《模糊逻辑类神经网路发展软体.docx》由会员分享，可在线阅读，更多相关《模糊逻辑类神经网路发展软体.docx（14页珍藏版）》请在三一办公上搜索。
1、OINCA模糊邏輯類神經網路發展軟體An Integrated Platform for development of Fuzzy Logic,Neural Networks, Fuzzy-Neuro Systems快速導引操作手冊Quick Start Guide 中崗科技有限公司106台北市大安區和平東路二段259號9樓TEL:886-2-2704-5535/FAX:886-2-2754-1785http:/ .twIXON目 錄1.範例內容說明22.系統架構23.工具列簡介34. 簡明step-by-step44.1 建立三個輸入變數44.2建立類神經網路模組54.3建立物件間的連結54
2、.4建立模糊邏輯模組64.5創造隸屬函數74.6創造RULEBASE74.7創造類神經網路94.8權重的初始化94.9資料正規化94.10建立類神經網路的訓練檔94.11模擬模糊邏輯模組114.12模擬整個系統121.範例內容說明 這個範例是以生產的品管計畫，做為說明的例子。簡單地規劃了三種特徵，做為判定產品屬於哪種類別（優異、良好、不良.）的根據。2.系統架構 此系統的設計理念，在第一階段，希望先透過類神經網路的學習能力，將輸入的三種變數（特徵值），跟兩個輸出變數（雜訊比率、損壞程度）做連結。這部分學習過後的輸出，再做為第二階段專家系統的輸入變數。類神經網路部分，使用的是倒傳遞網路，共有三個
3、輸入、一個隱藏層（四個神經元）、兩個輸出神經元。專家系統的部分，接收到來自神經網路的兩個輸入，透過預先建立的五個法則，做出最後對每個產品品質的判斷。專家系統部分，還有一個模糊函數的子系統，分別透過使用者的設定，替三個部分設定隸屬函數，分別是雜訊比率、損壞程度以及品質等三部分。圖示如下：（圖一）透過上圖，我們可以清楚地發現，當兩套系統（ANN以及expert system）巧妙地橋接起來，我們可以發揮神經網路優異的學習、容錯能力，加上專家系統強大的邏輯判斷，得到對於品質良好的判別依據。3.工具列簡介 因為OINCA這套系統的設計，並沒有將游標放在圖示上，就會顯現提示的功能，所以為了以後解說方便，
4、我們先將工具列的各圖形方塊功能，做簡單介紹。如下圖所示：（圖二）從上圖中，我們可以看到，從左至右，分別是輸入、輸出、模糊邏輯、神經網路、使用者自訂、運算子、常數、直線與文字等。4. 簡明step-by-step 4.1 建立三個輸入變數 先按下工具列中的輸入，再將滑鼠移至System Diagram的視窗，按下滑屬左鍵，拉開一個四方形大小，就建立了一個輸入變數。Double-click該變數，就會顯示出該輸入屬性的對話框。請在variable中輸入Feature 1，Data Range的最大、最小值中分別輸入0以及1。按照同樣步驟，建立起Feature 2以及Feature 3，所有變數的設
5、定值，請見下表：類神經網路模組輸入變數資料範圍輸出變數資料範圍Feature 10 , 1SNRatio0 , 30Feature 2-5 , 5Phys-Damage0 , 1Feature 30 , 10模糊邏輯模組輸入變數資料範圍輸出變數資料範圍SNRatio0 , 30Quality0 , 10Phys-Damage0 , 1（表一）4.2建立類神經網路模組 仿造前面建立輸入變數的滑鼠拖曳方式，從工具列中，將神經網路、模糊邏輯以及輸出分別按照圖一中的版面配置，放置在System Diagram視窗中，針對每個物件，也以double-click的方式予以命名，最大最小值的設定，則根據表一
6、。4.3建立物件間的連結 從工具列中點選直線，依照圖一的形式，分別從左邊的物件連結到右邊的物件。神經網路物件與模糊邏輯物件間有兩條連結，也請分別double-click後予以命名。4.4建立模糊邏輯模組 將滑鼠移到模糊邏輯的物件上，按住shift鍵double-click滑鼠左鍵。在模糊邏輯視窗中創造兩個輸入、一個法則規則物件(RuleBase)以及一個輸出物件，分別予以命名。創造物件方式雷同前述創造類神經模組的過程，在工具列透過拖曳的方式，將圖示拉到視窗中。以Double-Click每個物件，分別予以命名，並將個各物件加以連結，如下圖所示：針對四個物件，請分別予以設定如下：Variable隸
7、屬函數解模糊輸入（SNRatio）SNRatioSNR輸入（Phys-Damage）Phys-DamagePhys-Damage法則規則物件evaluatorInference-Max-Min輸出(Quality)QualityQualityCentrold4.5創造隸屬函數 a. ”SNRatio”的輸入物件-將游標放在此物件上，接著按下shift-double-clicking滑鼠左鍵，進入編輯隸屬函數的視窗。按下TOOL中的Creat MF set，選擇設定Shape=Trapezoidal，Number of labels=3，接著會產生一共三個MF-1、MF-2、MF3的隸屬函數標示
