11、基于树的神经模糊推理系统（TNFIS）的性能与应用分析

基于树的神经模糊推理系统（TNFIS）的性能与应用分析

1. TNFIS在不同数据集上的表现

TNFIS在多个数据集上展现出了出色的性能。在Nakanishi数据集上，TNFIS相较于其他模型有显著提升。具体数据如下表所示：
| Model | Set 1 (Nonlinear System) | Set 2 (Chemical Plant) |
| — | — | — |
| POP - CRI | 0.270 | 5.630 × 10⁵ |
| RSPOP - CRI | 0.383 | 2.124 × 10⁵ |
| Sugeno (P - G) | 0.467 | 1.931 × 10⁶ |
| Mamdani | 0.862 | 6.580 × 10⁵ |
| Turksen (IVCRI) | 0.706 | 2.581 × 10⁵ |
| ANFIS | 0.286 | 2.968 × 10⁶ |
| EFuNN | 0.566 | 7.247 × 10⁵ |
| DENFIS | 0.411 | 5.240 × 10⁴ |
| TNFIS | 0.051 | 6.8506 × 10³ |

从表中可以看出，TNFIS在数据集1上比最佳模型（POP - CRI）实现了约5.5倍的提升，在数据集2上比最佳模型（DENFIS）实现了约8倍的提升。

2. Box和Jenkins的煤气炉实验

在这个实验中，使用了著名且广泛应用的煤气炉数据来检验TNFIS在系统识别方面的能力。该数据集来自甲烷 - 空气混合物的燃烧过程，过程中保持煤气炉的气体流速