Заглавная страница Избранные статьи Случайная статья Познавательные статьи Новые добавления Обратная связь FAQ Написать работу КАТЕГОРИИ: АрхеологияБиология Генетика География Информатика История Логика Маркетинг Математика Менеджмент Механика Педагогика Религия Социология Технологии Физика Философия Финансы Химия Экология ТОП 10 на сайте Приготовление дезинфицирующих растворов различной концентрацииТехника нижней прямой подачи мяча. Франко-прусская война (причины и последствия) Организация работы процедурного кабинета Смысловое и механическое запоминание, их место и роль в усвоении знаний Коммуникативные барьеры и пути их преодоления Обработка изделий медицинского назначения многократного применения Образцы текста публицистического стиля Четыре типа изменения баланса Задачи с ответами для Всероссийской олимпиады по праву Мы поможем в написании ваших работ! ЗНАЕТЕ ЛИ ВЫ?
Влияние общества на человека
Приготовление дезинфицирующих растворов различной концентрации Практические работы по географии для 6 класса Организация работы процедурного кабинета Изменения в неживой природе осенью Уборка процедурного кабинета Сольфеджио. Все правила по сольфеджио Балочные системы. Определение реакций опор и моментов защемления |
Нечеткая нейронная сеть архитектуры ANFIS↑ ⇐ ПредыдущаяСтр 8 из 8 Содержание книги
Поиск на нашем сайте
ANFIS – адаптивная НС, основанная на системе нечёткого вывода(adaptive network based Fuzzy Inference System). Часто структура гибридной нейронной сети зависит от области применения. Так как архитектура часто используется как контроллер в реальных устройствах управления, то правая часть правила представлена чёткой линейной комбинацией переменных. Реализация логической функции «И» выполнена не с помощью функции min, а с помощью операции произведения. Обучается данная архитектура стандартным алгоритмом обратного распространения ошибки. Приведем структуру ANFIS – адаптивной НС для двух правил: ЕСЛИ x1 = A1 И x2 = B1 ТО y1 = c11x1 + c12x2 ЕСЛИ x1 = A2 И x2 = B2 ТО y2 = c21x1 + c22x2 Выход ННС формируется по формуле: y = (w1 y1 + w2 y2) / (w1 + w 2) Слои ННС ANFIS выполняют следующие функции. 1. Слой 1 представлен радиальными базисными нейронами и моделирует функции принадлежности. 2. Слой 2 – это слой И-нейронов, которые моделируют логическую связку И произведением wi = mAi(x1) mBi(x2). 3. Слой 3 вычисляет нормированную силу правила: <wi> = wi / (w1 + w2) 4. Слой 4 формирует значение выходной переменной: y(x1, x2) = <wi> yi = <wi> (ci1 x1 + ci2 x2). 5. Слой 5 выполняет дефазификацию: y = <w1> y1 + <w2> y2. При разработке прикладного интеллектуального контроллера используют следующую процедуру проектирования: 1. Анализ проблемной области. Определяют значимые входные и выходные параметры, значения параметров, лингвистические шкалы. 2. Получение обучающей выборки с помощью реальных или вычислительных экспериментов, обычно конкретный производитель оборудования имеет накопленные библиотеки таких выборов. 3. Формирование правил. Может использоваться универсальная матрица всех возможных связей входов с выходом, которая затем обучается, либо сокращённое множество правил, составленное из предыдущего опыта. 4. Формируется стандартная архитектура ННС, например, ANFIS. 