فهرست مطالب
عنوان صفحه
فصل 1- سیستمهای فازی- عصبی (ANFIS) 4
1-1- مقدمه 4
1-2- معرفی شبکه تطبیقی 6
1-3- شبکه تطبیقی بر اساس سیستمهای با منطق فازی (ANFIS) 9
1-4- خوشه بندی 10
1-5- ساختار ANFISR: شبکه فازی- عصبی ANFIS تقویت شده با خوشه بندی 11
1-6- بررسی ساختار ANFISRC به کمک چند سیستم نمونه 12
1-7- نتیجه گیری 18
1-8- مراجع 18
فصل 1- سیستمهای فازی- عصبی (ANFIS) 1-1- مقدمه
مدلسازی سیستمها با ابزارهای ریاضی معمول مانند معادلات دیفرانسیل برای سیستمهای پیچیده و دارای عدم قطعیت مناسب و کارا نیست. از سوی دیگر سیستمهای فازی با بهره گیری از مجموعه قوانین فازی میتوانند جنبه های کیفی دانش انسان و فرآیندهای استدلالی را بدون کاربرد آنالیز کمی دقیق مدل کنند. مدلسازی و شناسایی فازی، توسط تاکاگی و سوگینو مورد بررسی قرار گرفت و کاربردهای عملی زیادی در زمینه کنترل، شناسایی و پیشبینی به دست آورد[ 1]. از تلفیق ساختارهای فازی با شبکههای عصبی مصنوعی، شبکههای فازی- عصبی حاصل میشوند که برای شناسایی سیستمها، پیشبینی سریهای زمانی و موارد متنوع دیگر به کار میروند.
ساختار ANFIS (Inference System Adaptive Network Based Fuzzy) که در سال 1993 ارائه شد، حاصل تلفیق شبکههای عصبی تطبیقی و منطق فازی است که با به کارگیری فرآیند یادگیری هایبرید، میتوان پارامترهای آن را برای مدلسازی سیستمها براساس دادههای ورودی_خروجی موجود تنظیم نمود[ 1]. ساختارهایی که پیش از سال 1993 ارائه شده اند، در مقایسه با ANFIS قابلیت تطبیق کمتری داشتند. پس از سال 1993 نیز ساختارهای فازی-عصبی متنوعی ارائه شدند که از مهمترین آنها میتوان به شبکه فازی-عصبی تحویلپذیر (Evolving Fuzzy Neural Networks) سیستم فازی-عصبی، پویای تحویلپذیر (Inference System Dynamic Evolving Neural-Fuzzy). (Fuzzy Neural Network Generic Self-Organizing ) GenSoFNN ،( Inference Network Self-Adaptive Fuzzy) SAFIN اشاره نمود. ساختارهای یاد شده (به استثنای ANFIS) به نوعی از خوشه بندی دادهها برای مدلسازی استفاده میکنند. به عنوان مثال در فرآیند آموزش شبکه فازی-عصبی تحویلپذیر و سیستم فازی-عصبی پویای تحویلپذیر، قوانین فازی جدید تولید شده و خوشه بندی نیز به صورت تحویلپذیر انجام میشود. به همین دلیل این ساختارها با عنوان تحویلپذیر نامگذاری شده اند. در این شبکه ها تعداد و محدوده خوشه ها ضمن آموزش تغییر میکند[ 2و 3]. شبکه فازی-عصبی GenSoFNN از روش خوشه بندی گسسته افزایشی (Incremental Clustering Discrete) به منظور دسته بندی داده ها استفاده میکند[ 4]. ساختار SAFIN نیز روش خوشه بندی CLIP (Categorical Learning Induced Partitioning) را به کار می برد[ 5].
در مرجع 6 روش اتصال و انفصال مبتنی بر عملیات و نرم های فازی برای بهبود دقت شبکه های فازی- عصبی پیشنهاد و بر روی شبکه ANFISبرای مدلسازی تابع دو ورودی مثال 1 اجرا شده است. یکی از اشکالات وارد بر شبکه ANFIS مرسوم این است که هرچند افزایش تعداد پارامترها باعث افزایش دقت شناسایی میشود اما سرعت شبیه سازی را به شدت کاهش می دهد. در این مقاله ساختار فازی- عصبی ANFIS تقویت شده با خوشه بندی (ANFIS Reinforced by Clustering) ارائه شده است که در آن ضمن افزایش تعداد پارامترها و دقت شبیه سازی، زمان مدلسازی در مقایسه با ANFISمعمول، تغییر چندانی ندارد. ساختار ANFISRC حاصل اجرای خوشه بندی بر روی فضای ورودی- خروجی شبکه ANFIS براساس خطای شبیه سازی به منظور افزایش دقت تخمین است.
139- بررسی سیستمهای کنترل عصبی-فازی (ANFIS) – شامل 19 صفحه فایل ورد (word)