Адаптивные системы нейро-нечеткого вывода. ANFIS

Необходимость в средствах, которые бы обеспечили возможность настройки и оптимизации нечеткой модели, возникла сразу же на стадии практического применения нечетких систем. Характеристики точности и качества нечеткой модели сильно зависят от формы и взаимного расположения функций принадлежности (ФП). Настройка параметров нечеткой модели в значительной степени автоматизируется при использовании нейросетевых нечетких систем (ННС), в которых нейронная (адаптивная) сеть выступает в качестве механизма настройки параметров нечеткой модели

Множество настраиваемых параметров определяется параметрами ФП условной части правил и линейными коэффициентами в заключительной части.

Нечеткая модель:

R1: ЕСЛИ X₁ = B₁₁ И Х₂ = B₁₂ И … И Xn = B_1n, ТО Y=D₁

R2: ЕСЛИ X₁ = B₂₁ И Х₂ = B₂₂ И … И Xn = B_2n, ТО Y=D₂

…

Rr: ЕСЛИ X₁ = B_r1 И Х₂ = B_r2 И … И X_n = B_rn, ТО Y = Dr

Нечеткие множества являются параметрами нечеткой модели, а структура правил и их количество r определяют структуру модели.

В процессе нечеткого моделирования возможно использование нейронных сетей для проведения структурной и параметрической идентификация нечеткой модели.

В данной работе рассматривается двухэтапная процедура построения нечетких моделей типа Сугэно. На первом этапе синтезируются нечеткие правила из экспериментальных данных с использование субтрактивной кластеризации. На втором этапе настраиваются параметры нечеткой модели с помощью ANFIS-алгоритма. Субтрактивная кластеризация может использоваться как быстрый автономный метод синтеза нечетких правил из данных. Кроме того, этот метод может рассматриваться как своего рода препроцессинг для ANFIS-алгоритма - синтезированная нечеткая модель является начальной точкой для обучения. Важным преимуществом применения кластеризации для синтеза нечеткой модели является то, что правила базы знаний получаются объектно-ориентированными.

Экспертные системы принятия решений: требования к ЭС; классификация ЭС.

Полностью в лекциях J

Экспертные системы принятия решений: обобщенная структура ЭС; структура лингвистического процессора.

Полностью в лекциях J

Концепции построения ЭС: продукционные; фреймовые; на основе семантических сетей; нейлоровские.

Полностью в лекциях J