Бұлыңғыр - Neuro-fuzzy - Wikipedia

Қарапайым Sugeno-Takagi контроллерін іске асыратын жүйке-анық емес жүйенің эскизі.[1]

Өрісінде жасанды интеллект, бұлыңғыр комбинацияларына жатады жасанды нейрондық желілер және түсініксіз логика.

Шолу

Нейро-бұлыңғыр будандастыру нәтижесінде а интеллектуалды жүйе бұл екі әдіс анық емес жүйелердің адамға ұқсас ойлау стилін оқумен және байланысшы жүйке желілерінің құрылымы. Нейро-бұлыңғыр будандастыру әдебиетте бұлыңғыр жүйке желісі (FNN) немесе нейро-анық емес жүйе (NFS) деп кеңінен аталады. Нейро-бұлыңғыр жүйе (бұдан әрі танымал термин қолданылады) бұлыңғыр жүйелердің адамға ұқсас ойлау стилін қолданады бұлыңғыр жиынтықтар және IF-THEN бұлыңғыр ережелер жиынтығынан тұратын лингвистикалық модель. Нейро-анық емес жүйелердің негізгі күші - олар әмбебап жуықтаушылар түсіндірілетін IF-THEN ережелерін сұрау мүмкіндігімен.

Нейро-анық емес жүйелердің күші бұлыңғыр модельдеуде екі қарама-қайшы талаптарды қамтиды: түсіндіруге және дәлдікке қарсы. Іс жүзінде екі қасиеттің бірі басым болады. Бұлыңғыр модельдеуді зерттеу саласындағы нейро-бұлыңғыр екі бағытқа бөлінеді: интерпретацияға бағытталған лингвистикалық бұлыңғыр модельдеу, негізінен Мамдани моделі; және дәлдікке бағытталған дәл емес бұлыңғыр модельдеу, негізінен Такаги-Сугено-Канг (TSK) моделі.

Жалпы алғанда, а-ны жүзеге асыру деп болжанғанымен анық емес жүйе арқылы байланысшы желілер, бұл термин кейбір басқа конфигурацияларды сипаттау үшін қолданылады, соның ішінде:

Мамдани типті нейро-бұлыңғыр жүйелердің интерпретациясын жоғалтуы мүмкін екендігін атап өту керек. Нейро-анық емес жүйелердің интерпретациясын жақсарту үшін белгілі бір шаралар қабылдау қажет, мұнда жүйке-бұлыңқы жүйелердің интерпретациясының маңызды аспектілері де талқыланады.[2]

Жақында жүргізілген зерттеу бағыты деректер ағындарын өндіру бұл жағдайда жүйке-бұлыңғыр жүйелер сұраныс бойынша және ұшу кезінде жаңа келіп түскен үлгілермен дәйекті түрде жаңартылады. Осылайша, жүйелік жаңартулар модель параметрлерінің рекурсивті бейімделуін ғана емес, сонымен қатар динамикалық эволюцияны және модель компоненттерін кесуді (нейрондар, ережелер) басқарады. дрейф және жүйенің мінез-құлқын динамикалық түрде өзгерту және жүйелерді / модельдерді кез-келген уақытта «жаңартып отыру». Әр түрлі дамып келе жатқан жүйке-анық емес жүйелер тәсілдерін кешенді сауалнамадан табуға болады [3] және.[4]

Псевдо-сыртқы өнімге негізделген бұлыңғыр нейрондық желілер

Псевдо сыртқы өнімге негізделген бұлыңғыр нейрондық желілер (POPFNN) - бұл лингвистикалық анық емес модельге негізделген жүйке-бұлыңғыр жүйелер.[5]

POPFNN-нің үш мүшесі әдебиетте бар:

  • POPFNN-AARS (S), ол шамамен аналогтық пайымдау схемасына негізделген[6]
  • POPFNN-CRI (S), бұл жалпы қабылданған түсініксіз композициялық қорытынды ережесіне негізделген[7]
  • POPFNN-TVR, бұл шындық мәнін шектеуге негізделген

«POPFNN» сәулеті бес қабатты құрайды нейрондық желі мұндағы 1-ден 5-ке дейінгі қабаттар деп аталады: кіріс лингвистикалық деңгей, шарттық деңгей, ереже қабаты, нәтиже қабаты, шығыс лингвистикалық қабат. Кірістердің анықталмауы және нәтижелердің дефизификациясы сәйкесінше кіріс лингвистикалық және шығыс лингвистикалық қабаттарымен жүзеге асырылады, ал бұлыңғыр тұжырым ереже, шарт және нәтиже қабаттарымен бірге орындалады.

