Адаптивная система нейронечеткого вывода
Адаптивная нейро-нечеткая система вывода или адаптивная сетевая система нечеткого вывода ( ANFIS ) — это своего рода искусственная нейронная сеть , основанная на системе нечеткого вывода Такаги-Сугено . Методика была разработана в начале 1990-х годов. [1] [2] Поскольку он объединяет как нейронные сети, так и принципы нечеткой логики , он потенциально может объединить преимущества обоих в единой структуре .
Его система вывода соответствует набору нечетких правил ЕСЛИ-ТО , которые обладают способностью к обучению аппроксимировать нелинейные функции . [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 используется в интеллектуальной ситуационной системе управления энергией . [7]
АНФИС архитектура
[ редактировать ]В сетевой структуре можно выделить две части: предпосылку и часть следствия. Более подробно, архитектура состоит из пяти слоев. 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}. Второй уровень отвечает за создание сильных сторон правил. В соответствии со своей задачей второй уровень обозначается как «уровень правил». Роль третьего слоя заключается в нормализации вычисленной силы стрельбы путем деления каждого значения на общую силу стрельбы. Четвертый уровень принимает на вход нормализованные значения и набор параметров последствий {p,q,r}. Значения, возвращаемые этим слоем, являются дефаззифицированными, и эти значения передаются на последний слой для возврата окончательного результата. [8]
Слой фаззификации
[ редактировать ]Первый уровень сети ANFIS описывает отличие от обычной нейронной сети. Нейронные сети, как правило, работают на этапе предварительной обработки данных , на котором признаки преобразуются в нормализованные значения от 0 до 1. Нейронной сети ANFIS не нужна сигмовидная функция , но она выполняет этап предварительной обработки путем преобразования числовых значений. на нечеткие значения. [9]
Вот пример: предположим, что сеть получает на входе расстояние между двумя точками в двумерном 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 ближний, средний и дальний. [10] Каждое возможное лингвистическое значение задается отдельным нейроном . Нейрон «рядом» срабатывает со значением от 0 до 1, если расстояние находится в категории «рядом». При этом нейрон «среднего» срабатывает, если расстояние находится в этой категории. Входное значение «расстояние в пикселях» разбивается на три разных нейрона: ближний, средний и дальний.
Ссылки
[ редактировать ]- ^ Джанг, Джых-Шинг Р. (1991). Нечеткое моделирование с использованием обобщенных нейронных сетей и алгоритма фильтра Калмана (PDF) . Материалы 9-й Национальной конференции по искусственному интеллекту, Анахайм, Калифорния, США, 14–19 июля. Том. 2. стр. 762–767.
- ^ Джанг, Ж.-СР (1993). «ANFIS: система нечеткого вывода на основе адаптивной сети». Транзакции IEEE по системам, человеку и кибернетике . 23 (3): 665–685. дои : 10.1109/21.256541 . S2CID 14345934 .
- ^ Абрахам, А. (2005), «Адаптация системы нечеткого вывода с использованием нейронного обучения», в Недже, Надя; де Маседо Мурель, Луиза (ред.), Инженерия нечетких систем: теория и практика , Исследования в области нечеткости и мягких вычислений, том. 181, Германия: Springer Verlag, стр. 53–83, CiteSeerX 10.1.1.161.6135 , doi : 10.1007/11339366_3 , ISBN 978-3-540-25322-8
- ^ Джанг, Сан, Мизутани (1997) – Нейро-нечеткие и мягкие вычисления – Прентис Холл, стр. 335–368, ISBN 0-13-261066-3
- ^ Тахмасеби, П. (2012). «Гибридные нейронные сети-нечеткая логика-генетический алгоритм оценки оценок» . Компьютеры и геонауки . 42 : 18–27. Бибкод : 2012CG.....42...18T . дои : 10.1016/j.cageo.2012.02.004 . ПМЦ 4268588 . ПМИД 25540468 .
- ^ Тахмасеби, П. (2010). «Сравнение оптимизированной нейронной сети с нечеткой логикой для оценки содержания руды» . Австралийский журнал фундаментальных и прикладных наук . 4 : 764–772.
- ^ Камаль, Мохасинина Бинте; Мендис, Гихан Дж.; Вэй, Джин (2018). «Интеллектуальное управление безопасностью на основе мягких вычислений для архитектуры управления энергопотреблением гибридной системы аварийного электропитания для более электрических самолетов [ sic ]». Журнал IEEE по избранным темам обработки сигналов . 12 (4): 806. Бибкод : 2018ISTSP..12..806K . дои : 10.1109/JSTSP.2018.2848624 . S2CID 51908378 .
- ^ Карабога, Дервис; Кая, Эбубекир (2018). «Подходы к обучению системы нечеткого вывода на основе адаптивной сети (ANFIS): комплексное исследование». Обзор искусственного интеллекта . 52 (4): 2263–2293. дои : 10.1007/s10462-017-9610-2 . ISSN 0269-2821 . S2CID 40548050 .
- ^ Ж.-СР Чан (1992). «Самообучающиеся нечеткие контроллеры на основе временного обратного распространения ошибки». Транзакции IEEE в нейронных сетях . 3 (5). Институт инженеров по электротехнике и электронике (IEEE): 714–723. дои : 10.1109/72.159060 . ПМИД 18276470 .
- ^ Аниш Пандей, Сародж Кумар, Кришна Кант Пандей и Даял Р. Пархи (2016). «Навигация мобильного робота в неизвестной статической среде с использованием контроллера ANFIS» . Перспективы в науке . 8 . Эльзевир Б.В.: 421–423. Бибкод : 2016PerSc...8..421P . дои : 10.1016/j.pisc.2016.04.094 .