anfis توضیح کامل انفیس شبکه عصبی فازی شبکه عصبی منظق فازی

1. ‫های‬ ‫شبکه‬ ‫کلی‬ ‫بررسی‬
‫فازی‬ ‫عصبی‬ ‫ه‬‫ب‬‫ام‬‫ن‬‫د‬‫خ‬‫ا‬

2. ‫کلی‬ ‫مرور‬
•‫فازی‬ ‫منطق‬
•‫عصبی‬ ‫های‬ ‫شبکه‬

3. ‫عصبی‬ ‫استنتاج‬ ‫سیستم‬-‫فازی‬‫سازگار‬
•‫یک‬‫سیستم‬‫استنتاج‬‫عصبی‬-‫فازی‬‫سازگار‬adaptive neuro-fuzzy
inferencesystem
•‫یا‬adaptive network-based fuzzy inference system‫که‬‫به‬
‫صورت‬ANFIS‫خالصه‬‫شده‬‫است‬)‫نوعی‬‫شبکه‬‫عصبی‬‫مصنوعی‬‫است‬‫که‬
‫براساس‬‫سیستم‬‫فازی‬‫تاکاگی‬-‫سوگنو‬
•Takagi–Sugeno‫می‬‫باشد‬.‫این‬‫شیوه‬‫در‬‫اوایل‬۱۹۹۰‫ایجاد‬‫شده‬
‫است‬.‫از‬‫آنجایی‬‫که‬‫این‬،‫سیستم‬‫شبکه‬‫های‬‫عصبی‬‫و‬
‫مفاهیم‬‫منطق‬‫فازی‬‫را‬‫یکی‬‫می‬،‫کند‬‫می‬‫تواند‬‫از‬‫امکانات‬‫هر‬

4. ‫نوروفازي‬ ‫و‬ ‫فازي‬ ‫عصبي‬ ‫شبكه‬:
‫شبكه‬‫عصبي‬‫همانند‬‫جعبه‬‫سیاهي‬‫بوده‬‫كه‬‫توانایي‬‫یادگیري‬‫روابط‬
‫بین‬‫هاي‬‫نمونه‬‫ورودي‬‫و‬‫خروجي‬‫خود‬‫را‬‫دارد‬.‫به‬‫عبارتي‬‫یادگیري‬‫در‬
‫این‬‫سیستم‬‫به‬‫صورت‬‫توزیع‬‫شده‬‫بوده‬‫و‬‫تعیین‬‫محل‬‫مفهوم‬‫یادگیري‬‫در‬
‫آن‬‫امكان‬‫پذیر‬‫باشد‬‫نمي‬.‫لذا‬‫یكي‬‫از‬‫مشكالت‬‫این‬‫ها‬‫سیستم‬‫ذخیره‬
‫دانش‬‫به‬‫صورت‬‫هاي‬‫وزن‬‫نامشخص‬‫بین‬‫نروني‬‫باشد‬‫مي‬‫كه‬‫امكان‬‫تفسیر‬
‫كالمي‬‫آن‬‫ممكن‬‫نیست‬.‫از‬‫سوي‬‫دیگر‬‫منطق‬‫فازي‬‫توانایي‬‫استنتاج‬‫روي‬
‫هاي‬‫مجموعه‬‫نادقیق‬‫كالمي‬‫را‬‫داراست‬.‫قوانین‬‫فازي‬‫توانند‬‫مي‬‫بر‬‫پایه‬
‫جمالت‬"‫اگر‬...‫آنگاه‬"،‫منطق‬‫زبان‬‫طبیعي‬‫را‬‫پیاده‬‫سازي‬
‫نمایند‬.‫با‬‫این‬‫حال‬‫یك‬‫سیستم‬‫فازي‬‫كه‬‫به‬‫آن‬‫سیستم‬‫استنتاج‬‫فازي‬
‫و‬‫یا‬‫سیستم‬‫خبره‬‫نیز‬‫گفته‬،‫شود‬‫مي‬‫توانایي‬‫یادگیري‬‫و‬‫یا‬‫حتي‬

5. ‫نوروفازي‬ ‫و‬ ‫فازي‬ ‫عصبي‬ ‫شبكه‬ ‫انواع‬:
‫نحوه‬‫ارتباط‬‫بین‬‫منطق‬‫فازي‬‫و‬‫شبكه‬‫عصبي‬‫باعث‬‫بوجود‬‫آمدن‬‫انواع‬‫مختلفي‬
‫از‬‫ها‬‫سیستم‬‫شده‬‫است‬.‫بسیاري‬‫بر‬‫این‬‫باورند‬‫كه‬‫اطالق‬‫كلمه‬‫نوروفازي‬‫به‬
‫تمامي‬‫این‬،‫تركیبات‬‫درست‬‫باشد؛‬‫نمي‬‫چراكه‬‫برخي‬‫از‬‫این‬‫تركیبات‬‫ارتباطي‬
‫تكمیلي‬‫با‬‫یكدیگر‬‫داشته‬‫و‬‫به‬‫جاي‬‫هر‬‫یك‬‫از‬‫این‬‫اجزاء‬‫توان‬‫مي‬‫هاي‬‫سیستم‬
‫دیگري‬‫مانند‬‫درخت‬،‫تصمیم‬‫الگوریتم‬‫تكاملي‬‫و‬‫از‬‫این‬‫دست‬‫را‬‫جایگزین‬
‫نمود‬.‫به‬‫عبارتي‬‫اختصار‬‫نوروفازي‬‫به‬‫سیستم‬‫تركیبي‬‫حاصل‬‫از‬‫شبكه‬‫عصبي‬
‫و‬‫سیستم‬‫استنتاجي‬‫فازي‬‫گفته‬‫شده‬‫كه‬‫در‬‫آن‬‫شبكه‬‫عصبي‬‫به‬‫عنوان‬‫تعین‬
‫كننده‬‫پارامترهاي‬‫سیستم‬‫فازي‬‫مورد‬‫استفاده‬‫قرار‬‫گیرد‬‫مي‬.‫منظور‬‫از‬
‫تعیین‬‫پارامترهاي‬‫سیستم‬‫فازي‬‫توسط‬‫شبكه‬،‫عصبي‬‫تعیین‬‫اتوماتیك‬
‫پارامترهاي‬‫فازي‬‫مانند‬‫قوانین‬‫فازي‬‫و‬‫یا‬‫توابع‬‫عضویت‬‫هاي‬‫مجموعه‬‫فازي‬

