معماری ANFIS – لایه ۴

  • این لایه، لایه نرمالیزه کردن و سومین لایه مخفی است.
  • هر نرون در این لایه سیگنال هایی را از تمام نرون ها در لایه ۳ دریافت نموده و محاسبه می کند که به آن Firing Strength نرمالایز شده می گویند. این مقدار مشخص کننده این است که تا چه حدی به ازای ورودی ها، قانون مربوطه در نتیجه نهایی صادق است.

معماری ANFIS – لایه ۵

  • این لایه چهارمین لایه مخفی و لایه دیفازی کردن است.
  • هر نرون در این لایه به نرون نرمالیزه شده مربوطه در لایه چهارم مرتبط است و همچنین سیگنال های ورودی نخستین (x1,x2,….) را دریافت می کند.

نرون دیفازی شده در این لایه مقدار وزن برآیند یک قانون را محاسبه می کند.

معماری ANFIS – لایه ۶

  • این لایه، لایه خروجی نامیده می شود. در این لایه در واقع خروجی نرون های مرحله قبل با یکدیگر جمع می شوند و در نهایت از طریق دیفازی کردن، خروجی های فازی به خروجی های عددی تبدیل می شوند. در این لایه تنها یک نرون وجود دارد.
  • روش دیفازی کردن همانند روش مرکز ثقل (Center Of Gravity) می باشد.

 

ANFIS Architecture
2 input Sugeno with 9 rules

معماری  ANFIS ارائه شده توسط  Kwak

 

معماری  ANFIS ارائه شده توسط  Kwak

  • این مدل همانند آنچه در بالا ذکر شد، می باشد.
  • تفاوت آن در روش دیفازی کردن می باشد.
  • تفاوت آن در تعداد دفعات ارزیابی سطوح همپوشانی است.
    • روش مرکز ثقل تنها یکبار این سطح را ارزیابی می کند
    • روش Kwak چندین بار این کار را تکرار می کند
  • مزیت روش Kwak سادگی عملیات دیفازی کردن است.
  • الگوریتم یادگیری این روش بر پایه Error BackPropagation می باشد.

الگوریتم آزمودن (یادگیری) در مدل ANFIS

  • انفیس می تواند از داده ها ورودی، یاد بگیرد
  • برای استفاده از انفیس نیاز به قوانین فازی و توابع فعال نظیر توابع عضویت نرون های فازی داریم.
  • شکلی که در اکثر مواقع در انفیس برای توابع فعال در نظر گرفته می شود،bell-Shaped است.

الگوریتم آزمودن (یادگیری) در مدل ANFIS

  • انفیس به طور ویژه از الگوریتم یادگیری Hybrid استفاده می نماید.
  • این الگوریتم یادگیری روشهای برآورد حداقل مربعات و گرادیان نزولی را با روش یادگیری Runge Kutta (RKLM) ترکیب می نماید.
  • روش گرادیان نزولی:
    • چنانچه شیب یک نقطه از فضای سه بعدی (یا دو بعدی) رو داشته باشیم و در جهت عکس آن شیب حرکت کنیم، به یک نقطه مینیمم (که میتواند مینیمم محلی یا عمومی باشد) می رسیم. به این روش در پیدا کردن نقاط مینیمم یک مسئله، گرادیان نزولی می گویند.
    • روش حداقل مربعات:
      • روش کمترین مربعات روشی در آمار است که برای حل دستگاه معادلاتی به کار می‌رود که تعداد معادله‌هایش بیش از تعداد مجهول‌هایش است. این روش بیشتر در تحلیل رگرسیون به کار می‌رود.