5. Осуществляется обучение ННС на обучающей выборке, в результате чего определяются как веса связей, так и параметры функции принадлежности. Пример функционирования нечеткого нейронного контроллера Нечёткий контроллер – интеллектуальная система, основным назначением которой является управление внешним объектом, при котором поведение управляемого объекта описывается нечёткими правилами. Нечёткий контроллер (регулятор, управляющее устройство) – регулятор, построенный на базе нечёткой логики. Сущности управляемого процесса – «входные переменные» и «выходные переменные», относящиеся к классу лингв-их переменных. Управление – манипулирование процессом в контуре обратной связи для получения оптимальных значений определенных выходных переменных. Управляющие переменные – их значения возвращаются на объект управления. Управление: 1. определить текущие значения значимых выходных переменных 2. сравнить текущие выходные значения с заданными целевыми 3. подобрать значения управляющих переменных так, чтобы достичь целевых значений 4. повторять п1-3 пока не будут получены целевые значения. Для реализации нечёткого контроллера необходимо: Определить входные переменные. 2. преобразовать четкие значения входных переменных в нечёткие использовать правила преобразования нечётких выходных значений в нечёткие значения управляющих переменных. (Правила в виде если … то …, например, если давление высокое, то кран закрыть. Подчеркнуто – имена объектных переменных, курсив – нечёткие значения переменных) 3. преобразовать нечёткие значения управляющих переменных в четкие. Пример. Нечёткий регулятор для стиральной машины (архитектура ANFIS) Задача нечёткого моделирования – это настройка функций принадлежности – задачей оптимизации. Самый простой подход к настройке функций принадлежности заключается в том, что выбирают определенную параметризованную функцию формы и подбирают ее параметры на основе обучения нейронной сети. Рассмотрим простой контроллер с тремя нечёткими правилами вывода в БЗ. R1: ЕСЛИ <количество_белья> = <много> И <температура_воды> = <высокая> И <загрязненность> = <высокая> ТО <длительность> = <высокая>; R2: ЕСЛИ <количество_белья> = <много> И <температура_воды> = <высокая> И <загрязненность> = <низкая> ТО <длительность> is <низкая; R3: ЕСЛИ <количество_белья> = <мало> И <температура_воды> = <низкая> И <загрязненность> = <низкая> ТО <длительность> = <малая>; Зададим следующие функции формы для правил. 1. Пусть выражение <количество_белья> = <мало> соответствует функции L1 (x), а <количество_белья> = <много> – функции H1 (x). L1 (x) = 1/(1 + exp(b1 (x - c1)), H1 (x) = 1/(1+exp(- b1 (x - c1)), причем L1 (x) + H1 (x) = 1. 2. Аналогично для выражения <температура_воды> = <высокая> будем использовать функцию L2 (t), а для <температура_воды> = <низкая> – функцию H2 (t). L2 (t)= 1/(1 + exp(b2 (t - c2)), H2 (t)= 1/(1 + exp(- b2 (t - c2)), причем L2 (t) + H2 (t) =1. 3. Для выражения <загрязненность> = <высокая> определим функцию L3 (z) и для <загрязненность> = <низкая> – функцию H3 (z). L3 (z)= 1/(1 + exp(b3 (z - c3)), H3 (z)= 1/(1 + exp(- b3 (z - c3)), L3 (z) + H3 (z) =1. 4. Для выходов <длительность> = <высокая> и <длительность> = <низкая> аналогично определим функции L4 (y)= 1/(1 + exp(b4 (y - c4)), H4 (y)= 1/(1 + exp(- b4 (y - c4)), то есть L4 (x) + H4 (x) = 1. Для четких значений <количество_белья>, <температура_воды> и <загрязненность>: A1, A2, A3 определим релевантность (силу) правил a: a1 = H1 Ù H2 Ù H3, a2= H1 Ù H2 Ù L3, a3= L1 Ù L2 Ù L3. Выходы по каждому из правил определяется с помощью обратных функций принадлежности правых частей правил. Y1= H4-1 (a1), Y2= H4-1 (a2), Y2= L4-1 (a3). Общий выход из системы нечётких правил определяется как y0 = (a1 y1 + a2 y1 + a3 y1)/ (a1 + a2 + a3). Далее построим нечёткую нейронную сеть, идентичную системе нечёткого вывода и обучим функции принадлежности анцедента (причина) и консеквента (следствие) правил. 