перевищувати кількість параметрів мережі, що настроюються.
Перевага даного методу полягає у можливості самоналаштування параметрів мережі впроцесі роботи.
Об'єднання нечіткої логіки з нейронними мережами дає нову якість. Отримувана внаслідок такого об'єднання нейро-нечітка мережа має дві найважливіші людські (інтелектуальні) властивості: а)лінгвістичність, тобто. використанням знань природною мовою; б)навчанняв реальному масштабі часу.
Відповідно до аналізу, проведеного у ряді робіт, для класу завдань, яких застосовні нейро-нечіткі мережі, нейронні мережі під час навчання вимагають значно більше ітерацій. Оскільки будь-яка ітерація займає певний машинний час, те й загальний час навчання НС більше (табл.1).
Таблиця 1- Порівняння нейронної та нейро-нечіткої ідентифікації