Нейро-нечеткое - Википедия - Neuro-fuzzy

Эта статья может потребоваться переписан соответствовать требованиям Википедии стандарты качества. Ты можешь помочь. В страница обсуждения может содержать предложения. (Май 2010 г.)

Набросок нейронечеткой системы, реализующей простой контроллер Сугено-Такаги.^[1]

В области искусственный интеллект, нервно-нечеткий относится к комбинациям искусственные нейронные сети и нечеткая логика.

Обзор

Нейро-нечеткая гибридизация приводит к гибридная интеллектуальная система что эти два метода, сочетающие человеческий стиль рассуждений нечетких систем с обучением и коннекционист структура нейронных сетей. Нейро-нечеткая гибридизация в литературе широко называется нечеткой нейронной сетью (FNN) или нейронечеткой системой (NFS). Нейро-нечеткая система (в дальнейшем используется более популярный термин) включает в себя человеческий стиль рассуждений нечетких систем за счет использования нечеткие множества и лингвистическая модель, состоящая из набора нечетких правил IF-THEN. Основная сила нейронечетких систем в том, что они универсальные аппроксиматоры с возможностью запрашивать интерпретируемые правила IF-THEN.

Сила нейронечетких систем заключается в двух противоречащих друг другу требованиях к нечеткому моделированию: интерпретируемость и точность. На практике преобладает одно из двух свойств. Область исследований нейро-нечеткого моделирования в нечетком моделировании делится на две области: лингвистическое нечеткое моделирование, ориентированное на интерпретируемость, в основном Мамдани модель; и точное нечеткое моделирование, ориентированное на точность, в основном Модель Такаги-Сугено-Канга (TSK).

Хотя обычно предполагается, что это реализация нечеткая система через коннекционист сетей, этот термин также используется для описания некоторых других конфигураций, включая:

• Получение нечеткие правила из обученных RBF сети.
• Нечеткая логика настройка на основе нейронная сеть параметры тренировки.
• Критерии нечеткой логики для увеличения размера сети.
• Понимая нечеткое функция принадлежности через кластеризация алгоритмы в обучение без учителя в SOM и нейронные сети.
• Представляя фаззификация, нечеткий вывод и дефаззификация через многослойную прямую связь коннекционист сети.

Следует отметить, что интерпретируемость нейро-нечетких систем типа Мамдани может быть утрачена. Чтобы улучшить интерпретируемость нейронечетких систем, необходимо принять определенные меры, в которых также обсуждаются важные аспекты интерпретируемости нейронечетких систем.^[2]

Недавнее направление исследований касается интеллектуальный анализ потока данных случай, когда нейронечеткие системы последовательно обновляются новыми поступающими образцами по запросу и на лету. Таким образом, обновления системы включают в себя не только рекурсивную адаптацию параметров модели, но также динамическую эволюцию и сокращение компонентов модели (нейронов, правил) для обработки дрейф концепции и адекватно динамически изменяя поведение системы, и поддерживать системы / модели в «актуальном состоянии» в любое время. Подробные обзоры различных развивающихся подходов к нейронечетким системам можно найти в ^[3] и.^[4]

Нечеткие нейронные сети на основе псевдо-внешнего продукта

Нечеткие нейронные сети на основе псевдо-внешних продуктов (POPFNN) представляют собой семейство нейронечетких систем, основанных на лингвистической нечеткой модели.^[5]

В литературе описаны три члена POPFNN:

• ПОПФНН-ААРС (S), который основан на приближенной схеме рассуждений по аналогии^[6]
• POPFNN-CRI (S), который основан на общепринятом нечетком композиционном правиле вывода^[7]
• ПОПФНН-ТВР, который основан на ограничении истинного значения

Архитектура «POPFNN» представляет собой пятиуровневую нейронная сеть где уровни от 1 до 5 называются: входной лингвистический уровень, уровень условий, уровень правил, последующий уровень, выходной лингвистический уровень. Фаззификация входов и дефаззификация выходов соответственно выполняются входным лингвистическим и выходным лингвистическим слоями, в то время как нечеткий вывод совместно выполняется слоями правил, условий и следствий.

Процесс обучения POPFNN состоит из трех этапов:

1. Генерация нечеткого членства
2. Идентификация нечеткого правила
3. Контролируемая точная настройка

Различная генерация нечеткого членства алгоритмы могут использоваться: обучающее векторное квантование (LVQ), нечеткое разбиение по Кохонену (FKP) или дискретная инкрементная кластеризация (DIC). Как правило, алгоритм POP и его вариант LazyPOP используются для идентификации нечетких правил.

Примечания

Рекомендации

• Абрахам А., «Адаптация системы нечеткого вывода с использованием нейронного обучения, разработка нечетких систем: теория и практика», Надя Неджа и др. (Ред.), Исследования нечеткости и мягких вычислений, Springer Verlag Германия, ISBN  3-540-25322-Х, Глава 3, стр. 53–83, 2005. информация на сайте издателя.
• Анг, К. К., и Квек, К. (2005). "RSPOP: Алгоритм идентификации нечетких правил псевдо-внешнего произведения на основе приблизительного набора". Нейронные вычисления, 17(1), 205-243.
• Коско, Барт (1992). Нейронные сети и нечеткие системы: подход динамических систем к машинному интеллекту. Энглвуд Клиффс, Нью-Джерси: Prentice Hall. ISBN  0-13-611435-0.
• Лин, К.-Т., и Ли, С.С.Г. (1996). Нейронные нечеткие системы: нейро-нечеткий синергизм интеллектуальных систем. Река Аппер Сэдл, Нью-Джерси: Prentice Hall.
• A. Bastian, J. Gasós (1996): "Выбор входных переменных для модельной идентификации статических нелинейных систем", Journal of Intelligent and Robotic Systems, Vol. 16. С. 185–207.
• Quek, C., & Zhou, R. W. (2001). «Алгоритмы обучения POP: сокращение работы по выявлению нечетких правил». Нейронные сети, 14(10), 1431-1445.

внешняя ссылка

• Определение интерпретируемости нечетких систем