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.