سیستم های فازی و شبکه های عصبی

  • هر دو روش مکمل یکدیگرند
  • شبکه های عصبی قابلیت یادگیری از داده ها را دارند در حالی که سیستم های فازی نمی توانند.
  • فهم سیستم های فازی به دلیل استفاده از اصطلاحات زبان شناسی و قوانین اگر آنگاه می باشند در حالی که شبکه های عصبی اینگونه نیستند.

معماری شبکه های فازی عصبی FNN3 با یک لایه ی مخفی و دو ورودی و یک خروجی

شکل زیر مثالی از شبکه های عصبی فازی HFNN  را نشان می دهد:

  • فرض میکنیم کلیه الگوریتم های ذکر شده برای شبکه های فازی عصبی FNN3 می باشد .
  • استراتژی های مختلف Learning :
    1. Fuzzy Back Propagation
    2. α-cut based Back Propagation
    3. Random Search
    4. Genetic Algorithm
    5. Fuzzy chaos
    6. Neo – Fuzzy Neroun

Fuzzy Back propagation

برای شبکه ی عصبی – فازی با یک لایه ی ورودی ( ۲ نرونی ) ، یک لایه ی مخفی ( ۳ نرونی ) و ۱ لایه ی خروجی ( ۱ نرونی ) داریم :

Fuzzy Back propagation

۲ . α-cut based on Back propagation

۳ . Random Search

ابتدا با فرض فازی بودن ورودی ها ، و فازی مثلثاتی بودن وزن ها الگوریتم آموزش را آغاز می کنیم.

هدف ما مینیمم کردن تابع خطا ( ) می با شد.

در این روش ما به صورت راندم تمامی  وزن ها را ایجاد کرده تا به خطای مینیمم برسیم.

در شبکه های عصبی فازی بزرگ این پروسه بسیار زمان بر خواهد بود پس بهتر است از روش جستجوی اتفاقی هدایت شده (GENETIC  ALGORITHM ) استفاده کنیم.

۴ . Genetic Algorithm

الگوریتم ژنتیک روز به روز کاربرد بیشتری در سیستم های فازی پیدا می کند.

۵  . Fuzzy Chaos

فرض کنید  I  همه اعداد فازی در بازه [-M,M]  باشد و M>0

F :fuzzy chaos mapping  به صورتی که

F: I àI

و فرض کنید کهF()  = با  به عنوان مقادیر اولیه و i=0,1,2,….

کاربرد:

  • آموزش یک شبکه فازی FNN3 از طریق جستجوی تصادفی وزن های برای شبکه عصبی
  • برای حل مسائل بهینه سازی فازی

Fuاز fuzzy chaotic mapping  می توان بعنوان بعنوان مبنا برای جستجوی وزن های فازی در یک شبکه عصبی فازی برای حداقل کردن مقدار تابع خطای E استفاده کرد

۱-انتخاب مقادیر اولیه برای وزن های  و

۲- تولید یک سلسله وزن های جدید از طریق

= F()  و = F()

وپیدا کردن مقادیری از وزن ها که مقدار تابع خطا را صفر کند.

zzy Chaos

  • Neo-Fuzzy Neuron یک سیستم چند ورودی تک خروجی
  • سیگنال های ورودی اعداد حقیقی
  • برای هر ورودی مجموعه ای از وزن ها ی و توابع عضویت وجود دارد.
  • در این سیستم هم وزن ها و هم توابع عضویت باید آموزش داده شود

اصلاح سیستم های فازی با الگوریتم یادگیری شبکه های عصبی نظارت شده

  • در شبکه های عصبی فازی توانایی یادگیری، شبیه شبکه های عصبی و توانایی استنتاج، شبیه سیستمهای 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 سیستم های 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 سیستم های فازی عصبی، سهولت اضافه نمودن دانش خبره قبل از یادگیری می باشد.