1. Слой 1. Выходы узлов – это степени, c которыми заданные входы удовлетворяют функциям принадлежности, ассоциированным с этими узлами. 2. Слой 2. Каждый узел вычисляет силу правила. Выход верхнего нейрона a1 = H1 Ù H2 Ù H3, выход среднего нейрона a2 = H1 Ù H2 Ù L3, а выход нижнего нейрона a3 = L1 Ù L2 Ù L3. Все узлы помечены T, так как можно выбрать любую T -норму для моделирования логического И. Узлы этого слоя называются узлами правил. 3. Слой 3. Каждый узел помечен N, чтобы показать, что узлы нормализуют силу правил bi= ai / (a1 +a2 + a3). 4. Слой 4. Выход нейронов – это произведение нормализованной силы правила и индивидуального выхода соответствующего правила. b1Y1 = b1H4-1 (a1), b2Y2 = b2H4-1 (a2), b3Y2 = b3L4-1 (a3). 5. Слой 5. Одиночный выходной нейрон вычисляет выход сети y0 = b1Y1 + b2Y2 + b3Y2. Алгоритмы обучения для неч-ой нейр-ой сети контроллера Пусть задана четкая обучающая выборка {(x1 ,t1, z1, y1),…(xk, tk, zk, yk)}, где x, t, z – входные условия количества белья, температуры воды и загрязненности, а y – длительность стирки. Ошибку на k -ом образце определим как обычно E k =1/2 (Oi -Yi)2. Используем традиционный градиентный метод для обучения параметров левой и правой частей неч-их правил. Покажем, как можно настроить параметры функции формы. b4 (t + 1) = b4 (t) - z (¶ E/¶b4), c4 (t + 1) = c4 (t) - z (¶ E/¶c4), c1(t + 1) = c1 (t) - z (¶ E/¶c1). Используя данные соотношения как правила изменения весов в алгоритме обратного распространения ошибки, можно настроить параметры функций принадлежности в ходе обучения нечёткой нейронной сети. Примеры интеллектуальных систем. 1. Системы проверки грамматики и правописания при подготовке текстов 2. Системы распознавания текстов (Cuneform, FineReader) 3. Системы распознавания речи (Горыныч) 4. Поисковые системы в Internet, к которым можно обращаться с запросами на естественном языке (Апорт, Яндекс) 5. Автопилоты взлета/посадки 6. Программы перевода. 7. Экспертные системы. Понятия И и ИЛИ - нейрона. См. вопрос 25 Архитектура нечеткой нейронной сети. Понятие данных и знаний. Технология обработки данных является базовой технологией для создания ЭИС. Основным инструментом такой технологии является СУБД. Если система использует базу знаний, то такая система является интеллектуальной системой (Пр. база знаний – база правил «если…то»). Знания отличаются от данных возможностью интерпретации. Заголовок любой реляционной таблицы является элементом знаний в отличии от содержимого таблицы. Резкой границы между БД и БЗ не существует. Современные развитые СУБД такие как Oracle объединяют 2 технологии, используемые как реляционные БД, так и базы бизнес-правил.
Особенностью ИТ является использование обработчика знаний, который на базе логического вывода формирует результат с помощью стандартного метода, поэтому разработка интеллектуальных систем редко предполагает разработку программ, а основная трудоёмкость сосредоточена в разработке баз данных и знаний. Знания, хранимые в алгоритмах и программах, называются процедурными, а знания, хранимые в БД и БЗ, называют декларативными. Разработка интеллектуальных систем чаще связана с разработкой деклараций, чем процедур.
|
||||||||
Последнее изменение этой страницы: 2016-08-26; просмотров: 1077; Нарушение авторского права страницы; Мы поможем в написании вашей работы! infopedia.su Все материалы представленные на сайте исключительно с целью ознакомления читателями и не преследуют коммерческих целей или нарушение авторских прав. Обратная связь - 18.226.28.97 (0.012 с.) |