6. ‫نوروفازي‬ ‫و‬ ‫فازي‬ ‫عصبي‬ ‫شبكه‬ ‫انواع‬:
1- Fuzzy Neural Network:
‫عصبي‬ ‫شبكه‬ ‫یادگیري‬ ‫توان‬ ‫افزایش‬ ‫یا‬ ‫و‬ ‫شبكه‬ ‫كارایي‬ ‫بهبود‬ ‫براي‬ ‫فازي‬ ‫منطق‬
‫گیرد‬‫مي‬ ‫قرار‬ ‫استفاده‬ ‫مورد‬.‫تغییر‬ ‫براي‬ ‫فازي‬ ‫قوانین‬ ‫افزودن‬ ‫ها‬‫شبكه‬ ‫این‬ ‫در‬
‫ورودي‬ ‫تغییر‬ ‫یا‬ ‫و‬ ‫یادگیري‬ ‫نرخ‬/‫است‬ ‫فازي‬ ‫به‬ ‫غیرفازي‬ ‫حالت‬ ‫از‬ ‫شبكه‬ ‫خروجي‬.
‫از‬ ‫عبارتند‬ ‫دسته‬ ‫این‬ ‫از‬ ‫هایي‬‫نمونه‬:FNN،FHSNN‫و‬GFNN.
2- Concurrent Neuro-Fuzzy Models:
‫شبكه‬‫اما‬ ‫كنند‬‫مي‬ ‫كار‬ ‫یكدیگر‬ ‫با‬ ‫واحد‬ ‫كار‬ ‫یك‬ ‫روي‬ ‫بر‬ ‫فازي‬ ‫سیتم‬ ‫و‬ ‫عصبي‬
‫ندارند‬ ‫یكدیگر‬ ‫روي‬ ‫بر‬ ‫تأثیري‬.‫كار‬ ‫به‬ ‫دیگري‬ ‫پارامتر‬ ‫تعیین‬ ‫براي‬ ‫هیچكدام‬
‫روند‬‫نمي‬.،‫مدل‬ ‫این‬ ‫در‬ ً‫معموال‬‫خروجي‬ ‫یا‬ ‫و‬ ‫ورودي‬ ‫پردازش‬ ‫پیش‬ ‫براي‬ ‫عصبي‬ ‫شبكه‬
‫رود‬‫مي‬ ‫كار‬ ‫به‬ ‫فازي‬ ‫سیستم‬.
·3- Cooperative Neuro_Fuzzy Models:
‫رود‬‫مي‬ ‫كار‬ ‫به‬ ‫فازي‬ ‫سیستم‬ ‫هاي‬‫پارامتر‬ ‫تعیین‬ ‫براي‬ ‫عصبي‬ ‫شبكه‬.‫این‬
‫است‬ ‫فازي‬ ‫هاي‬‫مجموعه‬ ‫و‬ ‫قوانین‬ ‫وزن‬ ،‫فازي‬ ‫قوانین‬ ‫شامل‬ ‫پارامترها‬.
4- Neural network-driven fuzzy reasoning systems:
‫برخي‬‫هاي‬‫مدل‬ ‫جزء‬ ‫را‬ ‫ها‬‫سیستم‬ ‫این‬Cooperative‫دانند‬‫مي‬.‫براي‬ ‫ها‬‫مدل‬ ‫این‬
‫گیرند‬‫مي‬ ‫قرار‬ ‫استفاده‬ ‫مورد‬ ‫فازي‬ ‫قوانین‬ ‫گسترش‬.
·5- Hybrid Neuro_Fuzzy Models:
‫شوند‬‫مي‬ ‫تركیب‬ ‫یكدیگر‬ ‫با‬ ‫هماهنگ‬ ‫ساختار‬ ‫یك‬ ‫در‬ ‫فازي‬ ‫سیستم‬ ‫و‬ ‫عصبي‬ ‫شبكه‬.
‫با‬ ‫فازي‬ ‫سیستم‬ ‫یك‬ ‫یا‬ ‫و‬ ‫فازي‬ ‫پارامتر‬ ‫با‬ ‫عصبي‬ ‫شبكه‬ ‫توان‬‫مي‬ ‫را‬ ‫مدل‬ ‫این‬
‫دانست‬ ‫شده‬ ‫توزیع‬ ‫یادگیري‬.
ANFIS،ANNBFIS،NEFClass‫و‬FLEXNFIS‫باشند‬‫مي‬ ‫مدل‬ ‫این‬ ‫از‬ ‫هایي‬‫نمونه‬.

7. Fuzzy Neural Network:
‫شايد‬‫از‬‫لحاظ‬‫مفهومي‬‫‌ترين‬‫ه‬‫ساد‬‫مدل‬‫تركيبي‬‫عصبي‬-‫فازي‬‫باشد‬‫؛‬‫چراكه‬‫در‬‫آن‬‫شبكه‬‫عصبي‬‫غالب‬‫بوده‬‫و‬‫تنها‬‫مفهوم‬‫منطق‬‫آن‬
‫تغيير‬‫نموده‬‫است‬.‫از‬‫اين‬‫‌ها‬‫ه‬‫شبك‬‫در‬‫‌هاي‬‫د‬‫كاربر‬‫مختلفي‬‫استفاده‬‫شده‬‫و‬‫انواع‬‫گوناگوني‬‫از‬‫اين‬‫‌ها‬‫ه‬‫شبك‬‫ايجاد‬‫شده‬‫است‬.‫د‬‫ر‬‫حالت‬‫كلي‬
‫اين‬‫دسته‬‫را‬‫معادل‬‫شبكه‬‫عصبي‬‫با‬‫منطق‬‫فازي‬‫‌دانند‬‫ي‬‫م‬.
‫‌باشد‬‫ي‬‫‌هاي‌شبكه‌عصبي‌فازي،‌بر‌اساس‌نوع‌ارتباط‌شبكه‌با‌منطق‌فازي‌امكان‌پذير‌م‬‫ن‬‫امكان‌تعبير‌معنايي‌وز‬.‫در‌شب‬‌‫‌هايي‌كه‬‫ه‬‫ك‬
‫‌توان‌آنها‌را‌تفسير‌نمود‬‫ي‬‫‌ها‌معناي‌بياني‌يافته‌و‌م‬‫ن‬‫‌ها‌حاصل‌خروجي‌توابع‌عضويت‌فازي‌باشد،‌اين‌وز‬‫ن‬‫وز‬.

