04-Neuro_fuzzy

Neuro Fuzzy

Este repositório contém a implementação de um sistema Neuro-Fuzzy, que combina redes neurais e lógica fuzzy para resolver problemas de regressão. O sistema Neuro-Fuzzy é implementado usando Python e inclui funções utilitárias para pré-processamento de dados, visualização e funções de pertinência fuzzy.

Estrutura do Projeto

• utils.py: Este arquivo contém funções utilitárias para leitura de dados, funções de plotagem e a definição da classe de função de pertinência triangular.
• nfn.py: Este arquivo implementa a classe do sistema Neuro-Fuzzy, que inclui os métodos de passagem direta e inversa para treinar a rede.
• main.py: Este arquivo demonstra o uso do sistema Neuro-Fuzzy realizando o pré-processamento dos dados, definindo antecedentes e funções de pertinência, treinando o modelo e fazendo previsões.

Dependências

• NumPy: para operações numéricas e manipulação de arrays.
• Pandas: para leitura e manipulação de dados em arquivos CSV.
• Matplotlib: para visualização de dados e plotagem.

Como Acessar

1. Clone este repositório: git clone https://github.com/Gustavo01rb/Redes_Neurais.git
2. Navegue até o diretório clonado: cd 04-Neuro_fuzzy/
3. Instale as dependências:
   • matplotlib->3.5.2
   • numpy->1.21.5
   • pandas->1.4.4

pip install -r requirements.txt 

Comando para instalar as dependências

4. Execute o script main.py para executar os testes.

Uso

1. Importe os módulos e funções necessários do repositório:

   from nfn import NFN
   from utils import plot_functions, Triangle_MF, data_reader

2. Leia os dados de entrada e saída usando a função data_reader:

   x, y, x_train, x_test, y_train, y_test = data_reader(test_percent=0.2)

3. Defina os antecedentes e suas funções de pertinência correspondentes. Cada antecedente é representado por uma lista de objetos Triangle_MF:

   ante = [
       [  # Antecedente 1
           Triangle_MF(-2, x_train.min(), x_train.max() / 2),
           Triangle_MF(x_train.min(), x_train.max() / 2, x_train.max()),
           Triangle_MF(x_train.max() / 2, x_train.max(), 2)
       ],
       [  # Antecedente 2
           Triangle_MF(-2, x_train.min(), x_train.max() / 2),
           Triangle_MF(x_train.min(), x_train.max() / 2, x_train.max()),
           Triangle_MF(x_train.max() / 2, x_train.max(), 2)
       ],
       [  # Antecedente 3
           Triangle_MF(-2, x_train.min(), x_train.max() / 2),
           Triangle_MF(x_train.min(), x_train.max() / 2, x_train.max()),
           Triangle_MF(x_train.max() / 2, x_train.max(), 2)
       ]
   ]

4. Crie uma instância do sistema Neuro-Fuzzy e treine o modelo:

   model = NFN(fixed_alpha=True, alpha=0.5, epoch=1)
   model.fit(ante=ante, x=x_train, y=y_train)

5. Faça previsões usando o modelo treinado:

   predicted_x_train, erro_train = model.predict(ante, x_train)

6. Visualize os resultados usando a função plot_functions do arquivo utils.py:

       plot_functions(
       x_train,
       predicted_x_train,
       multi_functions=False,
       show=True,
       title="Validação com o conjunto de treinamento",
       labels="y_p"
   )

Resultado

Contribuindo

Contribuições são bem-vindas! Se você encontrar algum problema, tiver ideias de melhorias ou quiser adicionar novos recursos, fique à vontade para abrir uma issue ou enviar um pull request.

Licença

Este projeto está licenciado sob a MIT License.