Нечеткость в нейронных сетях
Искусственная нейронная сеть (ИНС) - это сеть эффективных вычислительных систем, центральная тема которой заимствована из аналогии с биологическими нейронными сетями. ИНС также называют «искусственными нейронными системами», системами параллельной распределенной обработки »,« системами коннекционизма ». ИНС приобретает большой набор модулей, которые связаны между собой по некоторой схеме, чтобы обеспечить связь между устройствами. Эти блоки, также называемые узлами или нейронами, представляют собой простые процессоры, которые работают параллельно.
Каждый нейрон связан с другим нейроном посредством связующего звена. Каждому каналу связи соответствует вес, содержащий информацию о входном сигнале. Это наиболее полезная информация для нейронов при решении конкретной проблемы, поскольку вес обычно подавляет передаваемый сигнал. Каждый нейрон имеет свое внутреннее состояние, которое называется сигналом активации. Выходные сигналы, которые создаются после объединения входных сигналов и правила активации, могут быть отправлены на другие устройства. Он также состоит из смещения «b», вес которого всегда равен 1.
Зачем использовать нечеткую логику в нейронной сети
Как мы уже обсуждали выше, каждый нейрон в ИНС связан с другим нейроном через соединение, и эта ссылка связана с весом, имеющим информацию о входном сигнале. Следовательно, мы можем сказать, что веса имеют полезную информацию о вводе для решения проблем.
Ниже приведены некоторые причины использовать нечеткую логику в нейронных сетях.
Нечеткая логика в основном используется для определения весов из нечетких множеств в нейронных сетях.
Если невозможно применить четкие значения, используются нечеткие значения.
Мы уже выяснили, что обучение и обучение помогают нейронным сетям работать лучше в неожиданных ситуациях. В то время нечеткие значения были бы более применимы, чем четкие.
Когда мы используем нечеткую логику в нейронных сетях, значения не должны быть четкими, и обработка может выполняться параллельно.
Нечеткая когнитивная карта
Это форма нечеткости в нейронных сетях. По сути, FCM похож на динамический конечный автомат с нечеткими состояниями (а не просто 1 или 0).
Сложность использования нечеткой логики в нейронных сетях
Несмотря на многочисленные преимущества, использование нечеткой логики в нейронных сетях также связано с некоторыми трудностями. Сложность связана с правилами членства, с необходимостью построения нечеткой системы, потому что иногда бывает сложно вывести ее с заданным набором сложных данных.
Нечеткая логика с нейронным обучением
Обратная связь между нейронной сетью и нечеткой логикой, то есть нейронной сетью, используемой для обучения нечеткой логики, также является хорошей областью изучения. Ниже приведены две основные причины для создания нечеткой логики с нейронным обучением.
Новые шаблоны данных можно легко изучить с помощью нейронных сетей, следовательно, их можно использовать для предварительной обработки данных в нечетких системах.
Нейронная сеть, благодаря ее способности изучать новые отношения с новыми входными данными, может использоваться для уточнения нечетких правил для создания нечеткой адаптивной системы.
Примеры нечетких систем с нейронным обучением
Нечеткие системы с нейронным обучением используются во многих коммерческих приложениях. Давайте теперь посмотрим на несколько примеров, где применяется нечеткая система с нейронным обучением -
Лаборатория международных нечетких инженерных исследований (LIFE) в Иокогаме, Япония, имеет нейронную сеть с обратным распространением, которая выводит нечеткие правила. Эта система была успешно применена к системе валютной торговли с примерно 5000 нечетких правил.
Компания Ford Motor разработала обучаемые нечеткие системы управления холостым ходом автомобилей.
NeuFuz, программный продукт National Semiconductor Corporation, поддерживает создание нечетких правил с помощью нейронной сети для управляющих приложений.
Немецкая корпорация AEG использует нечеткую систему управления с обучением на нейронах для своей машины для экономии воды и энергии. Всего в нем 157 нечетких правил.