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 :
    1. Fuzzy Expert System
    2. Fuzzy Controller
    3. 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