ساخت توابع عضویت به وسیله شبکه های عصبی

  • این مبحث بسیار شبیه مبحث قبلی است با این تفاوت که:
    • در مطلب قبلی، ساختار fuzzy-rule برای ساخت شبکه عصبی به کار رفت.
    • در این مطلب، یک شبکه عصبی برای ساخت قوانین فازی فشرده به کار می رود.

۱- قسمت بندی فازی داده ها

  • عنصر مهم سیستمهای فازی، پارتیشن فازی فضای ورودی می باشد.
  • اگر k ورودی داشته باشیم، قوانین فازی در فضای ورودی یک مکعب فازی k وجهی می سازند
  • رسیدن به یک پارتیشن انعطاف پذیر برای معکعب های غیر خطی کار ساده ای نیست.
  • ایده این مدل ساخت یک شبکه عصبی است که خروجی های آن درجه ای از ورودی هاست که به هر کلاس تعلق دارد.
  • توابع عضویت این مدل می تواند غیر خطی، چند بعدی و برخلاف سیستم های فازی معمولی باشد.

ساخت توابع عضویت به وسیله شبکه های عصبی

۲- تقسیم بندی در ابر فضا

  • برای تقسیم بندی ما نیاز به یک روش داریم که شبکه های عصبی بهترین گزینه برای آن است.

ساخت توابع عضویت به وسیله شبکه های عصبی

۲- مثالی از کنترل کننده ماشین پرس

ارزیابی سیستمهای فازی با شبکه های عصبی

  • استفاده از شبکه های عصبی به عنوان شبیه ساز سیستم های فازی واقعی جهت ارزیابی کارآیی
  • «جانگ-ایم» و «لی-کوانگ» الگوریتم کنترل  فازی را برای کنترل شکل نهایی در کارخانه تولید فولاد طراحی کردند.

ترکیب شبکه های عصبی و سیستم های فازی

۱- ترکیب موازی : جهت تصحیح خروجی سیستم فازی با خروجی یک شبکه عصبی و به منظور افزایش دقت خروجی سیستم نهایی استفاده می شود. به عنوان مثال استفاده در محصولات مشتری

ترکیب شبکه های عصبی و سیستم های فازی

۲- ترکیب آبشاری: از این ترکیب در مواقعی که خروجی سیستم فازی یا شبکه عصبی برای ورودی های دیگر می باشد، استفاده می گردد.

 

مثال : پنکه برقی ژاپنی

تشخیص جهت چرخش با دریافت سیگنال

دستگاه کنترل