Anfis системы презентация

образов;
+ возможность дополнительного обучения в процессе работы;
- нельзя ускорить обучение на основании некоторой информации;
- внутренняя структура сети – «черный ящик»;
- принцип работы не всегда понятен.

2. Нечеткая логика.
+ отличное объяснение реализуемых алгоритмов;
- невозможность внесения дополнительной информации в процессе работы;
- ограниченная сложность внутренней структуры;

Выход – объединение обоих алгоритмов.

и нейронных сетей:

1. Использование экспертных знаний для наложения ограничения на пространство поиска решения.
2. Адаптация параметров нечеткой логики под изменяющиеся параметры процесса, например, по методу обратного распространения ошибки.

Полученная система может применяться в качестве регулятора с автоматической настройкой либо идентификатора, выполняющего анализ имеющихся и прогнозирование будущих данных).

При этом, ANFIS системы могут быть реализованы с помощью любого стандартного регулятора нечеткой логики – Цукамото, Мамдани или же Сугено.

принадлежности;
2. Обработка информации согласно базы правил (обычно по методу умножения);
3. Нормализация (например, средневзвешенное значение);
4. Вычисление значения промежуточных функций, например, линейная регрессия и умножение на взвешенные коэффициенты;
5. Вычисление выходного значения как алгебраической суммы.

ANFIS (Adaptive Neural (Network-based) Fuzzy Inference Systems – адаптивные нейронные системы с обработкой информации по принципам нечеткой логики) – в общем случае, алгоритм, создающий дерево нечеткого выбора для приведения данных к одной из pn регрессионных моделей с минимизацией некоторой функции ошибки (часто берется сумма квадратов ошибок).
р – количество термов в каждой входной переменной;
n – количество входных переменных.

внутренние слои.
1. Вычисление функций принадлежности каждому из термов входной переменной. Каждый нейрон соответствует одному из термов.
2. Обработка информации по правилам нечеткой логики. Каждый нейрон соответствует отдельному правилу.
3. Нормализующий слой – нормализация весовых коэффициентов.
4. Применение нормализованных коэффициентов к исходным регрессионным моделям. Вычисление выходных значений каждого из правил.
5. Суммирование полученных значений, вычисление выхода всей системы.

функции принадлежности.

операторов агрегации.

Результат обработки – степень активности каждого из правил (алгоритмов управления).

приведение их к некоторому среднему значению:

порядка:

а S2 подстраивается исходя из минимизации функции ошибки (в режиме оффлайн).
2. Обратный ход – S2 фиксируется, а S1 подстраивается градиентным методом.

Обратный ход:

функций принадлежности методом обратного распространения ошибки

3. Внутренняя интерполяция методами нечеткой логики

4. Плавно изменяющийся сигнал на выходе

входных переменных и функций принадлежности.
3. Сложность структуры.
4. Возможность возникновения явления переобучения.
5. Частичная потеря физической трактовки.
6. Ограниченная возможность варьирования типов функций принадлежности.