Адаптивті нейронды бұлыңғыр қорытындылау жүйесі - Adaptive neuro fuzzy inference system

Ан адаптивті жүйке-бұлыңғыр қорытынды жүйесі немесе адаптивті желіге негізделген бұлыңғыр қорытындылау жүйесі (ANFIS) түрі болып табылады жасанды нейрондық желі бұл түсініксіз Такаги-Сугеноға негізделген қорытынды жүйесі. Техника 1990 жылдардың басында жасалды.[1][2] Нейрондық желілерді де біріктіретіндіктен түсініксіз логика принциптеріне сәйкес, екеуінің де артықшылықтарын жалғыз алуға мүмкіндік бар жақтау. Оның қорытынды жүйесі анық емес жиынтыққа сәйкес келеді IF – ОНДА ережелер жуықтап оқуға мүмкіндігі бар сызықтық емес функциялар.[3] Демек, ANFIS а деп саналады әмбебап бағалаушы.[4] ANFIS-ті неғұрлым тиімді және оңтайлы пайдалану үшін алынған ең жақсы параметрлерді қолдануға болады генетикалық алгоритм.[5][6] Ол интеллектуалды ситуациялық энергияны басқару жүйесін қолданады.[7]

ANFIS архитектурасы

Желілік құрылымда екі бөлікті, яғни алғышарттар мен салдар бөліктерін анықтауға болады. Толығырақ архитектура бес қабаттан тұрады. Бірінші қабат кіріс мәндерін қабылдайды және мүшелік функциялары оларға тиесілі. Ол әдетте фуззификация қабаты деп аталады. Әр функцияның мүшелік дәрежелері алғышарттар жиынтығының көмегімен есептеледі, атап айтқанда {a, b, c}. Екінші қабат ережелер үшін атыс күштерін қалыптастыруға жауап береді. Тапсырмасына байланысты екінші қабат «ереже қабаты» деп белгіленеді. Үшінші қабаттың рөлі - есептеулі күйдіру күштерін қалыпқа келтіру, әр мәнді жалпы атыс күшіне бөлу арқылы. Төртінші қабат кіріс ретінде нормаланған мәндерді және {p, q, r} нәтижелер жиынтығын қабылдайды. Бұл қабат қайтаратын мәндер анықталмаған мәндер болып табылады және бұл мәндер соңғы нәтижені қайтару үшін соңғы қабатқа беріледі.[8]

Фузизация қабаты

ANFIS желісінің бірінші қабаты ванильді жүйкедегі айырмашылықты сипаттайды. Жалпы нейрондық желілер а деректерді алдын-ала өңдеу қадам, онда Ерекшеліктер 0 мен 1 аралығында нормаланған мәндерге айналады. ANFIS нейрондық желісіне a қажет емес сигмоидты функция, бірақ бұл сандық мәндерді анық емес мәндерге түрлендіру арқылы алдын-ала өңдеу қадамын жасайды.[9]

Мысал келтірейік: Айталық, желі 2d кеңістігіндегі екі нүкте арасындағы қашықтықты алады. Қашықтық арақашықтық пикселмен өлшенеді және оның мәні 0-ден 500 пиксельге дейін болуы мүмкін. Сандық мәндерді түрлендіру Бұлыңғыр сандар тұратын мүшелік функциясымен жасалады мағыналық сипаттамалары жақын, орта және алыс сияқты.[10] Әрбір мүмкін болатын лингвистикалық құндылықты жеке тұлға береді нейрон. «Жақын жерде» нейрон 0-ден 1-ге дейін жанады, егер қашықтық «жақын» санатында болса. Нейрон «ортада» атқанда, егер бұл санаттағы қашықтық болса. «Пиксельдегі қашықтық» кіріс мәні жақын, орта және алыс үш түрлі нейронға бөлінеді.

Әдебиеттер тізімі

  1. ^ Jang, Jyh-Shing R (1991). Жалпыланған жүйке желілерін және Кальман сүзгі алгоритмін қолдана отырып, бұлыңғыр модельдеу (PDF). Жасанды интеллект бойынша 9-шы ұлттық конференция материалдары, Анахайм, Калифорния, АҚШ, 14-19 шілде. 2. 762–767 беттер.
  2. ^ Джанг, Дж. (1993). «ANFIS: адаптивті-желіге негізделген бұлдыр қорытындылау жүйесі». IEEE жүйелер, адам және кибернетика бойынша транзакциялар. 23 (3): 665–685. дои:10.1109/21.256541. S2CID  14345934.
  3. ^ Авраам, А. (2005), «Нейрондық оқытуды қолдану арқылы анық емес қорытынды жүйесіне бейімделу», Надя, Надия; де Македо Моурелье, Луиза (ред.), Бұлыңғыр жүйелік инженерия: теория және практика, Бұлыңғырлық пен жұмсақ есептеуді зерттеу, 181, Германия: Springer Verlag, 53–83 б., CiteSeerX  10.1.1.161.6135, дои:10.1007/11339366_3, ISBN  978-3-540-25322-8
  4. ^ Jang, Sun, Mizutani (1997) - Нейро-бұлыңғыр және жұмсақ есептеу - Prentice Hall, 335–368 б., ISBN  0-13-261066-3
  5. ^ Тахмасеби, П. (2012). «Гибридті жүйке желілері - анықталмаған логикалық-генетикалық алгоритм, бағаны бағалау». Компьютерлер және геоғылымдар. 42: 18–27. Бибкод:2012CG ..... 42 ... 18T. дои:10.1016 / j.cageo.2012.02.004. PMC  4268588. PMID  25540468.
  6. ^ Тахмасеби, П. (2010). «Кенді бағалау үшін оңтайландырылған жүйке желісін анық емес логикамен салыстыру». Австралиялық негізгі және қолданбалы ғылымдар журналы. 4: 764–772.
  7. ^ Камал, Мохасинина Бинте; Мендис, Джихан Дж .; Вэй, Джин (2018). «Электромобильдерге арналған авариялық қуат жүйесінің гибридті энергетикалық менеджменті архитектурасы үшін интеллектуалды жұмсақ есептеу негізінде қауіпсіздікті басқаруsic]". IEEE журналы сигналдарды өңдеудегі таңдалған тақырыптар. 12 (4): 806. Бибкод:2018ISTSP..12..806K. дои:10.1109 / JSTSP.2018.2848624.
  8. ^ Қарабоға, Дервис; Кая, Эбубекир (2018). «Адаптивті желінің негізінде бұлыңғыр қорытындылау жүйесі (ANFIS) оқыту тәсілдері: кешенді сауалнама». Жасанды интеллектке шолу. 52 (4): 2263–2293. дои:10.1007 / s10462-017-9610-2. ISSN  0269-2821.
  9. ^ J.-S.R. Джан (1992). «Уақытша артта қалдыруға негізделген өздігінен білім алатын анық емес контроллерлер». IEEE жүйелеріндегі транзакциялар. Электрлік және электронды инженерлер институты (IEEE). 3 (5): 714–723. дои:10.1109/72.159060. PMID  18276470.
  10. ^ Аниш Панди және Сародж Кумар және Кришна Кант Пандей және Даял Р.Пархи (2016). «ANFIS контроллерін қолданатын белгісіз статикалық ортадағы мобильді робот навигациясы». Ғылымдағы перспективалар. Elsevier BV. 8: 421–423. дои:10.1016 / j.pisc.2016.04.094.