تلفیق شبکه های عصبی و سیستم های عصبی فازی

  • محققین شبکه های عصبی و مفاهیم منطق فازی را تلفیق نموده و از امکانات هر دو در یک قالب استفاده می کند.
  • تحقیق بر روی این تلفیق را می توان به چهار گروه زیر تقسیم بندی نموده اند:

اصلاح سیستمهای فازی با الگوریتم یادگیری شبکه های عصبی نظارت شده

ایجاد ساختار شبکه های عصبی با سیستمهای فازی

تولید توابع عضویت با شبکه های عصبی

تلفیق شبکه های عصبی و سیستمهای فازی

تقسيم ‌بندي نحوه ارتباط بين منطق فازي و شبكه عصبي

  • : Fuzzy Neural Network

منطق فازي براي بهبود كارايي شبكه و يا افزايش توان يادگيري شبكه عصبي مورد استفاده قرار مي‌گيرد. در اين شبكه‌ها افزودن قوانين فازي براي تغيير نرخ يادگيري و يا تغيير ورودي/ خروجي شبكه از حالت غيرفازي به فازي است. نمونه‌هايي از اين دسته عبارتند از:FNN، FHSNN و GFNN.

  • Neural network-driven fuzzy reasoning systems:

 برخي اين سيستم‌ها را جزء مدل‌هاي Cooperative  (مشارکتی) مي‌دانند. اين مدل‌ها براي گسترش قوانين فازي مورد استفاده قرار مي‌گيرند.

  • : Concurrent Neuro-Fuzzy Models

 شبكه عصبي و سيتم فازي بر روي يك كار واحد با يكديگر كار مي‌كنند اما تأثيري بر روي يكديگر ندارند. هيچكدام براي تعيين پارامتر ديگري به كار نمي‌روند. معمولاً در اين مدل، شبكه عصبي براي پيش پردازش ورودي و يا خروجي سيستم فازي به كار مي‌رود.

  • Cooperative Neuro_Fuzzy Models:

شبكه عصبي براي تعيين پارامتر‌هاي سيستم فازي به كار مي‌رود. اين پارامترها شامل قوانين فازي، وزن قوانين و مجموعه‌هاي فازي است.

  • Hybrid Neuro_Fuzzy Models:

شبكه عصبي و سيستم فازي در يك ساختار هماهنگ با يكديگر تركيب مي‌شوند. اين مدل‌‌ را مي‌توان شبكه عصبي با پارامتر فازي و يا يك سيستم فازي با يادگيري توزيع شده دانست.  ANFIS، ANNBFIS، NEFClass و FLEXNFIS  نمونه‌هايي از اين مدل مي‌باشند.

همانند شبکه های عصبی در ANFIS نیز با ۳ دسته داده سروکار داریم

اصلاح سیستمهای فازی با الگوریتم یادگیری شبکه های عصبی نظارت شده

 

در شبکه های عصبی فازی توانایی یادگیری، شبیه شبکه های عصبی و توانایی استنتاج، شبیه سیستم های فازی است.

در شبکه های عصبی گره ها به طور کامل به همسایگان خود ارتباط دارند ولی در سیستمهای عصبی فازی اینگونه نیست:

دلیل این اختلاف از حقیقت موجود در گره ها و ارتباطات موجود در سیستمهای فازی عصبی است.

برخی از گره ها نشان دهنده الگوی زبان شناختی مقادیر ورودی هستند.

برخی دیگر از گره ها برای مقادیر خروجی هستند

برخی دیگر از گره ها و لینک ها به عنوان نماینده قوانین فازی می باشند.

یکی دیگر از شایستگی های سیستمهای فازی عصبی، سهولت اضافه نمودن دانش خبره قبل از یادگیری می باشد.

شمای کلی ANFIS

معماریANFIS

معماری ANFIS – لایه ۱

  • نرون ها در این لایه تنها سیگنال های ورودی خارجی (Crisp) را به لایه بعدی هدایت می کنند.

معماری ANFIS – لایه ۲

این لایه اولین لایه مخفی و لایه فازی کردن مدل انفیس است

نرون های فازی یک سیگنال ورودی را دریافت و در خصوص درجه وابستگی این سیگنال به مجموعه فازی نرون تصمیم می گیرند.

معماری ANFIS – لایه ۳

  • این لایه، لایه قانون فازی و دومین لایه مخفی است.

هر نرون در این لایه تنها به یک قانون فازی سوگنو ارتباط دارد.