8、，在三個圖示上分別加以Double-Click，將名字分別設為Weak、Normal以及Strong。接著，再到TOOL去按下Set Data Range，並輸入Description=Signal-to-Noise 、Min=0、Max=30。b. “Phys-Damage” 的輸入物件-基本上步驟同於前項所述，但是設定上，Shape=Triangular Shouldered，Number of labels=2， MF-1、MF-2分別設為Minor以及Severe。Set Data Range中輸入Description=Physical Damage 、Min=0、Max=1c. ”
9、Quality”的輸出物件-同於前項所述，但是設定上，Shape=Triangular Shouldered，Number of labels=4，分別設為Reject、Marginal、Good以及High。Set Data Range中輸入Description=Quality、Min=0、Max=10。4.6創造Rulebase 在模糊邏輯視”Expert system”窗中，將指標放在evaluator上，並加以Shift-Double-Click，便會出現一個空白的Rule list對話方格，按下Append，便會出現以下畫面：在中間Clause群組中，Input Variable選
10、SNRatio、Operator選IS、Input Lable選Minor，接著到Clause Edit群組中按下Append；其次，選到第二個THEN的框框，再到中間Clause群組中，Output Variable選Quality、Operator選IS、Output Label選High，接著到Clause Edit群組中按下Append，最後按下OK，便完成第一條規則的輸入。請依照相同步驟，完成以下接著四條法則的輸入，完整輸入法則如下圖所示：4.7創造類神經網路 將滑鼠指標放在classifier的物件上，按下Shift-Double-Clicking，到TOOL中按下Neural N
11、et，接著輸入Input layer Neurons=3, Output layer Neurons=2, Hidden layer Neurons=4，Activation=Sigmoid，並且按下OK。透過對每一個神經元Double-Clicking，加以設定每個神經元的label以及min、max（根據表一）。4.8權重的初始化 選擇TOOL中的initialization，設定中可以根據原始設定值，或者隨使用者調整。在範例中，SEED（亂數產生種子）我們設定為2525。4.9資料正規化 選擇TOOL中的normalization，在本範例中，我們可以選擇0到1。4.10建立類神經網路的
12、訓練檔 建議使用WIN98所附的WORDPAD先建立起以下檔案： /Neural Net Training Data File for 3 input/2 output network#Feature 1, Feature 2, Feature 3, &, SNRatio, Phys-Damage0.1, 5, 10, 30 , 0.20.3, 2, 7, 30 , 0.20.1, 5, 6 , 15, 0.20.3, 2, 4, 15, 0.21, -5, 10 , 3, 0.20.7,-2, 7, 3, 0.20.1, 5, 1, 15, 0.80.3, 2, 0.3, 15, 0.8 0
13、.1, -5,1, 3, 0.80.3, -2, 3, 3, 0.8並將其存在C:My DocumentsQualityTrain （選擇存檔格式為純文字）。上述輸入的、/等符號，包括數字結尾前的逗號，都有其必要性，請勿疏忽。此時該檔案為.txt檔。接著進入MS-DOS模式，操作如下：C:cd.C:cd My DocumentsC:My Documents copy QualityTrain.txt QualityTrain.trn按下ENTER。接著關掉DOS視窗，此時已將原來.txt檔案改成.trn檔案。回到類神經網路視窗模組中，從TOOL選擇train，在最下方的Files群組中，透過B
14、rowse，選擇我們之前已經存好的QualityTrain.trn作為訓練檔，其餘設定值，如下圖所示：接著按下START，便可以開始訓練。若在SAVE ERROR的選項勾選，還可以在TOOL中選擇plot error，將訓練中的誤差畫出來，如下：同樣的道理，請設定好輸入的test檔案，便可以利用訓練好的網路，進行測試。4.11模擬模糊邏輯模組 （因為神經網路的模擬跟此類似，故不重複敘述）：先打開模糊邏輯的視窗，到MODE下選擇simulation。接著選擇input from console，並且不要選擇Save output，按下OK。回到視窗中，將滑鼠點一下輸入物件，接著點一下Toggle
15、 Watch的按鍵；照此順序，完成每一個輸入與輸出物件。接著按下STEP按鍵，把Phys-Damage設為0.2，SNRatio設為10，按下OK，便可以在圖中看到模擬後的結果。甚至在圖中double-click推論物件evaluator，還可以看到推論過程，如下：4.12模擬整個系統 基本上，過程與模擬模糊系統相似，請先打開整個系統的視窗，到MODE中選擇simulation，選擇所需檢視的物件，加以Toggle Watch，再以STEP，給予個別輸入值，例如：Feature 1=0.1 , Feature 2=5, Feature 3=10則輸出結果將如下圖：分別double-click神經網路物件與模糊邏輯物件，將可以看到推論與模擬的過程輸出。至此，初步範例告一段落。
