ความไม่ชัดเจนในโครงข่ายประสาทเทียม

โครงข่ายประสาทเทียม (ANN) เป็นเครือข่ายของระบบคอมพิวเตอร์ที่มีประสิทธิภาพซึ่งเป็นธีมหลักที่ยืมมาจากการเปรียบเทียบเครือข่ายประสาททางชีววิทยา ANN ยังได้รับการตั้งชื่อว่า "ระบบประสาทเทียม" ระบบประมวลผลแบบกระจายขนาน "" ระบบเชื่อมต่อ " ANN ได้รับชุดอุปกรณ์จำนวนมากที่เชื่อมต่อกันในบางรูปแบบเพื่อให้สามารถสื่อสารระหว่างหน่วยได้ หน่วยเหล่านี้เรียกอีกอย่างว่าโหนดหรือเซลล์ประสาทเป็นตัวประมวลผลอย่างง่ายซึ่งทำงานควบคู่กันไป

เซลล์ประสาททุกเซลล์เชื่อมต่อกับเซลล์ประสาทอื่น ๆ ผ่านลิงค์การเชื่อมต่อ ลิงค์เชื่อมต่อแต่ละลิงค์เกี่ยวข้องกับน้ำหนักที่มีข้อมูลเกี่ยวกับสัญญาณอินพุต นี่เป็นข้อมูลที่มีประโยชน์ที่สุดสำหรับเซลล์ประสาทในการแก้ปัญหาหนึ่ง ๆ เนื่องจากน้ำหนักมักจะยับยั้งสัญญาณที่สื่อสาร เซลล์ประสาทแต่ละเซลล์มีสถานะภายในซึ่งเรียกว่าสัญญาณกระตุ้น สัญญาณเอาต์พุตซึ่งเกิดขึ้นหลังจากรวมสัญญาณอินพุตและกฎการเปิดใช้งานอาจถูกส่งไปยังหน่วยอื่น นอกจากนี้ยังประกอบด้วย bias 'b' ซึ่งมีน้ำหนักเท่ากับ 1 เสมอ

เหตุใดจึงควรใช้ Fuzzy Logic ใน Neural Network

ดังที่เราได้กล่าวไปแล้วข้างต้นว่าเซลล์ประสาททุกเซลล์ใน ANN เชื่อมต่อกับเซลล์ประสาทอื่น ๆ ผ่านลิงค์การเชื่อมต่อและลิงก์นั้นเกี่ยวข้องกับน้ำหนักที่มีข้อมูลเกี่ยวกับสัญญาณอินพุต ดังนั้นเราสามารถพูดได้ว่าน้ำหนักมีข้อมูลที่เป็นประโยชน์เกี่ยวกับการป้อนข้อมูลเพื่อแก้ปัญหา

ต่อไปนี้เป็นเหตุผลบางประการในการใช้ตรรกะฟัซซีในโครงข่ายประสาทเทียม -

  • ฟัซซีลอจิกส่วนใหญ่ใช้เพื่อกำหนดน้ำหนักจากเซตฟัซซีในโครงข่ายประสาทเทียม

  • เมื่อไม่สามารถใช้ค่าที่คมชัดได้ระบบจะใช้ค่าแบบฟัซซี่

  • เราได้ศึกษาแล้วว่าการฝึกอบรมและการเรียนรู้ช่วยให้เครือข่ายประสาทเทียมทำงานได้ดีขึ้นในสถานการณ์ที่ไม่คาดคิด ในเวลานั้นค่าที่ไม่ชัดเจนจะใช้ได้มากกว่าค่าที่คมชัด

  • เมื่อเราใช้ฟัซซีลอจิกในโครงข่ายประสาทเทียมค่าต่างๆจะต้องไม่คมชัดและการประมวลผลสามารถทำได้แบบขนาน

แผนที่ความรู้ความเข้าใจคลุมเครือ

มันเป็นรูปแบบหนึ่งของความเลือนรางในเครือข่ายประสาทเทียม โดยทั่วไป FCM เปรียบเสมือนเครื่องแสดงสถานะแบบไดนามิกที่มีสถานะไม่ชัดเจน (ไม่ใช่แค่ 1 หรือ 0)

ความยากในการใช้ Fuzzy Logic ใน Neural Networks

แม้จะมีข้อได้เปรียบมากมาย แต่ก็มีความยากลำบากในการใช้ตรรกะฟัซซีในโครงข่ายประสาทเทียม ความยากนั้นเกี่ยวข้องกับกฎการเป็นสมาชิกความจำเป็นในการสร้างระบบที่คลุมเครือเนื่องจากบางครั้งก็มีความซับซ้อนในการอนุมานด้วยชุดข้อมูลที่ซับซ้อนที่กำหนด

Neural-Trained Fuzzy Logic

ความสัมพันธ์แบบย้อนกลับระหว่างโครงข่ายประสาทเทียมกับฟัซซีลอจิกกล่าวคือเครือข่ายประสาทที่ใช้ในการฝึกตรรกะฟัซซีก็เป็นพื้นที่ศึกษาที่ดีเช่นกัน ต่อไปนี้เป็นเหตุผลหลักสองประการในการสร้างลอจิกฟัซซีระบบประสาท -

  • รูปแบบใหม่ของข้อมูลสามารถเรียนรู้ได้อย่างง่ายดายด้วยความช่วยเหลือของเครือข่ายประสาทด้วยเหตุนี้จึงสามารถใช้ในการประมวลผลข้อมูลล่วงหน้าในระบบที่คลุมเครือ

  • โครงข่ายประสาทเทียมเนื่องจากความสามารถในการเรียนรู้ความสัมพันธ์ใหม่กับข้อมูลอินพุตใหม่สามารถใช้เพื่อปรับแต่งกฎที่คลุมเครือเพื่อสร้างระบบปรับตัวที่คลุมเครือ

ตัวอย่างของระบบฟัซซีที่ฝึกประสาท

Neural-Trained Fuzzy ถูกนำมาใช้ในงานเชิงพาณิชย์จำนวนมาก ตอนนี้ให้เราดูตัวอย่างบางส่วนที่ใช้ระบบ Neural-Trained Fuzzy -

  • ห้องปฏิบัติการเพื่อการวิจัยทางวิศวกรรมฟัซซีระหว่างประเทศ (LIFE) ในโยโกฮาม่าประเทศญี่ปุ่นมีโครงข่ายประสาทที่แพร่กระจายกลับซึ่งเป็นผลมาจากกฎที่คลุมเครือ ระบบนี้ถูกนำไปใช้กับระบบการค้าแลกเปลี่ยนเงินตราต่างประเทศเรียบร้อยแล้วโดยมีกฎประมาณ 5,000 คลุมเครือ

  • Ford Motor Company ได้พัฒนาระบบฟัซซี่ที่สามารถฝึกได้สำหรับการควบคุมความเร็วรอบเดินเบาของรถยนต์

  • NeuFuz ซึ่งเป็นผลิตภัณฑ์ซอฟต์แวร์ของ National Semiconductor Corporation สนับสนุนการสร้างกฎที่คลุมเครือด้วยเครือข่ายประสาทเทียมสำหรับแอปพลิเคชันควบคุม

  • AEG Corporation ของเยอรมนีใช้ระบบควบคุมฟัซซีที่ได้รับการฝึกอบรมด้วยระบบประสาทสำหรับเครื่องอนุรักษ์น้ำและพลังงาน มันมีกฎที่คลุมเครือทั้งหมด 157 ข้อ