ساختار ANFIS
ANFIS(adaptive network-based fuzzy inference system) شبکه تطبيق پذير و قابل آموزشی است که به لحاظ عملکرد کاملا مشابه سيستم استنتاج فازی است.
برای سادگی کار فرض می کنيم که سيستم فازی ما دو ورودی x و y دارد و خروجی آن z است. حال اگر قوانين به صورت زير باشند :
و اگر برای غير فازی ساز از غير فازی ساز ميانگين مراکز استفاده کنيم خروجی به صورت زير خواهد بود:
ساختار معادل ANFIS به صورت زير خواهد بود:
لايه 1: در اين لايه ورودي ها از توابع عضويت عبور(membership functions) می کنند.
توابع عضويت هر تابع پارامتری مناسبی می تواند باشد که در اکثر موارد توابع گاوسين انتخاب می شوند. مثل تابع زنگی شکل عمومی:
که aو b وc مجموعه پارامترها هستند. پارامتر های اين لايه به پارامتر های اوليه (premise parameters) معروف هستند.
لايه 2: خروجی اين لايه ضرب سيگنال های ورودی است که در واقع معادل قسمت اگر قوانين هستند.
لايه 3: خروجی اين لايه نرماليزه شده لايه قبلی است:
لايه 4:
لايه 5: خروجی اين لايه خروجی کلی سيستم است:
اکنون يک شبکه توليد شده است که معادل سيستم استنتاج فازی سوگنو است.
حال قرار است روش های آموزش چنين شبکه ای بررسی شود.
برای اين کار ابتدا در لايه 1 تمام قوانين موجود را تشکيل می دهيم.به طور مثال اگر 2 ورودی داشته باشيم که هر کدام 3 تابع عضويت داشته باشد 9 قانون بايد تشکيل دهيم.
که به صورت زير خواهد بود.
روشهای مختلف آموزش ANFIS
1- Gradient Descent
2- ترکيبی (hybrid)
3- Levenberg-Marquardt
روش ترکيبی(hybrid)
در اين روش از ترکيب روش گراديان نزولی و حداقل مربعات خطا (LSE) استفاده می شود.
روش ديگری نيز برای محاسبه پارامتر ها وجود دارد که يک روش بازگشتی است (RLSE) اين روش به دو دليل به وجود آمده است.
1- گاهی ممکن است که ماتريس معکوس پذيز نباشد.
2- فرض کنيد را حساب کرده ايم اگر يک جفت داده ورودی خروجی جديد به سيسیتم اضافه شود در روش قبل دوباره بايد کل پارامتر ها محاسبه شوند ولی در اين روش فقط مقدار پارامتر جديد به دست می آيد.
طريقه آموزش ANFIS با روش ترکيبی
در هر تکرار feedforward می رويم تا وقتی که ماتريس A که در روش LSE گفته شد به دست آيد. خروجی ها را هم که داريم . سپس توسط روش ترکيبی پارامتر ها را به دست می آوريم. لازم به ذکر است که همه داده های آموزشي بايد اعمال شوند و همجنين پارامتر های اوليه(premise patameters) ثابت نگه داشته می شوند. سپس پارامترهای تالی (conclusion parameters) ثابت نگه داشته می شوند و پارامترهای اوليه توسط گراديان نزولی تنظيم می شوند.
محصولات مرتبط
 | |
| |
دستتون درد نکنه؛ خیلی خوب بود مطلبتون