8. Cooperative Neuro_Fuzzy Models:
‫در‬‫این‬،‫ها‬‫سیستم‬‫شبكه‬‫عصبي‬‫براي‬‫تولید‬‫هر‬‫یك‬‫از‬‫اجزاء‬‫یك‬‫سیستم‬
‫فازي‬‫به‬‫كار‬‫رود‬‫مي‬.‫در‬‫این‬‫مدل‬ً‫معموال‬‫بعد‬‫از‬‫فاز‬،‫یادگیري‬‫سیستم‬
‫فازي‬‫بدون‬‫شبكه‬‫عصبي‬‫به‬‫كار‬‫خود‬‫ادامه‬‫دهد‬‫مي‬.‫این‬‫ها‬‫سیستم‬‫به‬
‫چهار‬‫دسته‬‫عمده‬‫زیر‬‫تقسیم‬‫شوند‬‫مي‬:
§‫را‬ ‫فازي‬ ‫هاي‬‫مجموعه‬ ‫كننده‬ ‫تولید‬ ‫عضویت‬ ‫تابع‬ ،‫عصبي‬ ‫شبكه‬
‫كند‬‫مي‬ ‫تعیین‬.
§‫شوند‬‫مي‬ ‫تعیین‬ ‫عصبي‬ ‫شبكه‬ ‫بندي‬‫دسته‬ ‫طریق‬ ‫از‬ ‫فازي‬ ‫قوانین‬.
§‫سیستم‬ ‫بازخورد‬ ‫و‬ ‫فازي‬ ‫سیستم‬ ‫رساني‬ ‫روز‬‫به‬ ‫در‬ ‫عصبي‬ ‫شبكه‬
‫گیرد‬‫مي‬ ‫قرار‬ ‫استفاده‬ ‫مورد‬.
§‫تعیین‬ ‫را‬ ‫فازي‬ ‫قواعد‬ ‫نیاز‬ ‫مورد‬ ‫هاي‬‫وزن‬ ‫عصبي‬ ‫شبكه‬
‫نماید‬‫مي‬.

9. Neural network-driven fuzzy reasoning systems:
‫روند‬‫مي‬ ‫كار‬ ‫به‬ ‫فازي‬ ‫قوانين‬ ‫اتوماتيك‬ ‫گسترش‬ ‫براي‬ ‫ها‬ ‫سيستم‬ ‫اين‬.‫داد‬ ‫از‬ ‫كه‬ ‫بوده‬ ‫دانش‬ ‫مهندس‬ ‫معادل‬ ‫عبارتي‬ ‫به‬‫گان‬
‫دهد‬‫مي‬ ‫توسعه‬ ‫را‬ ‫موجود‬ ‫قوانين‬ ‫و‬ ‫استخراج‬ ‫اتوماتيك‬ ‫صورت‬ ‫به‬ ‫را‬ ‫متناظر‬ ‫قوانين‬ ،‫رويداد‬ ‫يك‬ ‫به‬ ‫مربوط‬.

10. Hybrid Neuro_Fuzzy Models:
‫در‬‫این‬‫ها‬‫سیستم‬‫كه‬‫هاي‬‫سیستم‬‫غالب‬‫نوروفازي‬،‫هستند‬‫شبكه‬‫عصبي‬‫و‬‫سیستم‬
‫فازي‬‫به‬‫صوت‬‫یك‬‫واحد‬‫یكپارچه‬‫عمل‬‫نمایند‬‫مي‬.‫این‬‫ها‬‫نوروفازي‬‫در‬‫هاي‬‫كاربرد‬
‫كنترلي‬‫و‬‫همچنین‬‫آنالیز‬‫داده‬‫مورد‬‫استفاده‬‫قرار‬‫گیرند‬‫مي‬.

11. Hybrid Neuro_Fuzzy Models:
‫در‬‫اكثر‬‫این‬‫ها‬‫نوروفازي‬‫یك‬
‫نرون‬‫پایه‬‫ایجاد‬‫شده‬‫كه‬ً‫عموما‬‫آنرا‬
‫نرون‬‫فازي‬‫نامند‬‫مي‬.‫بر‬‫پایه‬‫این‬
‫نرون‬‫پایه‬‫شبكه‬‫مورد‬‫نظر‬،‫طراح‬‫شكل‬
‫گیرد‬‫مي‬.‫به‬‫طور‬‫نمونه‬
‫نوروفازي‬NEFClass‫كه‬‫براي‬‫بندي‬‫دسته‬
‫طراحي‬‫شده‬‫است‬‫از‬‫نرون‬‫پایه‬
‫پرسپترون‬‫فازي‬‫كه‬‫یك‬‫پرسپترون‬‫سه‬
‫الیه‬‫با‬‫ها‬‫ویژگي‬‫و‬‫یادگیري‬‫خاص‬‫خود‬
‫باشد‬‫مي‬‫به‬‫وجود‬‫آمده‬‫است‬.

