معماری ANFIS – لایه ۱

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

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.

معماری ANFIS – لایه ۴

  • این لایه، لایه نرمالیزه کردن و سومین لایه مخفی است.
  • هر نرون در این لایه سیگنالهایی 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 سیگنالهای 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 لایه خروجی (لایه ۶)

  • روش دیفازی کردن همانند روش مرکز ثقل (Center Of Gravity) می باشد.

معماری  ANFIS ارائه شده توسط  Kwak

معماری  ANFIS ارائه شده توسط  Kwak

  • 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.

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

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