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 سیستم های 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.
- کاربردهای مختلف شبکه های عصبی – فازی :
- Fuzzy Expert System
- Fuzzy Controller
- Fuzzy Matrix equations
ایجاد شبکه های عصبی با استفاده از سیستم های فازی
- شبکه های عصبی برای افزایش کارایی سیستمهای فازی به کار می روند.
- روش مورد استفاده برای طراحی شبکه های عصبی، به کارگیری سیستم های فازی یا ساختار بر پایه فازی است.
- این مدل نوعی از روش تقسیم و تسخیر می باشد.
- به جای استفاده از یک شبکه عصبی برای تمامی
داده های ورودی و خروجی، در این مدل چندین
شبکه ایجاد می گردد:
- ساخت یک جداکننده فازی برای خوشه بندی
داده های ورودی-خروجی در داخل چندین
کلاس.
- ساخت یک شبکه عصبی برای هر کلاس
- آموزش شبکه های عصبی با داده های ورودی خروجی در کلاسهای متناظر.
در شکل زیر شبکه عصبی فازی معادل کنترل کننده فازی
را مشاهده می کنید
e, ∆e: ورودی های شبکه فازی
,, : وزن های شبکه معادل توابع عضویت ورودی ها
و خروجی کنترل کننده
نرون های لایه اول پیاده کننده ۹ قائده فازی
نرون های لایه دوم ترکیب کننده قواعدی که خروجی یکسان
دارند.
نرون لایه سوم خروجی فازی
نرون D : defuzzier خروجی فازی
کاربرد :
۱:استفاده به به عنوان کنترل کننده فازی
۲:برای آموزش قواعد کنترل کننده فازی و پیدا کردن وزن های شبکه که همان توابع عضویت هستند.
- مثالی از این مدل توسط Takagi و Hayashi ارائه گردید.
- مطابق این روش:
- از یک شبکه عصبی برای ساخت جدا کننده فازی استفاده گردید
- یک روش که می توانست تعداد قوانین فازی و یا مقادیر ورودی زائد را کاهش دهد، مطرح گردید.
ارزیابی سیستم های فازی با شبکه های عصبی
- استفاده از شبکه های عصبی به عنوان شبیه ساز سیستمهای فازی واقعی جهت ارزیابی کارآیی
- «جانگ-ایم» و «لی-کوانگ» الگوریتم کنترل فازی را برای کنترل شکل نهایی در کارخانه تولید فولاد طراحی کردند.
- ANFIS مخفف adaptive network-based fuzzy inference system می باشد.
- یک شبکه تطبيق پذير و قابل آموزشی است که به لحاظ عملکرد کاملا مشابه سيستم استنتاج فازی است.
- برای استفاده کارآمدتر می توان در آن از پارامترهای الگوریتم ژنتیک نیز استفاده نمود.
- سیستم های ANFIS در اصل یک سیستم TSK (تاگاکی- سوگنو-کانگ) درجه ۱ هستند.
- ANFIS از الگوریتم یادگیری HYBRID استفاده می کند.
مدل Sugeno
مدل Sugeno
شمای کلی ANFIS
معماریANFIS
دیدگاه خود را بنویسید