Нейро-нечеткий
-
Обзор нейро-нечеткой гибридизации
- Нейро-нечеткая система объединяет нейронные сети и нечеткую логику для создания гибридной интеллектуальной системы.
- В литературе нейро-нечеткая система известна как нечеткая нейронная сеть или нейро-нечеткая система.
-
Сильные стороны и противоречия нейро-нечетких систем
- Нейро-нечеткие системы являются универсальными аппроксиматорами с интерпретируемыми правилами «ЕСЛИ-ТО».
- Они стремятся к сочетанию интерпретируемости и точности, но обычно предпочтение отдается одному из этих свойств.
-
Разделение исследований нейро-нечеткости
- Лингвистическое нечеткое моделирование (Мамдани) ориентировано на интерпретируемость.
- Точное нечеткое моделирование (Такаги-Сугено-Кана) направлено на точность.
-
Применение нейро-нечетких систем
- Различные конфигурации нейро-нечетких систем включают получение нечетких правил из обученных сетей RBF, настройку параметров обучения на основе нечеткой логики и другие.
-
Улучшение интерпретируемости нейро-нечетких систем
- Существуют меры для улучшения интерпретируемости нейро-нечетких систем.
-
Динамическое обновление нейро-нечетких систем
- Системы обновляются новыми выборками и адаптируются к изменениям концепции и поведения.
-
Обзор подходов к нейро-нечетким системам
- Существуют различные подходы к нейро-нечетким системам, включая POPFNN.
-
Архитектура POPFNN
- POPFNN состоит из пятиуровневой сети с входным лингвистическим, условиями, правилами, последовательным и выходным лингвистическим уровнями.
-
Процесс обучения POPFNN
- Обучение включает генерацию нечеткого членства, идентификацию нечетких правил и тонкую настройку под наблюдением.
-
Алгоритмы генерации нечетких членений и идентификации нечетких правил
- Используются различные алгоритмы, включая LVQ, FKP и DIC для генерации нечетких членений.
- Алгоритм POP и LazyPOP применяются для определения нечетких правил.
Полный текст статьи: