Previous Next

成果花絮

STEM計畫-MATLAB的模糊決策理論之實例解析-圓滿成功


時間:112/05/30 (四) 15:20-18:10
地點:資訊大樓1樓2108

MATLAB的模糊決策理論之實例解析於2024年5月30日舉辦,邀請鈦思科技股份有限公司的莊賀鈞資深工程師,根據本次講座帶領同學了解MATLAB的模糊決策理論之實例解析。

一、調整模糊推理系統
透過基因演算法來優化模糊推理系統。
基因演算法就是仿照物競天擇的方式,來進行最佳化搜尋。主要由三個運算單元,分別是複製、交配、突變。目的是為了讓訓練結果變成全域最佳解,而不是只能解答部分問題的局部最佳解。
如何應用基因演算法來解最佳化問題?將問題要處理的資料編碼成稱為染色體的字串,依問題的複雜度,由所有染色體中隨機產生n個初始字串,這些染色體被稱為母體。依據求解的條件,來設定適應函數,再選擇一些適應函數值高的個體作為父代,以產生下一代。
子代再依交配及突變的過程,產生適應性最強的染色體。

二、使用ANFIS預測混沌時間序列
自適應類神經模糊系統(ANFIS)是透過結合類神經網路及模糊推理系統,類神經網路為深度學習的前身,它的概念是模仿生物系統的神經網路,由很多的神經元連接而成。類神經網路的架構,有資料輸入進來的為輸入層,隱藏層上有許多的神經元,隱藏層可以有很多層,所以設定多少層隱藏層,裡面有多少個神經元是一個很重要的問題。
類神經網路可以分成兩個不同的網路架構,一個是監督式學習,監督式學習主要是從問題領域中取得的資料,資料當中有輸入的資料以及對應的輸出,這樣的方式優點是它的效率很好,缺點是它沒辦法精確的解答問題;而另一個是無監督式學習,是從問題領域中,依照資料特性進行分群,可以應用在資料的分類以及數據的預測。
在ANFIS的架構,跟類神經網路架構類似,只是隱藏層的神經元會用歸屬函數(membership function)來表示,再用設定好的規則輸出,最後再解模糊化,就可以得到一個結果。

三、利用鳶尾花數據進行Fuzzy C-Means分群
資料分群可以利用 K-Means 以及 Fuzzy C-Means 兩種方式。K-Means的流程是選出k個值星,依照值星的數量分群,再將資料點跟這些值星算出最近的距離為一群,會更新群族的平均值,值星就會修正更動,更動完會再跟所有的資料點算距離再分群,以此類推,直到值星沒有變動或移動就會停止。
Fuzzy C-Means是利用歸屬函數來進行分群。用鳶尾花花瓣、花萼的長跟寬的資料以及類別當作資料,將特徵畫出來,
類神經網路
.監督式學習
.非監督式學習
.集成函數
.作用函數
Fuzzy C-Means
.據類分析
.分群
.分割:事先挑選聚類核心和訂定臨界值,所有物件與聚類核心之距離不超過臨界值則為一群,常見的有K-Means跟Fuzzy C-Means。

最後在本次演講期間講師也用心為同學們解惑,經由課堂彼此交流讓同學們受益良多,期望此講座可以讓同學利用這些知識來增加自身在此領域的專業知識。