12. Hybrid Neuro_Fuzzy Models:
‫براي‬‫تجسم‬
‫بهتر‬‫یك‬‫نوروفازي‬
‫بایست‬‫مي‬‫اجزاء‬
‫مختلف‬‫یك‬‫سیستم‬
‫استنتاج‬‫فازي‬‫را‬
‫بررسي‬‫نمود‬.‫یك‬
‫سیستم‬‫فازي‬‫شامل‬
‫ساز‬‫فازي‬:‫ورودي‬‫غیرفازي‬‫را‬‫به‬‫متغیر‬‫زباني‬‫تبدیل‬‫نماید‬‫مي‬.‫این‬‫متغیر‬‫زباني‬‫در‬
‫تابع‬‫عضویت‬‫ذخیره‬‫شده‬‫در‬‫پایگاه‬‫دانش‬‫فازي‬‫مورد‬‫استفاده‬‫قرار‬‫گیرد‬‫مي‬.
‫موتور‬‫استنتاج‬:‫با‬‫استفاده‬‫از‬‫قوانین‬‫فازي‬‫اگر‬-،‫آنگاه‬‫ورودي‬‫فازي‬‫را‬‫به‬‫خروجي‬
‫فازي‬‫تبدیل‬‫كند‬‫مي‬.
‫ساز‬‫غیرفازي‬:‫مقادیر‬‫فازي‬‫خروجي‬‫از‬‫موتور‬‫استنتاج‬‫را‬‫به‬‫مقادیر‬‫فازي‬‫غیر‬‫تبدیل‬
‫نماید‬‫مي‬.‫اینكار‬‫بر‬‫اساس‬‫قوانین‬‫سازي‬‫غیرفازي‬‫انجام‬‫شود‬‫مي‬.

13. Hybrid Neuro_Fuzzy Models:
‫هر‬‫یك‬‫از‬‫هاي‬‫قسمت‬‫فوق‬‫معادل‬‫قسمتي‬‫مشخص‬‫در‬‫یك‬‫سیستم‬‫فازي‬‫است‬.
‫سازي‬‫پیاده‬‫هر‬‫قسمت‬‫بر‬‫اساس‬‫نیاز‬‫طراح‬‫و‬‫مسئله‬‫مورد‬‫بررسي‬‫آن‬‫باشد‬‫مي‬.‫با‬
‫این‬‫حال‬‫توان‬‫مي‬‫یك‬‫نوروفازي‬‫كلي‬‫را‬‫به‬‫صورت‬‫یك‬‫شبكه‬‫هفت‬‫الیه‬‫تصور‬‫نمود‬.
‫به‬‫عبارتي‬‫براي‬‫ایجاد‬‫یك‬‫سیستم‬‫فازي‬‫نیاز‬‫به‬‫قوانین‬‫استخراج‬‫شده‬‫از‬
‫دانش‬‫یك‬‫فرد‬‫خبره‬‫است‬.‫این‬‫قوانین‬‫در‬‫كنار‬‫توابع‬‫عضویت‬‫هاي‬‫مجموعه‬
‫فازي‬‫امكان‬‫استدالل‬‫فازي‬‫را‬‫ممكن‬‫سازد‬‫مي‬.‫توان‬‫مي‬‫یك‬‫نوروفازي‬‫را‬‫با‬
‫یك‬‫سیستم‬‫فازي‬‫مورد‬‫مقایسه‬‫قرار‬‫داد‬.‫هاي‬‫الیه‬‫مختلف‬‫این‬‫ها‬‫شبكه‬
‫معادل‬‫هاي‬‫قسمت‬‫مختلف‬‫یك‬‫سیستم‬‫فازي‬‫است‬.‫یك‬‫نوروفازي‬‫را‬‫توان‬‫مي‬‫به‬
‫صورت‬‫اي‬‫شبكه‬‫با‬‫توانایي‬‫استنتاج‬‫فازي‬‫دانست‬‫كه‬‫قوانین‬‫آن‬‫توابع‬
‫هاي‬‫نرون‬‫الیه‬‫مخفي‬‫شبكه‬‫و‬‫یا‬‫به‬‫صورت‬‫هاي‬‫وزن‬‫این‬‫ها‬‫الیه‬‫در‬‫نظر‬‫گرفته‬
‫شوند‬‫مي‬.

14. Hybrid Neuro_Fuzzy Models:
1‫الیه‬‫الیه‬ ،‫اول‬‫فازي‬ ‫غیر‬ ‫هاي‬‫ورودي‬‫است‬ ‫شبكه‬.
3-2‫سوم‬ ‫و‬ ‫دوم‬ ‫الیه‬‫ساز‬‫فازي‬ ‫هاي‬‫نرون‬‫باشند‬‫مي‬.‫الیه‬ ‫دو‬ ‫این‬ ‫در‬
‫توابع‬ ‫طبق‬ ‫غیرفازي‬ ‫ورودي‬‫عضویت‬
‫به‬‫یك‬‫شود‬‫مي‬ ‫تبدیل‬ ‫فازي‬ ‫ورودي‬.
4‫الیه‬‫یك‬ ‫دانش‬ ‫پایگاه‬ ‫در‬ ‫موجود‬ ‫قوانین‬ ‫معادي‬ ‫چهارم‬
‫باشد‬‫مي‬ ‫فازي‬ ‫سیستم‬.‫این‬ ‫در‬ ‫نرون‬ ‫هر‬‫الیه‬
‫باشد‬‫مي‬ ‫قانون‬ ‫یك‬ ‫معادل‬.
5‫الیه‬‫پنجم‬‫و‬ ‫آمده‬ ‫بدست‬ ‫قوانین‬ ‫الیه‬ ‫خروجي‬ ‫تركیب‬ ‫از‬
‫شبكه‬ ‫غیرفازي‬ ‫خروجي‬‫باشد‬‫مي‬.
‫نیاز‬ ‫حسب‬ ‫بر‬‫توان‬‫مي‬‫یا‬ ‫و‬ ‫نمود‬ ‫استفاده‬ ‫الیه‬ ‫این‬ ‫خروجي‬ ‫از‬
‫داد‬ ‫انتقال‬ ‫ساز‬‫غیرفازي‬ ‫الیه‬ ‫به‬ ‫را‬ ‫آن‬.
6-7‫هفتم‬ ‫و‬ ‫ششم‬ ‫الیه‬‫فازي‬ ‫غیر‬ ‫الیه‬‫اساس‬ ‫بر‬ ‫كه‬ ‫بوده‬ ‫ساز‬
‫خروجي‬ ‫سازي‬‫غیرفازي‬ ‫قوانین‬‫غیرفازي‬

