شبکه عصبی ANFIS

شبکه ­های عصبی قادرند از الگوهای موجود، آموزش دیده و خود را با تغییرات جدید وفق دهند. سیستم های استنتاج فازی، بر اساس دانش انسانی، عمل استنتاج و تصمیم­گیری را انجام می­دهند. سیستم نرو فازی ویژگی آموزش شبکه عصبی و منطق فازی را بطور همزمان دارا می­باشد. ساختمان کلی ANFIS با دو ورودی و یک خروجی از نوع TSK بعنوان نمونه در شکل زیر نمایش داده شده است. ANFIS بجز ورودی­ها و خروجی ها دارای 5 لایه میباشد. لایه اول عمل فازی سازی را انجام میدهد. در لایه دوم خروجی هر گره قدرت آتش هر قانون را مشخص میکند. لایه سوم عمل نرمالیزه سازی را انجام میدهد. در لایه چهارم نتایج بخش تالی هر قانون فازی و در لایه پنجم خروجی کل سیستم از حاصل جمع خروجی های لایه چهارم محاسبه میشود.

 

بعنوان نمونه و مثالی از قوانین فازی در ANFIS نوع (TSK(Takagi-Sugeno-Kang به شکل زیر قابل بیان است.

 

که در آن i=1,2,…,n و n تعداد قوانین فازی میباشد. ti0 و ti1 و ti2 پارامترهای بخش تالی قانون فازی iام و A و B شاخص های زبانی و یا بعابرتی توابع عضویت میباشند. توابع عضویت بکار رفته به شکل گوسی هستند که با پارامترهای مرکز و شعاع با عنوان پارامترهای بخش مقدم مشخص میشوند.

 

یک ایده الگوریتم آموزشی برای این سیستم، الگوریتم هیبریدی می­باشد، که در آن از تخمین حداقل مربعات برای تعیین پارامترهای خطی بخش تالی با ثابت فرض کردن پارامترهای مقدم و از روش گرادیان، در مسیر بازگشتی برای تعیین پارامترهای بخش مقدم بر اساس پارامترهای تالی محاسبه شده، استفاده میشود. و فرآیند اموزش به همین شکل تکرار میشود. این روش آموزشی بطور کلی در جدول زیر نمایش داده شده است.

 

این مطلب توسط مهدی مقیمی و به منظور قرار گیری در سایت علمی آموزشی یارکد (www.YarCode.ir) تهیه شده است.

برای اطلاعات بیشتر و یا انجام پروژه در این حوزه و یا حوزه های مشابه میتوانید از طریق راه های ارتباطی 0935768531 و یا info@YarCode.ir اقدام نمائید.

 

 

پاسخ دهید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *