Нейро-нечеткий

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

Обзор

Нейро-нечеткая гибридизация приводит к созданию гибридной интеллектуальной системы , которая сочетает в себе человеческий стиль рассуждения нечетких систем с обучающей и коннекционистской структурой нейронных сетей. Нейро-нечеткая гибридизация в литературе широко называется нечеткой нейронной сетью (FNN) или нейро-нечеткой системой (NFS). Нейро-нечеткая система (в дальнейшем используется более популярный термин) включает в себя человеческий стиль рассуждения нечетких систем за счет использования нечетких множеств и лингвистической модели, состоящей из набора нечетких правил ЕСЛИ-ТО. Основная сила нейро-нечетких систем заключается в том, что они являются универсальными аппроксиматорами , способными запрашивать интерпретируемые правила ЕСЛИ-ТО.

Сила нейро-нечетких систем включает в себя два противоречивых требования при нечетком моделировании: интерпретируемость и точность. На практике преобладает одно из двух свойств. Область исследований нейро-нечеткого моделирования разделена 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-Кана (TSK).

Хотя обычно предполагается, что это реализация нечеткой системы посредством коннекционистских сетей, этот термин также используется для описания некоторых других конфигураций, включая:

Получение нечетких правил из обученных RBF- сетей.
на основе нечеткой логики Настройка параметров обучения нейронной сети .
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 многоуровневые коннекционистские сети с прямой связью.

Следует отметить, что интерпретируемость нейро-нечетких систем типа Мамдани может быть утрачена. Для улучшения интерпретируемости нейронечетких систем необходимо принять определенные меры, при этом также обсуждаются важные аспекты интерпретируемости нейронечетких систем. ^{[ 2 ]}

Недавнее направление исследований касается случая интеллектуального анализа потоков данных , когда нейро-нечеткие системы последовательно обновляются новыми входящими выборками по требованию и на лету. Таким образом, обновления системы включают не только рекурсивную адаптацию параметров модели, но также динамическую эволюцию и сокращение компонентов модели (нейронов, правил), чтобы адекватно справляться с дрейфом концепций и динамически изменяющимся поведением системы, а также сохранять системы/модели. Актуально» в любое время. Комплексные обзоры различных развивающихся подходов к нейро-нечетким системам можно найти в ^{[ 3 ]} и. ^{[ 4 ]}

Нечеткие нейронные сети на основе псевдопродуктов

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

В литературе существуют три члена POPFNN:

POPFNN-AARS(S) , основанный на схеме приближенного аналогичного рассуждения. ^{[ 6 ]}
POPFNN-CRI(S) , основанный на общепринятом нечетком композиционном правиле вывода. ^{[ 7 ]}
POPFNN-TVR , основанный на ограничении истинного значения.

Архитектура «POPFNN» представляет собой пятиуровневую нейронную сеть , в которой слои с 1 по 5 называются: входной лингвистический уровень, уровень условий, уровень правил, последовательный уровень, выходной лингвистический уровень. Фаззификация входных данных и дефаззификация выходных данных выполняются соответственно входными лингвистическими и выходными лингвистическими слоями, тогда как нечеткий вывод коллективно выполняется слоями правил, условий и последствий.

Процесс обучения POPFNN состоит из трех этапов:

Генерация нечеткого членства
Идентификация нечетких правил
Контролируемая тонкая настройка

генерации нечеткого членства различные алгоритмы Могут использоваться : векторное квантование обучения (LVQ), нечеткое разделение Кохонена (FKP) или дискретная инкрементальная кластеризация (DIC). Обычно алгоритм POP и его вариант LazyPOP используются для идентификации нечетких правил.