15. Hybrid Neuro_Fuzzy Models:
‫مدل‬ ‫این‬ ‫از‬ ‫هایي‬‫نمونه‬:
ANFI [Jang]،
[Hagamuge & Glesner] FuNe،
Fuzzy Rule Net [Tschichold_Gurman]
،NEFClass [Nauk & Krus]،
NEFCON [Nauk & Krus]،
[Czogala & Leski]
ANNBFIS،
[Kasabov] DENFIS
،[Rutkowski & Cpalka] FLEXNFIS
[Lin & Lee] FALCON،[Nauk &
Krus] NEFPROX،
[Wang & Lee] SANFIS
[Rutkowski & Cpalka] FLEXNFIS

16. ‫‌هاي‌عصبي‌فازي‬‫ه‬‫شبك‬‌‫ه‬‫‌بندي‌كنند‬‫ه‬‫دست‬:
‫از‬ ‫یكي‬‫است‬ ‫ها‬‫الگو‬ ‫بندي‬‫دسته‬ ،‫الگوها‬ ‫شناسایي‬ ‫مهم‬ ‫هاي‬‫بخش‬.‫بهبود‬ ‫براي‬ ‫بسیاري‬ ‫هاي‬‫تالش‬
،‫تصمیم‬ ‫درخت‬ ،‫عصبي‬ ‫هاي‬‫شبكه‬ ‫چون‬ ‫مختلفي‬ ‫هاي‬‫روش‬ ‫از‬ ‫استفاده‬ ‫با‬ ‫ها‬‫الگو‬ ‫بندي‬‫دسته‬ ‫نرخ‬
‫و‬ ‫بیزین‬ ‫گیري‬‫تصمیم‬...‫است‬ ‫گرفته‬ ‫صورت‬.‫هاي‬‫مجموعه‬ ‫از‬ ‫كننده‬ ‫بندي‬‫دسته‬ ‫فازي‬ ‫هاي‬‫شبكه‬
‫كنند‬‫مي‬ ‫استفاده‬ ‫كالسها‬ ‫الگوي‬ ‫ساختار‬ ‫عنوان‬ ‫به‬ ‫فازي‬.‫راهكار‬ ‫دو‬‫این‬ ‫آموزش‬ ‫براي‬ ‫اولیه‬
‫است‬ ‫نظارت‬‫بي‬ ‫آموزش‬ ‫و‬ ‫بانظارت‬ ‫آموزش‬ ،‫ها‬‫شبكه‬.‫در‬‫بانظارت‬ ‫آموزش‬‫الگوهاي‬ ‫و‬ ‫ها‬‫كالس‬ ‫چسب‬‫بر‬ ،
‫و‬ ‫بوده‬ ‫مشخص‬ ‫ورودي‬‫است‬ ‫نظر‬ ‫مد‬ ‫بندي‬‫دسته‬ ‫خطاي‬ ‫نمودن‬ ‫كمینه‬ ‫تنها‬.‫بندي‬‫دسته‬ ،‫شیوه‬ ‫این‬ ‫به‬
‫گویند‬‫مي‬ ‫نیز‬ ‫الگوها‬.‫در‬‫نظارت‬‫بي‬ ‫آموزش‬‫و‬ ‫نخورده‬ ‫چسب‬‫بر‬ ‫آموزشي‬ ‫الگوهاي‬ ،‫بندي‬‫خوشه‬
‫گیرد‬‫مي‬ ‫شكل‬ ‫تشابه‬ ‫مقدار‬ ‫اساس‬ ‫بر‬ ‫الگوها‬.‫گویند‬‫مي‬ ‫بندي‬ ‫خوشه‬ ،‫شیوه‬ ‫این‬ ‫به‬.
‫الگوها‬ ‫بندي‬ ‫دسته‬ ‫و‬ ‫بندي‬ ‫خوشه‬ ‫براي‬ ‫نوروفازي‬ ‫و‬ ‫فازي‬ ‫عصبي‬ ‫هاي‬ ‫شبكه‬ ‫از‬ ‫زیادي‬ ‫مقاالت‬ ‫در‬
‫است‬ ‫شده‬ ‫استفاده‬.‫عنوان‬ ‫به‬‫مثال‬:
،Nuck & Kruse‫نروفازي‬ ‫مدل‬(NEuro Fuzzy CLASSification) NEFClass‫یادگیري‬ ‫الگوریتم‬ ‫با‬
‫بانظارت‬‫براي‬‫دسته‬‫الگوهاي‬ ‫بندي‬‫ند‬ ‫نمودا‬ ‫معرفي‬.
Kwan & Cais‫یك‬ ‫پیشنهاد‬‫داده‬ ‫را‬ ‫پیشخور‬ ‫چهارالیه‬ ‫با‬ ‫نظارت‬ ‫بي‬ ‫فازي‬ ‫عصبي‬ ‫شبكه‬‫كه‬Fuzzy
Neural Network‫شود‬ ‫مي‬ ‫نامیده‬.‫شبكه‬ ‫الگوریتم‬ ‫در‬ ‫تغییراتي‬FNN‫با‬ ‫محیط‬ ‫تحت‬ ‫كار‬ ‫براي‬
‫است‬ ‫گرفته‬ ‫صورت‬ ‫نظارت‬.FNN،‫یافته‬ ‫تغییر‬‫الگوي‬ ‫اگر‬ ‫و‬ ‫كرده‬ ‫استفاده‬ ‫تشابه‬ ‫مقدار‬ ‫از‬
‫گرنه‬ ‫و‬ ‫شود‬ ‫مي‬ ‫فعال‬ ‫آن‬ ‫با‬ ‫متناظر‬ ‫نرون‬ ،‫باشد‬ ‫موجود‬ ‫دیده‬ ‫آموزش‬ ‫الگوهاي‬ ‫با‬ ‫مشابه‬ ‫ورودي‬
‫شود‬ ‫مي‬ ‫ساخته‬ ‫كالس‬ ‫این‬ ‫الگوي‬ ‫براي‬ ‫جدید‬ ‫نرون‬ ‫یك‬.

