Нейро-нечеткий

В области искусственного интеллекта термин «нейро-нечеткий» относится к сочетанию искусственных нейронных сетей и нечеткой логики .

Обзор

Нейро-нечеткая гибридизация приводит к гибридной интеллектуальной системе , которая сочетает в себе человекоподобный стиль рассуждений нечетких систем с обучающей и коннекционистской структурой нейронных сетей. Нейро-нечеткая гибридизация широко именуется в литературе как нечеткая нейронная сеть (FNN) или нейро-нечеткая система (NFS). Нейро-нечеткая система (более популярный термин используется в дальнейшем) включает в себя человекоподобный стиль рассуждений нечетких систем посредством использования нечетких множеств и лингвистической модели, состоящей из набора нечетких правил ЕСЛИ-ТО. Главное преимущество нейро-нечетких систем заключается в том, что они являются универсальными аппроксиматорами со способностью запрашивать интерпретируемые правила ЕСЛИ-ТО.

Сила нейро-нечетких систем включает два противоречивых требования в нечетком моделировании: 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, которое фокусируется на интерпретируемости, в основном модель Мамдани; и точное нечеткое моделирование, которое фокусируется на точности, в основном модель Такаги-Сугэно-Канга (TSK).

Хотя обычно предполагается, что это реализация нечеткой системы через коннекционистские сети, этот термин также используется для описания некоторых других конфигураций, включая:

Вывод нечетких правил из обученных RBF- сетей.
Настройка параметров обучения нейронной сети на основе нечеткой логики .
Критерии нечеткой логики для увеличения размера сети.
Реализация нечеткой функции принадлежности посредством алгоритмов кластеризации при неконтролируемом обучении в SOM и нейронных сетях .
Представление нечеткой логики , нечеткого вывода и дефаззификации посредством многослойных сетей прямого распространения .

Необходимо отметить, что интерпретируемость нейро-нечетких систем типа Мамдани может быть утеряна. Для улучшения интерпретируемости нейро-нечетких систем необходимо предпринять определенные меры, в которых также обсуждаются важные аспекты интерпретируемости нейро-нечетких систем. ^[2]

Недавнее направление исследований касается случая добычи потока данных , где нейро-нечеткие системы последовательно обновляются новыми входящими образцами по требованию и на лету. Таким образом, обновления системы включают не только рекурсивную адаптацию параметров модели, но также динамическую эволюцию и обрезку компонентов модели (нейронов, правил), чтобы адекватно обрабатывать дрейф концепций и динамически меняющееся поведение системы и поддерживать системы/модели «актуальными» в любое время. Всесторонние обзоры различных развивающихся подходов нейро-нечетких систем можно найти в ^[3] и. ^[4]

Нечеткие нейронные сети на основе псевдовнешнего продукта

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

В литературе упоминаются три члена POPFNN:

POPFNN-AARS(S) , основанный на схеме приблизительного аналогового рассуждения ^[6]
POPFNN-CRI(S) , основанный на общепринятом нечетком композиционном правиле вывода ^[7]
POPFNN-TVR , основанный на ограничении истинностного значения

Архитектура "POPFNN" представляет собой пятислойную нейронную сеть , где слои с 1 по 5 называются: входной лингвистический слой, слой условий, слой правил, слой следствий, выходной лингвистический слой. Фаззификация входов и дефаззификация выходов выполняются соответственно входным лингвистическим и выходным лингвистическим слоями, в то время как нечеткий вывод выполняется совместно слоями правил, условий и следствий.

Процесс обучения POPFNN состоит из трех этапов:

Генерация нечеткого членства
Нечеткая идентификация правил
Контролируемая тонкая настройка

Могут использоваться различные алгоритмы генерации нечетких членств : Learning Vector Quantization (LVQ), Fuzzy Kohonen Partitioning (FKP) или Discrete Incremental Clustering (DIC). Обычно для определения нечетких правил используются алгоритм POP и его вариант LazyPOP.

