НОУ ИНТУИТ | Нейрокомпьютерные системы. Лекция 15: Нечеткие и гибридные нейронные сети

Учитесь и получайте официальные документы БЕСПЛАТНО. Вы можете поддержать наш проект.

Твой путь к знаниям!

Опубликован: 13.09.2006 | Уровень: специалист | Доступ: свободно | ВУЗ: Новосибирский Государственный Университет

Аннотация: Рассматриваются: математические основы нечетких систем, преимущества и алгоритмы обучения нечетких нейронных сетей, нечеткие сети с генетической настройкой, экспертные системы на основе гибридных НС.

Ключевые слова: символьная обработка информации, определение, интеллект, Матрица весов, извлечение знаний, обобщение, множества, значение, переменная, функция, правило вывода, лингвистическая переменная, интерпретация, нечеткое множество, входной, диапазон, операторы, Произведение, вектор, агрегирование, значимость, сеть, генератор функций, умножение, решение системы линейных уравнений, ожидаемое значение, вес, размерность, Единичная матрица, градиент, метод наискорейшего спуска, представление, нечеткая экспертная система, терм, логический, вывод, генетический алгоритм, модель проектирования, анализ, точность, экспертная система, деятельность, инструментарий, контроллер, оптимизация, редукция, база знаний, операции, СУБД

Интеллектуальные информационные системы в условиях неопределенности и риска

С помощью символьной обработки информации не удается решить прикладные задачи многих предметных областей, если для них невозможно получить полную информацию и если их определение недостаточно полно. Такая ситуация характерна для:

сложных технических систем;
систем экономического планирования;
социальных систем большой размерности;
систем принятия решений и т.п.

Выходом является использование систем, основанных на мягких вычислениях, которые включают в себя:

нечеткую логику и вероятностные вычисления;
нейрокомпьютинг - обучение, адаптация, классификация, системное моделирование и идентификация;
генетические вычисления - синтез, настройка и оптимизация с помощью систематизированного случайного поиска и эволюции.

Эти составные части не конкурируют друг с другом, а создают эффект взаимного усиления (гибридные системы). Наряду с термином "мягкие вычисления" используется термин "вычислительный интеллект" - научное направление, где решаются задачи искусственного интеллекта на основе теории нечетких систем, нейронных сетей и эволюционных (генетических) вычислений.

Нечеткие нейронные сети с генетической настройкой параметров (гибридные системы) демонстрируют взаимное усиление достоинств и нивелирование недостатков отдельных методов:

Представление знаний в нейронных сетях в виде матриц весов не позволяет объяснить результаты проведенного распознавания или прогнозирования, тогда как в системах вывода на базе нечетких правил результаты воспринимаются как ответы на вопросы "почему?".
Нейронные сети обучаются с помощью универсального алгоритма, т.е. трудоемкое извлечение знаний заменяется сбором достаточной по объему обучающей выборки. Для нечетких систем вывода извлечение знаний включает в себя сложные процессы формализации понятий, определение функций принадлежности, формирование правил вывода.
Нечеткие нейронные сети обучаются как нейронные сети, но их результаты объясняются как в системах нечеткого вывода.

Нечеткие множества

Понятие нечетких множеств (fuzzy sets) как обобщение обычных (четких) множеств было введено Л.Заде в 1965 г.. Традиционный способ представления элемента множества состоит в применении характеристической функции $\mu_A(x)$ , которая равна 1, если элемент принадлежит множеству , или равна 0 в противном случае. В нечетких системах элемент может частично принадлежать любому множеству. Степень принадлежности множеству , представляющая собой обобщение характеристической функции, называется функцией принадлежности $\mu_A(x)$ , причем $\mu_A(x)\in [0,1]$ , и $\mu_A(x)=0$ означает отсутствие принадлежности множеству , а $\mu_A(x) = 1$ - полную принадлежность. Конкретное значение функции принадлежности называется степенью или коэффициентом принадлежности.