Войти
Эскиз нейронечеткой системы, реализующей простой контроллер Сугено-Такаги. В области искусственного интеллект, нейронечеткий относится к комбинациям искусственных нейронных сетей и нечеткой логики.
Нейро-нечеткая гибридизация приводит к гибридной интеллектуальной системе, которая объединяет эти два методы, объединяющие человеческий стиль рассуждений нечетких систем с обучающей и коннекционистской структурой нейронных сетей. Нейро-нечеткая гибридизация в литературе широко называется нечеткой нейронной сетью (FNN) или нейронечеткой системой (NFS). Нейро-нечеткая система (в дальнейшем используется более популярный термин) включает в себя человеческий стиль рассуждений нечетких систем за счет использования нечетких множеств и лингвистической модели, состоящей из набора нечетких правил IF-THEN. Основная сила нейронечетких систем состоит в том, что они являются универсальными аппроксимирующими устройствами, способными запрашивать интерпретируемые правила IF-THEN.
Сила нейронечетких систем предполагает два противоречащих друг другу требования в нечетком моделировании: интерпретируемость против точности. На практике преобладает одно из двух свойств. Область исследований нейро-нечеткого моделирования в нечетком моделировании делится на две области: лингвистическое нечеткое моделирование, которое сосредоточено на интерпретируемости, в основном; и точное нечеткое моделирование, ориентированное на точность, в основном.
Хотя обычно предполагается, что это реализация нечеткой системы через коннекционист сетей, этот термин также используется для описания некоторых других конфигураций, включая:
Необходимо отметить, что интерпретируемость нейронечетких систем типа Мамдани может быть потеряна. Чтобы улучшить интерпретируемость нейронечетких систем, необходимо принять определенные меры, в которых также обсуждаются важные аспекты интерпретируемости нейро-нечетких систем.
Недавнее направление исследований касается интеллектуального анализа потоков данных случай, когда нейро-нечеткие системы последовательно обновляются новыми входящими образцами по запросу и на лету. Таким образом, обновления системы включают в себя не только рекурсивную адаптацию параметров модели, но также динамическую эволюцию и сокращение компонентов модели (нейронов, правил), чтобы адекватно обрабатывать дрейф концепции и динамически изменяющееся поведение системы и поддерживать системы / модели в «актуальном состоянии» в любое время. Подробные обзоры различных развивающихся подходов к нейронечетким системам можно найти в и.
Нечеткие нейронные сети на основе псевдо-внешнего продукта (POPFNN ) представляют собой семейство нейро-нечетких систем, основанных на лингвистической нечеткой модели.
В литературе существует три члена POPFNN:
Архитектура «POPFNN» представляет собой пятиуровневую нейронную сеть, в которой называются уровни с 1 по 5: входной лингвистический уровень, уровень условий, уровень правил, последующий уровень, выходной лингвистический уровень. Фаззификация входов и дефаззификация выходов соответственно выполняются входным лингвистическим и выходным лингвистическим слоями, в то время как нечеткий вывод совместно выполняется слоями правил, условий и следствий.
Процесс обучения POPFNN состоит из трех этапов:
Генерация различных нечетких членов могут использоваться алгоритмы : обучающее векторное квантование (LVQ), нечеткое разбиение по Кохонену (FKP) или дискретная инкрементная кластеризация (DIC). Как правило, алгоритм POP и его вариант LazyPOP используются для идентификации нечетких правил.
