1. Introducere
Acestă este o prezentare a articolului stintific ce descrie o nouă abordare care utilizează o histogramă pentru variabilele fuzzificate folosind o expresie lingvistică pentru a compune un vector de ieșire ca set de formare.
Metoda propusă a fost verificată de autori pe un set de date real si s-a determinat că adaptarea unei rețele neuronale prin vectori de ieșire fuzzificati are o rată de eroare de predicție considerabil mai mică în comparație cu alta retea fără o astfel de transformare.
Un alt avantaj al abordării fuzzificate este că o singură rețea neuronală poate fi utilizată pentru mai multe seturi de date cu valori scalabile diferite, avand o gamă largă de atribute de date (unități, mii, milioane)
Îmbunătățirile propuse cresc performanța rețelelor neuronale rezultand o eroare de predicție semnificativ mai mica.
Logica fuzzy și rețelele neuronale au caracteristici speciale care pot fi utilizate pentru a rezolva anumite probleme, dar aceste proceduri nu pot fi aplicate tuturor problemelor în general, de exemplu, rețelele neuronale sunt potrivite pentru sarcini de clasificare și sarcini de recunoaștere a modelelor, deși nu sunt în măsură să explice decizia lor, iar pe de altă parte, sistemele logice fuzzy funcționează cu informații inexacte, dar își pot explica deciziile.
Regulile folosite pentru a găsi o soluție nu sunt generate automat, ele trebuie create de un expert, ambele limitări au avut o rezonanță majoră pentru a dezvolta sisteme hibride inteligente care combină mai multe tehnici pentru a depăși limitările lor individuale.
Spre deosebire de sistemul convențional, modelul propus este capabil să gestioneze variabila de intrare într-o formă lingvistică, acesta putand clasifica modele neclare.
Au existat mai multe lucrări de cercetare care sugerează că diferite forme de utilizări combinate ale logicii fuzzy și ale rețelelor neuronale sunt abordări eficiente. Conceptul fundamental al unor astfel de sisteme hibride este de a completa reciproc punctele slabe, creând astfel noi abordări pentru rezolvarea problemelor.
Procesul computațional începe cu dezvoltarea "unui neuron fuzzy", a cărui adaptare provine din
principiile morfologiilor neuronale biologice.
Un astfel de model hibrid creat funcționează în următorii pași:
Propunerea de modele neuronale bazate pe abordarea fuzzy, inspirându-se din modele neuron biologice.
Propunerea conexiunii dintre neuroni, care aduce fuzzificarea în rețeaua neuronală.
Propunere de algoritmi de adaptare care permit modificarea greutăților sinaptice.
O rețea neuronală fuzzy reprezintă un model de aplicare și deducere a regulilor ”neclare”.
Training set fuzzification based on histogram to increase the performance of a neural network - ScienceDirect
An Improved Fuzzy Neural Network for Traffic Speed Prediction Considering Periodic Characteristic
ANFIS: adaptive-network-based fuzzy inference system | IEEE Journals & Magazine | IEEE Xplore
Fundamentals of Computational Intelligence: Neural Networks, Fuzzy Systems
Pentru a descărca acest document,
trebuie să te autentifici in contul tău.