Привет, сегодня поговорим про гибридные интеллектуальные технологии - нечёткие нейронные сети, обещаю рассказать все что знаю. Для того чтобы лучше понимать что такое гибридные интеллектуальные технологии - нечёткие нейронные сети , настоятельно рекомендую прочитать все из категории Интеллектуальные информационные системы.

Преимущества аппарата нечетких нейронных сетей

Эффективность аппарата нейросетей определяется их аппрок­симирующей способностью, причем НС являются универ­сальными функциональными аппроксиматорами. С помощью НС можно выразить любую непрерывную функциональную зависимость на основе обучения НС, без предварительной аналитической работы по выявлению правил зависимости выхода от входа. Недостатком нейросетей является невоз­можность объяснить выходной результат, так как значения распределены по нейронам в виде коэффициентов весов. Ос­новной трудностью в применении нечетких экспертных сис­тем служит необходимость явно сформулировать правила проблемной области в форме продукции. В нечетких эксперт­ных системах легко построить объяснение результата в форме протокола рассуждений, поэтому в настоящее время создают­ся гибридные технологии, сочетающие преимущества нечет­ких систем и нейронных сетей.

Примером гибридной технологии служит реализация сис­темы нечетких правил на основе нейросети. База нечетких правил для двух входных и одной выходной переменных име­ет следующую структуру:

Для реализации базы нечетких правил будем интерпрети­ровать ее как таблицу определения некоторой функции, т. е. базу правил можно представить обучающей выборкой: {((,,)}. Например, {((малое, большое), около нуля)}.

В большинстве нечет­ких понятий, представленных лингвистическими переменны­ми, их значения выражаются с помощью количественных не­четких множеств:

1) NB — отрицательное большое;

2) NM — отрицательное среднее;

3) NS — отрицательное малое;

4) ZE — около нуля;

5) PS — положительное малое;

6) РМ — положительное среднее;

7) РВ — положительное большое.

Понятие нечеткой нейросети

Глубинная интеграция нечетких систем и нейросетей связана с разработкой моделей нейронов, функции которых отлича­ются от функций традиционного нейрона.

Рисунок 9.1 – Примеры нечетких нейронов:
а) И-нейрон, б) ИЛИ-нейрон.

Модификация модели нейрона для адаптации к нечетким системам касается выбора функции активации, реализации операций сложения и умножения, так как в нечеткой логике сложение моделируется любой треугольной конормой (на­пример, max, a + b — ab,...),a операция умножения – тре­угольной нормой (min, a • b, ...).

И-нейроном называется нейрон, в котором умножение веса w на вход х моделируется конормой S(w, x), а сложение нор­мой T(w, x). Для двухвходового И-нейрона справед­лива формула:

ИЛИ-нейроном называется нейрон, в котором умножение веса w и входа х моделируется нормой T(w, х), а сложение взвешенных весов – конормой S(w, у). Об этом говорит сайт https://intellect.icu . Для двухвходового ИЛИ-нейрона справедлива формула:

Если выбрать в качестве Т — min, а S — max, то формула преобразования ИЛИ-нейрона уточняется следующим образом:

В качестве функции активации обычно используют радиальную базисную функцию:

Нечеткой нейронной сетью (ННС) называют четкую нейронную сеть прямого распространения сигнала, которая по­строена на основе многослойной архитектуры с использова­нием И-, ИЛИ-нейронов.

Нечеткая нейросеть функционирует стандартным образом на основе четких действительных чисел. Нечеткой является только интерпретация результатов. При создании гибридной технологии можно использовать нейрокомпъютинг для реше­ния частной задачи нечетких экспертных систем, а именно настройки параметров функции принадлежности.

Традиционно функции принадлежности формируют двумя способами: методом экспертной оценки или на основе статис­тики. Гибридные технологии предлагают третий способ: в качестве функции принадлежности выбирается параметризован­ная функция формы (например, параметризованная Гауссова кривая), параметры которой настраиваются с помощью нейросетей. Настройка параметров может быть получена с по­мощью алгоритма обратного распространения ошибки.

Рассмотрим его применение для обучения ННС. Пусть за­дана следующая система нечетких правил:

Допустим, что разработана нейросеть с п входами и одним выходом. Каким образом такая НС может аппроксимировать базу нечетких правил? Любая совокупность нечетких продук­ций может рассматриваться как нелинейное соответствие, заданное таблицей определения {(x^k, y^k}}, где k= 1, ..., К – но­мер строки-образца в обучающей выборке, х – вектор входа, у – желаемое значение выхода, a z – значение выхода, вы­числяемое нейросетью. Если определить текущую ошибку с помощью формулы , то можно применить стандартный алгоритм коррекции ошибки, корректируя вы­ход Z по следующему правилу:

В общем, мой друг ты одолел чтение этой статьи об гибридные интеллектуальные технологии - нечёткие нейронные сети. Работы впереди у тебя будет много. Смело пиши комментарии, развивайся и счастье окажется в твоих руках. Надеюсь, что теперь ты понял что такое гибридные интеллектуальные технологии - нечёткие нейронные сети и для чего все это нужно, а если не понял, или есть замечания, то не стесняйся, пиши или спрашивай в комментариях, с удовольствием отвечу. Для того чтобы глубже понять настоятельно рекомендую изучить всю информацию из категории Интеллектуальные информационные системы