Maleki3. 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.
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.
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
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.
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
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
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