Sketch of a neuro-fuzzy system implementing a simple Sugeno-Takagi controller.[1]
نظرة عامة عن (Neuro-fuzzy)
ينتج التهجين الضبابي العصبي (Neuro-fuzzy) نظامًا هجينًا ذكيًا يدمج هاتين
التقنيتين(Neuro-fuzzy) من خلال الجمع بين أسلوب التفكير
الشبيه بالإنسان للأنظمة الضبابية(fuzzy) وبنية التعلم(learning)
والربط() للشبكات العصبية(Neuro).
يوصف التهجين الضبابي العصبي(Neuro-fuzzy) على نطاق واسع بأنه شبكة عصبية غامضة (FNN) أو نظام ضبابي عصبي (NFS) في الأدب.
يتضمن النظام العصبي الغامض(Neuro-fuzzy) (يستخدم المصطلح الأكثر شيوعًا من
الآن فصاعدًا) أسلوب التفكير الشبيه بالإنسان للأنظمة الغامضة(Fuzzy system)
من خلال استخدام مجموعات غامضة(Fuzzy sets) ونموذج لغوي(linguistic) يتكون من مجموعة من قواعد
IF-THEN الغامضة(fuzzy rule).
تتمثل القوة الرئيسية للأنظمة المشوشة العصبية(Neuro-fuzzy) في أنها أجهزة تقريبية عالمية لديها
القدرة على التماس قواعد IF-THEN القابلة للتفسير.
تنطوي قوة أنظمة التشويش العصبي(Neuro-fuzzy system) على متطلبين متناقضين في النمذجة
المشوشة:
التفسير مقابل الدقة.
عمليا ، يسود أحد خاصيتين. ينقسم الغموض العصبي(Neuro-fuzzy) في مجال أبحاث النمذجة المشوشة إلى
مجالين:
·
النمذجة
اللغوية الضبابية (linguistic fuzzy modeling) التي تركز على التفسير ، بشكل رئيسي
النموذج الممداني ؛
·
ونمذجة
غامضة دقيقة(precise fuzzy modeling) تركز على الدقة، ولا سيما نموذج Takagi-Sugeno-Kang (TSK).
على الرغم من أنه يُفترض بشكل عام أنه يحقق
نظامًا غامضًا من خلال شبكات الاتصال ، يُستخدم هذا المصطلح أيضًا لوصف بعض
التكوينات الأخرى بما في ذلك:
·
استنباط
قواعد غامضة(fuzzy rules)
من شبكات RBF المدربة.
·
ضبط
المنطق الغامض(Fuzzy logic)
لمعلمات تدريب الشبكة العصبية.
·
معايير
المنطق الضبابي(Fuzzy logic)
لزيادة حجم الشبكة.
·
تحقيق وظيفة عضوية
غامضة(fuzzy membership function)
من خلال خوارزميات التجميع في التعلم غير الخاضع للرقابة في
SOMs والشبكات العصبية.
·
تمثيل
التزييف والاستدلال والتشويش(fuzzification,
fuzzy inference and defuzzification) من خلال شبكات اتصال
التغذية متعددة الطبقات(multi-layers
feed-forward).
يجب الإشارة إلى أنه يمكن فقدان قابلية تفسير
أنظمة التشويش العصبي(neuro-fuzzy systems)
من النوع الممداني. لتحسين قابلية تفسير أنظمة التشويش العصبي ، يجب اتخاذ بعض
التدابير ، حيث يتم أيضًا مناقشة الجوانب المهمة لقابلية تفسير أنظمة التشويش
العصبي [2].
يعالج خط بحث حديث حالة تعدين تدفق البيانات ،
حيث يتم تحديث أنظمة التشويش العصبي بالتسلسل بعينات واردة جديدة عند الطلب وعلى
الطاير. وبالتالي ، لا تتضمن تحديثات النظام فقط تكيفًا متكررًا لمعلمات النموذج ،
ولكن أيضًا تطور ديناميكي وتشذيب لمكونات النموذج (الخلايا العصبية والقواعد) ، من
أجل التعامل مع انحراف المفاهيم وتغيير سلوك النظام ديناميكيًا بشكل مناسب والحفاظ
على الأنظمة / النماذج "محدثة" في أي وقت.
يمكن العثور على مسوحات شاملة لمختلف أساليب
الأنظمة العصبية الضبابية (neuro-fuzzy systems)
المتطورة في [3] [4].