Примечания

^ Джанг, Сан, Мизутани (1997) - Нейро-нечеткие и мягкие вычисления - Прентис Холл, с. 335-368, ISBN 0-13-261066-3
^ Ю. Джин (2000). Нечеткое моделирование многомерных систем: снижение сложности и улучшение интерпретируемости. Транзакции IEEE в нечетких системах , 8 (2), 212–221, 2000 г.
^ Э. Лугхофер (2011). Развивающиеся нечеткие системы: методологии, передовые концепции и приложения. Спрингер Гейдельберг
^ Н. Касабов (2007). Развивающиеся коннекционистские системы: подход инженерии знаний - второе издание. Спрингер, Лондон
^ Чжоу, Р.В., и Квек, К. (1996). «POPFNN: нечеткая нейронная сеть на основе псевдовнешнего продукта». Нейронные сети , 9 (9), 1569–1581.
^ Квек, К., и Чжоу, RW (1999). «POPFNN-AAR(S): нечеткая нейронная сеть на основе псевдовнешних продуктов». Транзакции IEEE по системам, человеку и кибернетике , часть B, 29 (6), 859-870.
^ Анг, К.К., Квек, К., и Паскье, М. (2003). «POPFNN-CRI(S): нечеткая нейронная сеть на основе псевдовнешнего продукта, использующая композиционное правило вывода и одноэлементный фаззификатор». Транзакции IEEE по системам, человеку и кибернетике , часть B, 33 (6), 838-849.

Ссылки

Абрахам А., «Адаптация системы нечеткого вывода с использованием нейронного обучения, проектирование нечетких систем: теория и практика», Надя Неджа и др. (ред.), Исследования в области нечеткости и мягких вычислений , Springer Verlag, Германия, ISBN 3-540-25322-X , Глава 3, стр. 53–83, 2005 г. Информация на сайте издателя .
Анг, К.К., и Квек, К. (2005). «RSPOP: грубый алгоритм идентификации нечетких правил псевдовнешнего произведения на основе множеств». Нейронные вычисления , 17 (1), 205–243.
Коско, Барт (1992). Нейронные сети и нечеткие системы: динамический системный подход к машинному интеллекту . Энглвуд Клиффс, Нью-Джерси: Прентис Холл. ISBN 0-13-611435-0 .
Лин, К.-Т., и Ли, CSG (1996). Нейронно-нечеткие системы: нейро-нечеткий синергизм интеллектуальных систем . Река Аппер-Седл, Нью-Джерси: Прентис-Холл.
А. Бастиан, Дж. Гасос (1996): «Выбор входных переменных для идентификации модели статических нелинейных систем», Журнал интеллектуальных и робототехнических систем, Vol. 16, стр. 185–207.
Квек 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) - Нейро-нечеткие и мягкие вычисления - Прентис Холл, с. 335-368, ISBN 0-13-261066-3

[2] Ю. Джин (2000). Нечеткое моделирование многомерных систем: снижение сложности и улучшение интерпретируемости. Транзакции IEEE в нечетких системах , 8 (2), 212–221, 2000 г.

[3] Э. Лугхофер (2011). Развивающиеся нечеткие системы: методологии, передовые концепции и приложения. Спрингер Гейдельберг

[4] Н. Касабов (2007). Развивающиеся коннекционистские системы: подход инженерии знаний - второе издание. Спрингер, Лондон

[5] Чжоу, Р.В., и Квек, К. (1996). «POPFNN: нечеткая нейронная сеть на основе псевдовнешнего продукта». Нейронные сети , 9 (9), 1569–1581.

[6] Квек, К., и Чжоу, RW (1999). «POPFNN-AAR(S): нечеткая нейронная сеть на основе псевдовнешних продуктов». Транзакции IEEE по системам, человеку и кибернетике , часть B, 29 (6), 859-870.

[7] Анг, К.К., Квек, К., и Паскье, М. (2003). «POPFNN-CRI(S): нечеткая нейронная сеть на основе псевдовнешнего продукта, использующая композиционное правило вывода и одноэлементный фаззификатор». Транзакции IEEE по системам, человеку и кибернетике , часть B, 33 (6), 838-849.

[ 1 ]

[ 2 ]

[ 3 ]

[ 4 ]

[ 5 ]

[ 6 ]

[ 7 ]