Примечания

^ Джанг, Сан, Мизутани (1997) - Нейронечеткие и мягкие вычисления - Prentice Hall, стр. 335-368, ISBN 0-13-261066-3
^ Y. Jin (2000). Нечеткое моделирование многомерных систем: снижение сложности и улучшение интерпретируемости. IEEE Transactions on Fuzzy Systems , 8(2), 212-221, 2000
^ E. Lughofer (2011). Evolving Fuzzy Systems: Methodologies, Advanced Concepts and Applications. Springer Heidelberg
^ Н. Касабов (2007). Evolving Connectionist Systems: The Knowledge Engineering Approach - Второе издание. Springer, Лондон
^ Чжоу, РВ и Куэк, К. (1996). «POPFNN: нечеткая нейронная сеть на основе псевдовнешнего продукта». Нейронные сети , 9(9), 1569-1581.
^ Куек, К. и Чжоу, РВ (1999). «POPFNN-AAR(S): нечеткая нейронная сеть на основе псевдовнешнего продукта». Труды IEEE по системам, человеку и кибернетике , часть B, 29(6), 859-870.
^ Ang, KK, Quek, C., & Pasquier, M. (2003). "POPFNN-CRI(S): псевдовнешняя нечеткая нейронная сеть на основе продукта, использующая композиционное правило вывода и одноэлементный фаззификатор". Труды IEEE по системам, человеку и кибернетике , часть B, 33(6), 838-849.

Ссылки

Авраам А., «Адаптация системы нечеткого вывода с использованием нейронного обучения, проектирование нечетких систем: теория и практика», Надя Неджах и др. (ред.), Исследования нечеткости и мягких вычислений , Springer Verlag Germany, ISBN 3-540-25322-X , Глава 3, стр. 53–83, 2005. Информация на сайте издателя.
Ang, KK, & Quek, C. (2005). "RSPOP: алгоритм идентификации нечетких правил псевдовнешнего произведения на основе грубого набора". Neural Computation , 17(1), 205-243.
Коско, Барт (1992). Нейронные сети и нечеткие системы: динамический системный подход к машинному интеллекту . Энглвуд Клиффс, Нью-Джерси: Prentice Hall. ISBN 0-13-611435-0 .
Лин, К.-Т. и Ли, Ч.С.Г. (1996). Нейронные нечеткие системы: нейро-нечеткий синергизм для интеллектуальных систем . Аппер Сэдл Ривер, Нью-Джерси: Prentice Hall.
А. Бастиан, Х. Гасос (1996): «Выбор входных переменных для идентификации моделей статических нелинейных систем», Журнал интеллектуальных и робототехнических систем, т. 16, стр. 185–207.
Куек, К. и Чжоу, Р. В. (2001). «Алгоритмы обучения POP: сокращение работы по выявлению нечетких правил». Нейронные сети , 14(10), 1431-1445.

Внешние ссылки

Определение интерпретируемости нечетких систем

[1] Джанг, Сан, Мизутани (1997) - Нейронечеткие и мягкие вычисления - Prentice Hall, стр. 335-368, ISBN 0-13-261066-3

[2] Y. Jin (2000). Нечеткое моделирование многомерных систем: снижение сложности и улучшение интерпретируемости. IEEE Transactions on Fuzzy Systems , 8(2), 212-221, 2000

[3] E. Lughofer (2011). Evolving Fuzzy Systems: Methodologies, Advanced Concepts and Applications. Springer Heidelberg

[4] Н. Касабов (2007). Evolving Connectionist Systems: The Knowledge Engineering Approach - Второе издание. Springer, Лондон

[5] Чжоу, РВ и Куэк, К. (1996). «POPFNN: нечеткая нейронная сеть на основе псевдовнешнего продукта». Нейронные сети , 9(9), 1569-1581.

[6] Куек, К. и Чжоу, РВ (1999). «POPFNN-AAR(S): нечеткая нейронная сеть на основе псевдовнешнего продукта». Труды IEEE по системам, человеку и кибернетике , часть B, 29(6), 859-870.

[7] Ang, KK, Quek, C., & Pasquier, M. (2003). "POPFNN-CRI(S): псевдовнешняя нечеткая нейронная сеть на основе продукта, использующая композиционное правило вывода и одноэлементный фаззификатор". Труды IEEE по системам, человеку и кибернетике , часть B, 33(6), 838-849.