سیستم استنتاج فازی چیست؟ قسمت 2
سیستم استنتاج فازی (Fuzzy Inference Systems (FIS
- قوانین اگر- سپس Fuzzy از فرم IF A THEN B هستند که A و B علامت مجموعه های فازی هستند.
ممداني، سوگنو، لارسن و تاكاگی
ممداني: متغييرهاي ورودي در اين روش فازي و خروجي هم فازي مي‌باشد.
سوگنو: مانند ممداني ولي ورودي ها فازي ولي خروجي مي‌تواند فازي نباشد.
تاكاگي: مانند ممداني ولي در خروجي از ميانگين وزني استفاده مي‌شود.
لارسن: تفاوت مهم آن با روش‌هاي قبلي در متغييرهاي ورودي هستند كه مي‌تواند هم فازي و هم غير فازي باشد.
انواع سیستم های استنتاج فازی (1) (ممدانی)
- سیستم های فازی خالص
انواع سیستم های استنتاج فازی (2)
- سیستم های فازی تاکاگی – سوگنو و کانگ (TSK)
- یک میانگین وزنی از مقادیر بخش هاي آنگاه قواعد می باشد.
- قسمت مقدم قواعد، فازی اما قسمت نتیجه، غیرفازی و ترکیبی خطی از متغیرهای ورودی است.
Sugeno model
Assume that the fuzzy inference system has two inputs x and y and one output z.
A first-order Sugeno fuzzy model has rules as the following:
Rule1:
If x1 is A11 and x2 is A21, then y = p1x1 + q1x2 + r1
Rule2:
If x1 is A12 and x2 is A22, then y = p2x1 + q2x2 + r2
مدل Sugeno
تکنیک های استنتاج فازی
گریزی بر شبکه های عصبی
- شبکه های عصبی یک مدل محاسباتی از عملیاتی است که در مغز انسان صورت می گیرد . شبکه های عصبی از تعدادی گره تشکیل شده است که توسط ارتباطاتی به هم متصل می باشند.
هر ارتباط یک وزن عددی مختص به خود دارد.
- وزن ها ابزار اصلی ذخیره سازی طولانی مدت هستند.
- شبکه های عصبی می توانند وزن ها را به منظور بهبود عملکرد یک کار خاص، تنظیم نمایند.
- یک گره از چندین ورودی از سایر گره ها و از چندین خروجی و از یک تابع غیر خطی (تابع فعال) تشکیل شده است.
- شبکه های عصبی به دو گروه Feed forward و Feedback تقسیم بندی می شوند.
دو نوع الگوریتم یادگیری در شبکه های عصبی
- Supervised
- Unsupervised
- شبکه پرسپترون چند لایه و الگوریتم یادگیری آن
- الگوریتم یادگیری Error Back propagation
- ارزیابی تغییرات وزن
سیستم های فازی و شبکه های عصبی
- هر دو روش مکمل یکدیگرند
- شبکه های عصبی قابلیت یادگیری از داده ها را دارند در حالی که سیستم های فازی نمی توانند.
- فهم سیستم های فازی به دلیل استفاده از اصطلاحات زبان شناسی و قوانین اگر – آنگاه می باشند در حالی که شبکه های عصبی اینگونه نیستند.
- شبکه های عصبی قابلیت یادگیری سطح پایین و توان محاسباتی بالایی
- سیستم های فازی قابلیت تفکر انسان گونه ی سطح بالا
ANFIS
Adaptive Network-based Fuzzy Inference Systems
سیستم های تطبیقی استنتاجی فازی مبتنی بر شبکه
Adaptive Neural-fuzzy Inference System
سیستم های نورو- فازی تطبیقی
معرفی ANFISS
- ANFIS مخفف adaptive network-based fuzzy inference system می باشد.
- توسط دکتر راگر جانگ (Rogger Jang) درسال 1993 معرفی شد.
- یک شبکه تطبيق پذير و قابل آموزشی است (خود را با داده های آموزشی تطبیق می دهد) 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 1 هستند.
- ANFIS از الگوریتم یادگیری HYBRID استفاده می کند.
- از آنجا که تعیین پارامترهاي توابع عضویت در قسمت مقدم قواعد و همچنین تعیین ضرائب قسمت تالی قواعد همانند تعیین وزنهاي شبکه عصبی است به کمک روش هایی مثل الگوریتم هاي پس انتشار خطا انجام می شود.
دیدگاه خود را ثبت کنید
تمایل دارید در گفتگوها شرکت کنید؟در گفتگو ها شرکت کنید.