POPFNN оқу процесі үш кезеңнен тұрады:

  1. Бұлыңғыр мүшелік ұрпақ
  2. Бұлыңғыр ережені идентификациялау
  3. Дәл баптау бақыланады

Әр түрлі анық емес мүшелік ұрпақ алгоритмдер қолдануға болады: Векторлық кванттауды үйрену (LVQ), Furzy Kohonen Partitioning (FKP) немесе Дискретті ұлғаймалы кластерлеу (DIC). Әдетте, бұлыңғыр ережелерді анықтау үшін POP алгоритмі және оның LazyPOP нұсқасы қолданылады.

Ескертулер

  1. ^ Jang, Sun, Mizutani (1997) - нейро-бұлыңғыр және жұмсақ есептеу - Prentice Hall, б. 335-368, ISBN 0-13-261066-3
  2. ^ Ю.Джин (2000). Жоғары өлшемді жүйелерді бұлыңғыр модельдеу: күрделілікті азайту және интерпретацияны жақсарту. Fuzzy жүйелеріндегі IEEE транзакциялары, 8 (2), 212-221, 2000
  3. ^ Э.Люгофер (2011). Дамушы бұлыңғыр жүйелер: әдістемелер, жетілдірілген тұжырымдамалар мен қолданбалар. Springer Heidelberg
  4. ^ Н.Қасабов (2007). Дамып жатқан коннекционистік жүйелер: білімнің инженерлік тәсілі - екінші басылым. Спрингер, Лондон
  5. ^ Чжоу, Р.В., & Куек, C. (1996). «POPFNN: Псевдо-сыртқы өнімге негізделген бұлыңғыр нейрондық желі». Нейрондық желілер, 9(9), 1569-1581.
  6. ^ Quek, C., & Zhou, R. W. (1999). «POPFNN-AAR (S): жалған сыртқы өнімге негізделген бұлыңғыр нейрондық желі.» IEEE жүйелер, адам және кибернетика бойынша транзакциялар, Б бөлімі, 29 (6), 859-870.
  7. ^ Ang, K. K., Quek, C., & Pasquier, M. (2003). «POPFNN-CRI (S): қорытынды және синглтон фузицаторының композициялық ережесін қолдана отырып, жалған сыртқы өнімге негізделген бұлыңғыр нейрондық желі.» IEEE жүйелер, адам және кибернетика бойынша транзакциялар, Б бөлімі, 33 (6), 838-849.

Пайдаланылған әдебиеттер

  • Авраам А., «Нейрондық оқытуды қолдану арқылы анық емес қорытынды жүйесін бейімдеу, бұлыңғыр жүйелік инженерия: теория мен практика», Надия Неджа және т.б. (Eds.), Бұлыңғырлық пен жұмсақ есептеулерді зерттеу, Springer Verlag Германия, ISBN  3-540-25322-X, 3 тарау, 53–83 б., 2005 ж. баспагердің сайтындағы ақпарат.
  • Ang, K. K., & Quek, C. (2005). «RSPOP: өрескел жиынтыққа негізделген жалған сыртқы өнімнің анық емес ережелерін анықтау алгоритмі». Нейрондық есептеу, 17(1), 205-243.
  • Коско, Барт (1992). Нейрондық желілер және түсініксіз жүйелер: машиналық интеллектке жүйенің динамикалық тәсілі. Englewood Cliffs, NJ: Prentice Hall. ISBN  0-13-611435-0.
  • Lin, C.-T., & Lee, C. S. G. (1996). Нейрондық анық емес жүйелер: интеллектуалды жүйелерге арналған нейро-анық емес синергизм. Жоғарғы седла өзені, NJ: Prentice Hall.
  • А.Бастиан, Дж. Гасос (1996): «Статикалық сызықтық емес жүйелерді модельдеу үшін кіріс айнымалыларын таңдау», Journal of Intelligent and Robotic Systems, Vol. 16, 185-207 б.
  • Quek, C., & Zhou, R. W. (2001). «POP оқыту алгоритмдері: түсініксіз ережелерді анықтауда жұмысты азайту». Нейрондық желілер, 14(10), 1431-1445.

Сыртқы сілтемелер