17. ‫‌هاي‌عصبي‌فازي‬‫ه‬‫شبك‬‌‫ه‬‫‌بندي‌كنند‬‫ه‬‫دست‬:
‫برچسب‬ ‫هاي‬ ‫نمونه‬ ‫از‬ ‫تركیبي‬ ً‫عموما‬ ‫ها‬ ‫داده‬ ،‫دارند‬ ‫زیادي‬ ‫ابعاد‬ ‫كه‬ ‫واقعي‬ ‫مسائل‬ ‫در‬
‫اند‬ ‫نخورده‬ ‫برچسب‬ ‫و‬ ‫خورده‬.‫برچسب‬ ‫الگوهاي‬ ‫در‬ ‫موجود‬ ‫اطالعات‬ ‫از‬ ‫كامل‬ ‫استفاده‬ ‫براي‬
‫را‬ ‫بانظارت‬ ‫و‬ ‫نظارت‬ ‫بي‬ ‫آموزش‬ ‫آنها‬ ‫در‬ ‫كه‬ ‫گرفته‬ ‫صورت‬ ‫هایي‬ ‫تالش‬ ،‫نخورده‬ ‫برچسب‬ ‫و‬ ‫خورده‬
‫اند‬ ‫كرده‬ ‫تركیب‬ ،‫واحد‬ ‫آموزشي‬ ‫الگوریتم‬ ‫یك‬ ‫در‬.Pedrycs & Waletzky‫حتي‬ ‫كه‬ ‫اند‬ ‫داده‬ ‫نشان‬
‫مي‬ ‫ایجاد‬ ‫بندي‬ ‫خوشه‬ ‫نتیجه‬ ‫در‬ ‫توجهي‬ ‫قابل‬ ‫بهبود‬ ،‫خورده‬ ‫برچسب‬ ‫الگوهاي‬ ‫از‬ ‫كمي‬ ‫درصد‬
‫كنند‬.Gabrys & Bargiela،‫شبكه‬General Fuzzy min-max Neural Network‫بندي‬ ‫خوشه‬ ‫براي‬ ‫را‬
‫شبكه‬ ‫یافته‬ ‫گسترش‬ ‫كه‬ ‫دادند‬ ‫پیشنهاد‬FMN‫مي‬ ‫نظارت‬ ‫بي‬ ‫و‬ ‫بانظارت‬ ‫یادگیري‬ ‫امتزاج‬ ‫با‬
‫باشد‬.Kulkarni & Sontakke‫كننده‬ ‫بندي‬ ‫دسته‬ ‫شبكه‬General Fuzzy Hypersphere Neural Network‫به‬
‫یافته‬ ‫گسترش‬ ‫عنوان‬FHSNN‫هاي‬ ‫كالس‬ ‫عنوان‬ ‫به‬ ‫را‬ ‫فازي‬ ‫هاي‬ ‫مجموعه‬ ‫كه‬ ‫اند‬ ‫نموده‬ ‫معرفي‬
‫برد‬ ‫مي‬ ‫بكار‬ ‫الگو‬.‫از‬ ‫مخلوطي‬ ‫شبكه‬ ‫این‬ ‫ورودي‬ ‫الگوهاي‬‫الگو‬ ‫و‬ ‫خورده‬ ‫برچسب‬ ‫هاي‬ ‫الگو‬
‫هاي‬‫هستند‬ ‫نخورده‬ ‫برچسب‬.
‫برچسب‬ ‫هاي‬ ‫نمونه‬ ‫از‬ ‫تركیبي‬ ً‫عموما‬ ‫ها‬ ‫داده‬ ،‫دارند‬ ‫زیادي‬ ‫ابعاد‬ ‫كه‬ ‫واقعي‬ ‫مسائل‬ ‫در‬
‫اند‬ ‫نخورده‬ ‫برچسب‬ ‫و‬ ‫خورده‬.‫برچسب‬ ‫الگوهاي‬ ‫در‬ ‫موجود‬ ‫اطالعات‬ ‫از‬ ‫كامل‬ ‫استفاده‬ ‫براي‬
‫را‬ ‫بانظارت‬ ‫و‬ ‫نظارت‬ ‫بي‬ ‫آموزش‬ ‫آنها‬ ‫در‬ ‫كه‬ ‫گرفته‬ ‫صورت‬ ‫هایي‬ ‫تالش‬ ،‫نخورده‬ ‫برچسب‬ ‫و‬ ‫خورده‬
‫اند‬ ‫كرده‬ ‫تركیب‬ ،‫واحد‬ ‫آموزشي‬ ‫الگوریتم‬ ‫یك‬ ‫در‬.Pedrycs & Waletzky‫حتي‬ ‫كه‬ ‫اند‬ ‫داده‬ ‫نشان‬
‫مي‬ ‫ایجاد‬ ‫بندي‬ ‫خوشه‬ ‫نتیجه‬ ‫در‬ ‫توجهي‬ ‫قابل‬ ‫بهبود‬ ،‫خورده‬ ‫برچسب‬ ‫الگوهاي‬ ‫از‬ ‫كمي‬ ‫درصد‬
‫كنند‬.Gabrys & Bargiela،‫شبكه‬General Fuzzy min-max Neural Network‫بندي‬ ‫خوشه‬ ‫براي‬ ‫را‬
‫شبكه‬ ‫یافته‬ ‫گسترش‬ ‫كه‬ ‫دادند‬ ‫پیشنهاد‬FMN‫مي‬ ‫نظارت‬ ‫بي‬ ‫و‬ ‫بانظارت‬ ‫یادگیري‬ ‫امتزاج‬ ‫با‬

