Abstract
A traditional neuro-fuzzy system is transformed into an equivalent fully connected three layer neural network (NN), namely, the fully connected neuro-fuzzy inference systems (F-CONFIS). The F-CONFIS differs from traditional NNs by its dependent and repeated weights between input and hidden layers and can be considered as the variation of a kind of multilayer NN. Therefore, an efficient learning algorithm for the F-CONFIS to cope these repeated weights is derived. Furthermore, a dynamic learning rate is proposed for neuro-fuzzy systems via F-CONFIS where both premise (hidden) and consequent portions are considered. Several simulation results indicate that the proposed approach achieves much better accuracy and fast convergence
چکیده
یک سیستم فازی، عصبی سنتی در یک شبکه عصبی (NN) سه لایه کاملآ همبند معادل، به نام، سیستم استنتاج عصبی-فازی کاملآ همبند (F-CONFIS) شکل‌گرفت. F- CONFIS از NNهای سنتی توسط وزن‌های وابسته و تکرارشده‌اش بین لایه‌های ورودی-خروجی متمایز شده‌است و می‌تواند به عنوان تغییرات در انواع NNهای چندلایه دیده‌شود. بنابراین، یک الگوریتم یادگیری کارآمد برای F-CONFIS برای مقابله با این وزن‌های تکرارشده استخراج شده است. بنابراین، یک نسبت یادگیری پویا برای سیستم‌های عصبی-فازی با F-CONFIS در جایی که هر دو قضیه (پنهان) و بخش نتیحه بررسی‌شده‌اند، بیان می‌شود. نتایج شبیه‌سازی متعددی نشان‌می‌دهند که رویکرد پیش‌بینی شده دقت‌بسیار بهتر و سرعت همگرایی بسیار بهتری را بدست‌می‌آورد.
1-مقدمه
سیستم عصبی-فازی برای بسیاری از برنامه‌های کاربردی مهندسی در دهه‌های مربوط به تشخیص الگو، کنترل تطبیقی هوشمند، تخمین رگرسیون و تراکم، مدل‌سازی سیستمی، و غیره [1]-[6] بکارگرفته شدند. یک سیستم عصبی فازی، خصیصه‌های شبکه عصبی (NN)، توصیف زبانی و کنترل منطقی را پردازش می‌کند. اگرچه پیشرفت‌های مهمی توسط ترکیب الگوریتم‌های یادگیری یا سیستم عصبی-فازی ایجادشده است، هنوز مسائلی وجود دارند که برای پیاده‌سازی‌های عملی برای نمونه، یافتن نسبت یادگیری بهینه برای هردو بخش قضیه و نتیجه برای افزایش سرعت همگرایی، یا ارتقای پارامترهای توابع عضو (MF) نیازمند حل‌شدن هستند. در یک سیستم عصبی-فازی، به طور عمومی، لایه قاعده یک لایه حاصل به جای یک لایه جمع در یک NN پیشخور معمولی است. در نتیجه، بکاربردن الگوریتم‌های یادگیری در تبدیل پارامترهای قضیه مختصر نیست. بنابراین، برای طراحی یادگیری سیتماتیک سیستم عصبی-فازی، یک سیستم فازی-عصبی به عنوان یک NN سه لایه کاملآهمبند دوباره فرمول‌بندی شده‌است، برای مثال، سیستم استنتاج فازی کاملآهمبند (F-CONFIS). اگرچه یکسری از نوشته‌ها اثبات کرده‌اند که هم‌ارزی‌های کاربردی بین سیستم‌فازی و یک NN، غیرسازنده است. F-CONFIS یک مرحله سازنده را برای ایجاد هم‌ارزی بین یک سیستم عصبی-فازی و NN ارائه‌می‌دهد. F-CONFIS با NN چند لایه کلاسیک توسط وزن لینک‌های تکرارشده‌اش، تفاوت پیدا کرده‌است. با یکسری از آرگومان‌های خاص، می‌توانیم الگوریتم‌های یادگیری را از F-CONFIS مشتق‌کنیم، بنابراین برای یک سیستم عصبی-فازی کارآمد و موثر است...