Neuro-fuzzy systémy
Neuro-fuzzy systémy neboli Fuzzy neuronové sítě jsou systémy z oblasti umělé inteligence navržené J. S. R. Changem, které kombinují metody umělých neuronových sítí a systémů založených na fuzzy logice . Neuro-fuzzy systémy jsou výsledkem pokusu o vytvoření hybridního inteligentního systému , který by poskytoval synergický efekt těchto dvou přístupů kombinací lidského uvažovacího stylu fuzzy systémů s učením a konekcionistickou strukturou neuronových sítí. Hlavní předností neuro-fuzzy systémů je to, že jsou univerzálními aproximátory se schopností dotazovat se na interpretovatelná pravidla IF-THEN.
Výhodou neuro-fuzzy systémů jsou dvě protichůdné potřeby fuzzy modelování: interpretovatelnost a přesnost. V praxi vždy jeden z nich převládá. Neuro-fuzzy systémy v oblasti výzkumu fuzzy modelování jsou rozděleny do dvou zón:
- lingvistické fuzzy modelování, které se zaměřuje na interpretovatelnost, zejména v modelu Mamdani ;
- přesné fuzzy modelování, které se zaměřuje na přesnost, hlavně v modelu Takagi-Sugeno-Kanga (TSK).
Literatura
- Abraham A., "Adaptace fuzzy inferenčního systému pomocí neurálního učení, fuzzy systémové inženýrství: teorie a praxe", Nadia Nedjah a kol. (Eds.), Studies in Fuzziness and Soft Computing , Springer Verlag Německo, ISBN 3-540-25322-X , kapitola 3, str. 53-83, 2005. informace na stránkách vydavatele .
- Ang, KK, & Quek, C. (2005). "RSPOP: Rough Set-Based Pseudo Outer-Product Fuzzy Rule Identification Algorithm" Neural Computation , 17(1), 205-243.
- Kosko, Bart (1992). Neuronové sítě a fuzzy systémy: Dynamický systémový přístup ke strojové inteligenci . Englewood Cliffs, NJ: Prentice Hall. ISBN 0-13-611435-0 .
- Lin, C.-T., & Lee, CSG (1996). Neuronové fuzzy systémy: Neuro-fuzzy synergismus k inteligentním systémům . Upper Saddle River, NJ: Prentice Hall.
- A. Bastian, J. Gasós (1996): "Výběr vstupních proměnných pro identifikaci modelu statických nelineárních systémů", Journal of Intelligent and Robotic Systems, Vol. 16, str. 185-207.
- Quek, C., & Zhou, RW (2001). "Algoritmy učení POP: snížení práce při identifikaci fuzzy pravidel." Neuronové sítě , 14(10), 1431-1445.
Odkazy