18. ‫پذیری‬ ‫تحمل‬
‫همچنین‬‫منطق‬‫فازي‬‫نسبت‬‫به‬‫دادگان‬‫غیرصریح‬‫و‬‫هاي‬‫شبكه‬‫عصبي‬‫نسبت‬‫به‬‫دادگان‬
‫نویزي‬‫پذیري‬‫تحمل‬‫باالیي‬‫دارند‬.‫توانایي‬‫یادگیري‬‫شبكه‬‫عصبي‬‫راهكار‬‫مناسبي‬
‫براي‬‫تنظیم‬‫دانش‬‫خبره‬‫و‬‫تولید‬‫اتوماتیك‬‫قوانین‬‫و‬‫توابع‬‫عضویت‬‫فازي‬‫است‬.‫از‬
‫سوي‬‫دیگر‬‫منطق‬‫فازي‬‫امكان‬‫گسترش‬‫توانایي‬‫یابي‬‫برون‬‫شبكه‬‫عصبي‬‫با‬‫دادگان‬
‫آموزشي‬‫محدود‬‫را‬‫فراهم‬‫سازد‬‫مي‬.
‫یك‬‫شبكه‬‫تركیبي‬‫عصبي‬-‫فازي‬‫مزایاي‬‫منطق‬‫فازي‬‫و‬‫شبكه‬‫عصبي‬‫را‬‫داراست‬.‫به‬
‫عبارتي‬‫تركیبي‬‫از‬‫بیان‬‫دانش‬‫به‬‫صورت‬‫زباني‬‫و‬‫قابل‬‫فهم‬‫فازي‬‫و‬‫مفهوم‬
‫یادگیري‬‫نهان‬‫موجود‬‫در‬‫شبكه‬‫عصبي‬‫است‬.‫تحقیقات‬‫وسیعي‬‫بر‬‫روي‬‫تعیین‬‫ساختار‬
‫و‬‫اندازه‬‫شبكه‬‫و‬‫تعیین‬‫قوانین‬‫فازي‬‫و‬‫توابع‬‫عضویت‬‫به‬‫صورت‬‫اتوماتیك‬‫صورت‬
‫گرفته‬‫است‬.‫هاي‬‫ساختار‬‫متفاوتي‬‫از‬‫شبكه‬‫عصبي‬-‫فازي‬‫توسط‬‫محققین‬‫مختلفي‬
‫مانند‬Lin (1995)،Medsker (1994)‫و‬(1996)Jana‫ایجاد‬‫شده‬‫است‬.‫همچنین‬‫توان‬‫مي‬‫به‬

19. ‫شبکه‬‫عصبی‬ ‫های‬>‫پایین‬ ‫سطح‬ ‫یادگیری‬ ‫قابلیت‬
‫محاسباتی‬ ‫توان‬ ‫و‬‫باالیی‬
‫سیستم‬‫فازی‬ ‫های‬>‫انسان‬ ‫تفکر‬ ‫قابلیت‬
‫باال‬ ‫سطح‬ ‫ی‬ ‫گونه‬
+
FNN1 :
Inputs → 𝑅𝑒𝑎𝑙 𝑁𝑢𝑚𝑏𝑒𝑟
Weights → Fuzzy Number
FNN2 :
Inputs → Fuzzy Number
Weights → Real Number
FNN3 :
Inputs → Fuzzy Number
Weights → Fuzzy Number

20. ‫فازی‬ ‫های‬ ‫شبکه‬ ‫معماری‬ ‫زیر‬ ‫شکل‬–‫عصبی‬
‫با‬‫یک‬ ‫و‬ ‫ورودی‬ ‫دو‬ ‫و‬ ‫مخفی‬ ‫ی‬ ‫الیه‬ ‫یک‬
‫دهد‬ ‫می‬ ‫نشان‬ ‫را‬ ‫خروجی‬:
‌‫که‌در‌آن‬𝑋𝑖‫اعداد‌فازی‬Triangular‫هستند‬
𝑌𝑖‌‫و‬𝑇𝑖‌‫اعداد‌فازی‬Triangular shaped‌‫هستند‬
1
2
1
2
3
1
𝑋1
𝑋2
𝑊11
𝑊12
𝑊21
𝑊22
𝑊31
𝑊32
𝑉1
𝑉2
𝑉3
𝑌1
𝑎1
1
𝑎2
1
𝑎1
2
𝑎2
2
𝑎3
2

21. ‫توسط‬ ‫خروجی‬ ‫تولید‬ ‫ی‬ ‫نحوه‬ ‫توانیم‬ ‫می‬ ‫قبل‬ ‫اسالید‬ ‫ادامه‬ ‫در‬‫شبکه‬
‫فازی‬ ‫های‬–‫عصبی‬‫را‬‫کنیم‬ ‫مشاهده‬ ‫زیر‬ ‫در‬.

22. ‫عصبی‬ ‫های‬ ‫شبکه‬ ‫از‬ ‫مثالی‬ ‫زیر‬ ‫شکل‬–‫فازی‬HFNN‫نشان‬ ‫را‬
‫دهد‬ ‫می‬

23. ‫معماری‬ANFIS‫با‬2‫و‬ ‫ورودی‬9‫قانون‬.

