Способы обучения нечёткой нейронной системы

1. Подготовка обучающих данных: они должны быть разделены на подмножества, образующие репрезентативные классы. Обучение осуществляется по алгоритму обратного распространения ошибки и проводится раздельно для сети, реализующих условия правил, и для сети, реализующей заключения.

2. Подготовка множеств обучающих данных в виде пар , d(t)

3. Разделение пространства входных переменных на N классов Rk, где k=1,2,…,N. В результате формируется N подмножеств обучающей выборки , d(t). Разделение n-мерного пространства на N областей равнозначно тому, что в системе вывода будут использоваться N нечётких правил.

4. Обучение нейронной сети SN_klas разделению обучающих данных на области. Такое обучение тождественно определению многомерных функций принадлежности нескольких переменных в условиях правил. Если на вход сети поступает значение i, то эталонные сигналы подаются в выходной слой по следующему правилу

5. d ^{( k )} = {

Таким образом, задаётся область, к которой принадлежит точка i.

По завершению обучения сеть SN_klas приобретает способность выводить степень принадлежности каждой обучающей выборки к области Rk. Другими словами. выходные сигналы сети d^(k) определяют степень принадлежности входных данных к соответствующим областям.

6. Обучение нейронных сетей SN_k реализации заключений. Обучающие данные, соответствующие классу R^(k) (, d(t)) подаются на вход и выход сети SN_k. . Эта сеть будет реализовывать заключения для правила R^(k) .

Литература

1. Осовский С. Нейронные сети для обработки информации/ Пер. с польского И.Д. Рудницкого. М.: Финансы и статистика, 2002.-344с.