80384fd8f24e2f3222efcf5326e2553e

1. Основы нечетких нейронных сетей

2.

Существуют целые классы прикладных задач, в которых выявление и
построение правил нечетких продукций невозможно или связано с
серьезными трудностями концептуального характера. К таким задачам
относятся задачи распознавания образов, экстраполяции и интерполяции
функциональных зависимостей, классификации и прогнозирования,
нелинейного и ситуационного управления, а также интеллектуального анализа
данных.
Общей особенностью подобных задач является существование некоторой
зависимости или отношения, связывающего входные и выходные переменные
модели системы, представляемой в форме так называемого «черного ящика».
При этом выявление и определение данной зависимости в явном теоретикомножественном или аналитическом виде не представляется возможным либо
по причине недостатка информации о моделируемой проблемной области,
либо сложности учета многообразия факторов, оказывающих влияние на
характер данной взаимосвязи.
Для решения подобных задач разработан специальный математический
аппарат – нейронные сети. Достоинством моделей, построенных на основе
нейронных сетей, является возможность получения новой информации о
проблемной области в форме некоторого прогноза. При этом построение и
настройка нейронных сетей осуществляется посредством их обучения на
основе имеющейся и доступной информации.

3.

Недостатком нейронных сетей является представление знаний о
проблемной области в специальном виде, которое может
существенно
отличаться
от
возможной
содержательной
интерпретации существующих взаимосвязей и отношений.
Нечеткие нейронные сети или гибридные сети по замыслу
призваны объединить в себе достоинства нейронных сетей и
систем нечеткого вывода. С одной стороны, они позволяют
разрабатывать и представлять модели систем в форме правил
нечетких продукций, которые обладают наглядностью и простотой
содержательной интерпретации. С другой стороны, для построения
правил нечетких продукций используют методы нейронных сетей,
что является более удобным и менее трудоемким процессом для
системных аналитиков.

4. Гибридная сеть как адаптивная система нейро-нечеткого вывода

Гибридная сеть представляет собой многослойную нейронную
сеть специальной структуры без обратных связей, в которой
используются обычные (не нечеткие) сигналы, веса и функции
активации, а выполнение операции суммирования основано на
использовании фиксированной Т-нормы, Т-конормы или
некоторой другой непрерывной операции. При этом значения
входов, выходов и весов гибридной нейронной сети представляют
собой вещественные числа отрезка [0,1].
В Matlab гибридые сети реализованы в форме адаптивной
системы нейро-нечеткого вывода ANFIS в приложении Neuro-Fuzzy
Designer.

5.

Для создания гибридной сети необходимо загрузить данные.
Для этой цели следует воспользоваться кнопкой LoadData. Данные
могут быть загружены из внешнего файла (file) и рабочей области
(worksp.). В первом случае необходимо предварительно создать
файл с исходными данными с расширением .dat.
Исходные данные представляют собой числовую матрицу
размерности m×(n+1), в которой количество строк m соответствует
объему выборки, первые n столбцов – значениям входных
переменных модели, а последний столбец – значение выходной
переменной. Согласно правилам системы Matlab отдельные
значения матрицы отделяются пробелами, а каждая строка –
«перевод каретки».

6. Пример 8_1

Построим адаптивную систему нейро-нечеткого вывода для
аппроксимации некоторой зависимости, которая описывается
математической функцией