Fuzziness em Neural Networks
Rede neural artificial (ANN) é uma rede de sistemas de computação eficientes, cujo tema central é emprestado da analogia das redes neurais biológicas. As RNAs também são chamadas de "sistemas neurais artificiais", sistemas de processamento paralelo distribuído "," sistemas conexionistas ". A RNA adquire uma grande coleção de unidades que são interconectadas em algum padrão para permitir a comunicação entre as unidades. Essas unidades, também conhecidas como nós ou neurônios, são processadores simples que operam em paralelo.
Cada neurônio está conectado a outro neurônio por meio de um link de conexão. Cada link de conexão está associado a um peso contendo as informações sobre o sinal de entrada. Esta é a informação mais útil para os neurônios resolverem um problema específico, porque o peso geralmente inibe o sinal que está sendo comunicado. Cada neurônio está tendo seu estado interno que é chamado de sinal de ativação. Os sinais de saída, que são produzidos após combinar os sinais de entrada e a regra de ativação, podem ser enviados para outras unidades. Também consiste em um viés 'b' cujo peso é sempre 1.
Por que usar Fuzzy Logic em Rede Neural
Como discutimos acima, cada neurônio na RNA está conectado com outro neurônio por meio de um link de conexão e esse link está associado a um peso contendo as informações sobre o sinal de entrada. Portanto, podemos dizer que os pesos contêm as informações úteis sobre as entradas para resolver os problemas.
A seguir estão algumas razões para usar a lógica difusa em redes neurais -
A lógica fuzzy é amplamente utilizada para definir os pesos, a partir de conjuntos fuzzy, em redes neurais.
Quando não é possível aplicar valores nítidos, são usados valores nebulosos.
Já estudamos que o treinamento e o aprendizado ajudam as redes neurais a ter um melhor desempenho em situações inesperadas. Naquela época, os valores fuzzy seriam mais aplicáveis do que os valores nítidos.
Quando usamos lógica fuzzy em redes neurais, os valores não devem ser nítidos e o processamento pode ser feito em paralelo.
Mapa Cognitivo Fuzzy
É uma forma de imprecisão nas redes neurais. Basicamente, o FCM é como uma máquina de estado dinâmico com estados difusos (não apenas 1 ou 0).
Dificuldade em usar Lógica Fuzzy em Redes Neurais
Apesar de ter inúmeras vantagens, também há alguma dificuldade ao usar a lógica fuzzy em redes neurais. A dificuldade está relacionada com as regras de adesão, a necessidade de construir um sistema fuzzy, porque às vezes é complicado deduzi-lo com um determinado conjunto de dados complexos.
Lógica Fuzzy Treinada Neuralmente
A relação reversa entre rede neural e lógica fuzzy, ou seja, rede neural usada para treinar lógica fuzzy também é uma boa área de estudo. A seguir estão duas razões principais para construir lógica difusa com treinamento neural -
Novos padrões de dados podem ser aprendidos facilmente com a ajuda de redes neurais, portanto, podem ser usados para pré-processar dados em sistemas fuzzy.
A rede neural, devido à sua capacidade de aprender um novo relacionamento com novos dados de entrada, pode ser usada para refinar regras difusas para criar um sistema adaptativo difuso.
Exemplos de sistema Fuzzy treinado neuralmente
Os sistemas Fuzzy com treinamento neural estão sendo usados em muitas aplicações comerciais. Vejamos agora alguns exemplos onde o sistema Fuzzy treinado neuralmente é aplicado -
O Laboratório de Pesquisa em Engenharia Fuzzy Internacional (LIFE) em Yokohama, Japão, tem uma rede neural de retropropagação que deriva regras fuzzy. Este sistema foi aplicado com sucesso ao sistema de comércio de câmbio com aproximadamente 5000 regras difusas.
A Ford Motor Company desenvolveu sistemas difusos treináveis para controle de marcha lenta de automóveis.
NeuFuz, produto de software da National Semiconductor Corporation, suporta a geração de regras difusas com uma rede neural para aplicações de controle.
A AEG Corporation da Alemanha usa um sistema de controle difuso com treinamento neural para sua máquina de conservação de água e energia. Ele tem um total de 157 regras difusas.