شبكات عصبية غامضة قائمة على المنتجات الخارجية (Pseudo outer product-based fuzzy neural networks (POPFNN))
إن الشبكات العصبية الغامضة المستندة إلى
المنتج الزائفة (POPFNN) هي مجموعة من الأنظمة المشوشة العصبية(neuro-fuzzy systems) المبنية على النموذج
اللغوي الضبابي(linguistic fuzzy model). [5]
يوجد ثلاثة أعضاء من شبكة
POPFNN في الأدبيات:
POPFNN-AARS (S) ،
الذي يعتمد على مخطط الاستدلال التقريبي التقريبي(Approximate Analogical Reasoning Scheme) [6]
-POPFNN-CRI (S) ،
والذي يعتمد على قاعدة الاستدلال التركيبية الغامضة المقبولة بشكل عام(fuzzy Compositional Rule of Inference) [7]
-POPFNN-TVR ،
الذي يقوم على تقييد قيمة الحقيقة(Truth Value Restriction)
- بنية "POPFNN" عبارة عن شبكة
عصبية من خمس طبقات تسمى الطبقات من 1 إلى 5:
طبقة لغوية المدخلات(input linguistic layer) ، وطبقة الشرط(condition layer) ، وطبقة القاعدة(rule layer) ، والطبقة اللاحقة(consequent layer) ، وطبقة لغوية الإخراج(output linguistic layer).
يتم تنفيذ تشويش(fuzzification) المدخلات وإلغاء تشويه(defuzzification) المخرجات على التوالي
بواسطة الطبقات اللغوية واللغوية للمدخلات بينما يتم تنفيذ الاستدلال الغامض(fuzzy
inference) بشكل جماعي بواسطة طبقات القاعدة(rule)
والشرط(condition)
والنتيجة(consequence).
تتكون عملية التعلم(learning process) من POPFNN من ثلاث مراحل:
- جيل عضوية غامض(Fuzzy membership generation)
-تحديد قاعدة
غامض(Fuzzy rule identification)
- ضبط دقيق
للرقابة(Supervised fine-tuning)
يمكن استخدام العديد من خوارزميات توليد
العضوية الغامضة(fuzzy membership generation
algorithms):
·
التعلم
الكمي لناقلات التعلم (LVQ) (Learning
Vector Quantization)
أو
·
تقسيم
كوهونين الضبابي(Fuzzy Kohonen Partitioning) (FKP) أو
·
التكتل
الإضافي المنفصل(Discrete Incremental Clustering) (DIC).
بشكل عام ، يتم استخدام خوارزمية POP ومتغير
LazyPOP لتحديد القواعد المشوشة(fuzzy rules).
ملحوظة: يمكن ان تستبدل كلمة ضبابي بكلمة مشوش أو غامض و يبقى السياق صحيح.
ملحوظة: يمكن ان تستبدل كلمة ضبابي بكلمة مشوش أو غامض و يبقى السياق صحيح.
المصدر :
ملاحظات:
- ^ Jang, Sun, Mizutani (1997) - Neuro-Fuzzy and Soft Computing - Prentice Hall, p. 335-368, ISBN 0-13-261066-3
- ^ Y. Jin (2000). Fuzzy modeling of high-dimensional systems: Complexity reduction and interpretability improvement. IEEE Transactions on Fuzzy Systems, 8(2), 212-221, 2000
- ^ E. Lughofer (2011). Evolving Fuzzy Systems: Methodologies, Advanced Concepts and Applications. Springer Heidelberg
- ^ N. Kasabov (2007). Evolving Connectionist Systems: The Knowledge Engineering Approach - Second Edition. Springer, London
- ^ Zhou, R. W., & Quek, C. (1996). "POPFNN: A Pseudo Outer-product Based Fuzzy Neural Network". Neural Networks, 9(9), 1569-1581.
- ^ Quek, C., & Zhou, R. W. (1999). "POPFNN-AAR(S): a pseudo outer-product based fuzzy neural network." IEEE Transactions on Systems, Man and Cybernetics, Part B, 29(6), 859-870.
- ^ Ang, K. K., Quek, C., & Pasquier, M. (2003). "POPFNN-CRI(S): pseudo outer product based fuzzy neural network using the compositional rule of inference and singleton fuzzifier." IEEE Transactions on Systems, Man and Cybernetics, Part B, 33(6), 838-849.
ليست هناك تعليقات