模糊预测|RFIS与ANFIS模糊模型预测的比较（Matlab代码实现）

news2024/11/14 20:18:51

💥💥💥💞💞💞欢迎来到本博客❤️❤️❤️💥💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者

📋📋📋本文目录如下：⛳️⛳️⛳️

目录

1 概述

2 数学模型

3 RFIS与ANFIS模糊模型预测结果

4 参考文献

5 Matlab代码实现

1 概述

能源是国民经济和社会发展的重要物质基础，是建设工业强省、文化大省和生态文明强省的重要支撑，是促进经济发展方式转变和经济结构调整的重要起点。然而新能源从目前发展情况来看存在的问题也较为显著，相关技术处于瓶颈期，例如甘肃河西地区的风力发电强弱变化不定、无法控制，又如运营成本高、储存困难、随机性、间歇性等诸多问题。本文采取一种RFIS与ANFIS模糊模型预测的比较。

本文讲解了一种新的多变量模糊推理系统，没有明确定义模糊规则。该系统使用高斯模糊集作为输入以及线性和非线性参数化系统函数。为了确定它们的参数，使用线性和非线性回归。线性回归由岭回归实现，非线性回归由 Levenberg-Marquardt 算法实现。输入模糊集由具有特征选择方法的多目标遗传算法确定。在线性参数化系统函数的情况下，考虑以下方法：F 检验、ReliefF、回归树、邻域分量分析和 lasso 回归。在非线性参数化系统函数的情况下，所谓的项矩阵中的项被编码在一个个体中，并且它们是通过使用遗传算法来选择的。在本文中，定义了两对目标函数：一对，由活动预测器的数量和均方误差的根组成，用于构建模糊估计，第二对，由活动预测器的数量和混淆值，用于构建模糊分类器。这些多标准目标函数能够从帕累托前沿中选择模型，同时考虑到模型准确性与其简化之间的折衷。所提出的方法在四个示例上进行了测试：单变量函数的逼近、钞票的二分类、时间序列的预测和汽车燃料消耗的预测。进行的实验证实了所提出解决方案的有效性。

2 数学模型

$\begin{aligned} A_{j}^{1}\left(x^{1}\right) &=\operatorname{gauss}\left(x^{1} ; c_{j}^{1}, \sigma_{j}^{1}\right) \\ &=\exp \left(-\frac{1}{2}\left(\frac{x^{1}-c_{j}^{1}}{\sigma_{j}^{1}}\right)^{2}\right) \end{aligned}$

$\xi_{j}^{k}\left(x^{k}\right)=\frac{A_{j}^{k}\left(x^{k}\right)}{\sum_{j=1}^{p} A_{j}^{k}\left(x^{k}\right)}$

这里仅展现两个公式，其余部分详情见第4部分。

3 RFIS与ANFIS模糊模型预测结果

部分代码：

figure(1)
subplot(211) 
hold on
bar(yv,'FaceColor',[0.8500,0.3250,0.0980])
bar(yhatv,'FaceColor',[0,0.4470,0.7410])
hold off
xlabel("数据")
ylabel("MPG")
legend({"真实 MPG","预测 MPG"},'Location','NorthWest')
subplot(212)
bar(yv-yhatv)
xlabel("数据")
ylabel("预测误差")

4 参考文献

部分理论引用网络文献，若有侵权请联系博主删除。

[1]贾婷婷.基于模糊预测控制的风电储能智能化监控系统[J].科技创新与应用,2022,12(16):42-45.DOI:10.19981/j.CN23-1581/G3.2022.16.008.

[2]汤万宝. 基于预测的动态多目标优化算法[D].中国矿业大学,2021.DOI:10.27623/d.cnki.gzkyu.2021.001203.

[3] Aghaeipoor F, Javidi MM (2019) MOKBL?MOMs: an inter-
pretable multi-objective evolutionary fuzzy system for learning
high-dimensional regression data. Inform Sci 496:1–24