Нейро-нечеткое - Neuro-fuzzy
В области искусственного интеллекта , нейро-нечеткий относится к комбинациям искусственных нейронных сетей и нечеткой логики .
Обзор
Нейро-нечеткая гибридизация приводит к гибридной интеллектуальной системе , использующей эти два метода, путем объединения человеческого мышления в нечетких системах с обучающей и коннекционистской структурой 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 нечетких множеств и лингвистической модели, состоящей из набора нечетких правил IF-THEN. Основная сила нейронечетких систем заключается в том, что они являются универсальными аппроксимирующими элементами, способными запрашивать интерпретируемые правила IF-THEN.
Сила нейронечетких систем заключается в двух противоречащих друг другу требованиях к нечеткому моделированию: интерпретируемость против точности. 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 модель Мамдани ; и точное нечеткое моделирование, ориентированное на точность, в основном модель Такаги-Сугено-Канга (TSK) .
Хотя обычно предполагается, что это реализация нечеткой системы через сети связи , этот термин также используется для описания некоторых других конфигураций, включая:
- Получение нечетких правил из обученных сетей RBF .
- Настройка параметров обучения нейронной сети на основе нечеткой логики .
- Критерии нечеткой логики для увеличения размера сети.
- Реализация нечеткой функции принадлежности с помощью алгоритмов кластеризации при обучении без учителя в SOM и нейронных сетях .
- Представление фаззификации , нечеткого вывода и дефаззификации через многослойные сети прямого соединения .
Следует отметить, что интерпретируемость нейронечетких систем типа Мамдани может быть утрачена. Чтобы улучшить интерпретируемость нейронечетких систем, необходимо принять определенные меры, в которых также обсуждаются важные аспекты интерпретируемости нейронечетких систем.
Недавнее направление исследований касается случая интеллектуального анализа потоков данных , когда нейронечеткие системы последовательно обновляются новыми входящими выборками 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), чтобы адекватно справиться с дрейфом концепций и динамически изменяющимся поведением системы и сохранить системы / модели » актуальный »в любое время. Подробные обзоры различных развивающихся подходов к нейронечетким системам можно найти в и.
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.
В литературе существует три члена POPFNN:
- POPFNN-AARS (S) , который основан на приближенной схеме рассуждений по аналогии
- POPFNN-CRI (S) , который основан на общепринятом нечетком композиционном правиле вывода
- POPFNN-TVR , основанный на ограничении истинной ценности
Архитектура «POPFNN» представляет собой пятиуровневую нейронную сеть, в которой 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 коллективно выполняется слоями правил, условий и последствий.
Процесс обучения POPFNN состоит из трех этапов:
- Генерация нечеткого членства
- Идентификация нечеткого правила
- Контролируемая точная настройка
Могут использоваться различные алгоритмы генерации нечеткого членства : 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 Неджах и др. (Ред.), Исследования нечеткости и мягких вычислений , Springer Verlag, Германия, ISBN 3-540-25322-X , 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, CSG (1996). Нейронные нечеткие системы: нейро-нечеткий синергизм интеллектуальных систем . Река Аппер Сэдл, штат 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, RW (2001). «Алгоритмы обучения POP: сокращение работы по выявлению нечетких правил». Нейронные сети , 14 (10), 1431-1445.