Адаптивная нейро-нечеткая система вывода
Тип искусственной нейронной сети

Адаптивная нейро-нечеткая система вывода или адаптивная сетевая система нечеткого вывода ( ANFIS ) — это разновидность искусственной нейронной сети , основанная на системе нечеткого вывода Такаги–Сугэно . Метод был разработан в начале 1990-х годов. [1] [2] Поскольку она объединяет принципы нейронных сетей и нечеткой логики , она может объединить преимущества обоих в одной структуре.

Его система вывода соответствует набору нечетких правил ЕСЛИ–ТО , которые обладают способностью к обучению для аппроксимации нелинейных функций . [3] Следовательно, ANFIS считается универсальным оценщиком . [4] Для более эффективного и оптимального использования ANFIS можно использовать лучшие параметры, полученные с помощью генетического алгоритма . [5] [6] Он применяется в интеллектуальной ситуационно-осведомленной системе управления энергией . [7]

Архитектура ANFIS

В структуре сети можно выделить две части, а именно предпосылку и следствие. Более подробно, архитектура состоит из пяти слоев.

  1. Первый слой принимает входные значения и определяет функции принадлежности , принадлежащие им. Его обычно называют слоем фаззификации. Степени принадлежности каждой функции вычисляются с использованием набора параметров предпосылки, а именно {a,b,c}.
  2. Второй слой отвечает за генерацию сил стрельбы для правил. В связи со своей задачей второй слой обозначается как «слой правил».
  3. Роль третьего слоя заключается в нормализации вычисленных значений силы выстрела путем деления каждого значения на общую силу выстрела.
  4. Четвертый слой принимает в качестве входных данных нормализованные значения и набор параметров последствий {p,q,r}.
  5. Значения, возвращаемые этим слоем, являются дефаззифицированными, и эти значения передаются на последний слой для возврата окончательного результата. [8]

Слой нечеткости

Первый слой сети ANFIS описывает разницу с обычной нейронной сетью. Нейронные сети в целом работают с шагом предварительной обработки данных , на котором признаки преобразуются в нормализованные значения от 0 до 1. Нейронной сети ANFIS не нужна сигмоидальная функция , но она выполняет шаг предварительной обработки, преобразуя числовые значения в нечеткие значения. [9]

Вот пример: предположим, сеть получает в качестве входных данных расстояние между двумя точками в 2D-пространстве. Расстояние измеряется в пикселях и может иметь значения от 0 до 500 пикселей. Преобразование числовых значений в нечеткие числа выполняется с помощью функции принадлежности, которая состоит из семантических описаний , таких как «близко», «средне» и «далеко». [10] Каждое возможное лингвистическое значение задается отдельным нейроном . Нейрон «близко» срабатывает со значением от 0 до 1, если расстояние находится в категории «близко». В то время как нейрон «средний» срабатывает, если расстояние находится в этой категории. Входное значение «расстояние в пикселях» разделяется на три разных нейрона для «близко», «средне» и «далеко».

Ссылки

  1. ^ Джанг, Джи-Шинг Р. (1991). Нечеткое моделирование с использованием обобщенных нейронных сетей и алгоритма фильтра Калмана (PDF) . Труды 9-й Национальной конференции по искусственному интеллекту, Анахайм, Калифорния, США, 14–19 июля. Том 2. С.  762–767 .
  2. ^ Джанг, Дж.-СР (1993). «ANFIS: адаптивная сетевая система нечеткого вывода». Труды IEEE по системам, человеку и кибернетике . 23 (3): 665– 685. doi : 10.1109/21.256541. S2CID  14345934.
  3. ^ Абрахам, А. (2005), «Адаптация системы нечеткого вывода с использованием нейронного обучения», в Неджа, Надя; де Маседо Мурелле, Луиза (ред.), Инженерия нечетких систем: теория и практика , Исследования по нечеткости и мягким вычислениям, т. 181, Германия: Springer Verlag, стр.  53–83 , CiteSeerX 10.1.1.161.6135 , doi :10.1007/11339366_3, ISBN  978-3-540-25322-8
  4. ^ Джанг, Сан, Мизутани (1997) – Нейронечеткие и мягкие вычисления – Prentice Hall, стр. 335–368, ISBN 0-13-261066-3 
  5. ^ Tahmasebi, P. (2012). «Гибрид нейронных сетей, нечеткой логики и генетического алгоритма для оценки оценок». Компьютеры и науки о Земле . 42 : 18– 27. Bibcode : 2012CG.....42...18T. doi : 10.1016/j.cageo.2012.02.004. PMC 4268588. PMID  25540468. 
  6. ^ Tahmasebi, P. (2010). «Сравнение оптимизированной нейронной сети с нечеткой логикой для оценки содержания руды». Australian Journal of Basic and Applied Sciences . 4 : 764–772 .
  7. ^ Камал, Мохасинина Бинте; Мендис, Джихан Дж.; Вэй, Джин (2018). «Интеллектуальное управление безопасностью на основе мягких вычислений для архитектуры управления энергопотреблением гибридной аварийной системы питания для более электрических самолетов [ sic ]». Журнал IEEE по избранным темам в обработке сигналов . 12 (4): 806. Bibcode : 2018ISTSP..12..806K. doi : 10.1109/JSTSP.2018.2848624. S2CID  51908378.
  8. ^ Карабога, Дервис; Кая, Эбубекир (2018). «Подходы к обучению адаптивной сетевой системы нечеткого вывода (ANFIS): комплексный обзор». Обзор искусственного интеллекта . 52 (4): 2263– 2293. doi :10.1007/s10462-017-9610-2. ISSN  0269-2821. S2CID  40548050.
  9. ^ J.-SR Jang (1992). «Самообучающиеся нечеткие контроллеры на основе временного обратного распространения». IEEE Transactions on Neural Networks . 3 (5). Институт инженеров по электротехнике и электронике (IEEE): 714– 723. doi :10.1109/72.159060. PMID  18276470.
  10. ^ Аниш Пандей и Сародж Кумар и Кришна Кант Пандей и Даял Р. Пархи (2016). «Навигация мобильного робота в неизвестных статических средах с использованием контроллера ANFIS». Перспективы в науке . 8. Elsevier BV: 421– 423. Bibcode : 2016PerSc...8..421P. doi : 10.1016/j.pisc.2016.04.094 .
Взято с "https://en.wikipedia.org/w/index.php?title=Адаптивная_нейро_нечеткая_система_выведения&oldid=1262350335"