24. ‫کلیه‬‫شبکه‬ ‫برای‬ ‫شده‬ ‫ذکر‬ ‫های‬ ‫الگوریتم‬
‫عصبی‬ ‫فازی‬ ‫های‬‫می‬‫باشد‬.
•‫مختلف‬ ‫های‬ ‫استراتژی‬Learning:
1.Fuzzy Back Propagation
2.α-cut based Back Propagation
3.Random Search
4.Genetic Algorithm
5.Fuzzy chaos
6.Neo – Fuzzy Neroun

25. ‫عصبی‬ ‫های‬ ‫شبکه‬ ‫مختلف‬ ‫کاربردهای‬–‫فازی‬:
1.Fuzzy Expert System
2.Fuzzy Controller
3.Fuzzy Matrix equations

26. Fuzzy Expert System ‌‫سیستم‌خبره‬‫فازی‬
‫زير‬ ‫فازی‬ ‫قواعد‬ ‫از‬ ‫بلوکی‬ ‫با‬ ‫خبره‬ ‫سيستم‬ ‫يک‬ ‫کنيد‬ ‫فرض‬:
𝑹𝒊:if X= 𝑨𝒊 and Y= 𝑩𝒊 then Z= 𝑪𝒊 , 𝟏 ≤ 𝒊 ≤n
‫داريم‬ ‫زير‬ ‫خبره‬ ‫سيستم‬ ‫در‬:
1-‫برابر‬ ‫خروجی‬ ‫اول‬ ‫اليه‬ ‫نرون‬ ‫دو‬
‫است‬ ‫ورودی‬
2-n‫کننده‬ ‫پياده‬ ‫مخفی‬ ‫اليه‬ ‫نرون‬n
‫است‬ ‫فازی‬ ‫قاعده‬.

27. Fuzzy Expert System ‌‫سیستم‌خبره‬‫فازی‬
‫ایده‬‫ای‬‫برای‬‫مدل‬‫کردن‬‫سیستم‬‫های‬‫خبره‬‫فازی‬‫می‬
‫باشد‬
‫فرض‬‫کنید‬‫یک‬‫سیستم‬‫خبره‬‫فازی‬‫با‬‫دو‬‫قاعده‬‫فازی‬
‫زیر‬‫داریم‬
R1:IF X1 IS PL AND X2 IS PL THEN C IS PL
R2:IF X1 IS PL AND X2 IS PM THEN C IS PM

28. ‌‫کنترلر‌فازی‬Fuzzy Controller

29. ‌‫کنترلر‌فازی‬Fuzzy Controller
1: IF e IS 𝐹1 AND ∆e IS 𝐺2 THEN 𝐴1 : ∆1= MIN( 𝐹1 (e) , 𝐺2 (∆e))
2:IF e IS 𝐹2 AND ∆e IS 𝐺2 THEN 𝐴1 :∆2= MIN( 𝐹2 (e) , 𝐺2 (∆e))
1,2 ξ1 =MAX(∆1, ∆2)
𝐴=υ(ξ 𝐾 𝐴 𝐾):MAX
Output=CG( 𝐴)

30. ‌‫کنترلر‌فازی‬Fuzzy Controller
‫فازی‬ ‫کننده‬ ‫کنترل‬ ‫معادل‬ ‫فازی‬ ‫عصبی‬ ‫شبکه‬ ‫زير‬ ‫شکل‬ ‫در‬
‫را‬‫کنيد‬ ‫می‬ ‫مشاهده‬
e, ∆e:‫فازی‬ ‫شبکه‬ ‫های‬ ‫ورودی‬
, 𝑭𝒊, 𝑮𝒊 𝑨𝒊:‫ها‬ ‫ورودی‬ ‫عضويت‬ ‫توابع‬ ‫معادل‬ ‫شبکه‬ ‫های‬ ‫وزن‬
‫و‬‫کنترل‬ ‫خروجی‬‫کننده‬
‫کننده‬ ‫پياده‬ ‫اول‬ ‫اليه‬ ‫های‬ ‫نرون‬9‫فازی‬ ‫قائده‬
‫دارند‬ ‫يکسان‬ ‫خروجی‬ ‫که‬ ‫قواعدی‬ ‫کننده‬ ‫ترکيب‬ ‫دوم‬ ‫اليه‬ ‫های‬ ‫نرون‬
‫فازی‬ ‫خروجی‬ ‫سوم‬ ‫اليه‬ ‫نرون‬
‫نرون‬D:defuzzier‫فازی‬ ‫خروجی‬

31. ‌‫کنترلر‌فازی‬Fuzzy Controller
‫کاربرد‬:
1:‫فازی‬ ‫کننده‬ ‫کنترل‬ ‫عنوان‬ ‫به‬ ‫به‬ ‫استفاده‬
2:‫توابع‬ ‫همان‬ ‫که‬ ‫شبکه‬ ‫های‬ ‫وزن‬ ‫کردن‬ ‫پيدا‬ ‫و‬ ‫فازی‬ ‫کننده‬ ‫کنترل‬ ‫قواعد‬ ‫آموزش‬ ‫برای‬
‫هستند‬ ‫عضويت‬.

32. ‫مراجع‬:
•Detlef Nauck and Rudolf Kruse, NEFCLASS _ A NEURO_FUZZY APPROACH FOR THE
CLASSIFICATION OF DATA, Technical University of Braunschweig_ Dept_ of Computer Science,
ACM Press 1995.
•Robert Fuller, Fuzzy logic and neural nets in intelligent systems , www.abo.fi/˜rfuller/robert.html.
•Mikko Hiirsalmi, Evangelos Kotsakis, Antti Pesonen, Antoni Wolski, Discovery of Fuzzy Models
from Observation Data, FUME Project, Version 1.0, December 2000
•Jan Jantzen,Neurofuzzy Modelling, Technical University of Denmark, Department of Automation ,
30 Oct 1998.
•U V kulkarni,T R Sontakke, Fuzzy Hypersphere Neural Network Classifier, SGS College of
Engineering & Technology, India,2001 IEEE International Fuzzy System Conference
•Docent Vesa A. Niskanen, Course on Fuzzy Systems at Helsinki University of Technology
2005, University of Helsinki.

33. ‫شما‬ ‫توجه‬ ‫از‬ ‫تشکر‬ ‫با‬
‫موضوع‬:‫فازی‬ ‫عصبی‬ ‫های‬ ‫شبکه‬ ‫کلی‬ ‫بررسی‬
‫استاد‬:‫پور‬ ‫احمدی‬ ‫علی‬ ‫دکتر‬ ‫خانم‬
‫دهنده‬ ‫ارایه‬:‫ملکی‬ ‫کاظم‬
‫بهار‬1396