Sinir Ağlarında Bulanıklık
Yapay sinir ağı (YSA), ana teması biyolojik sinir ağları analojisinden ödünç alınan verimli bir bilgi işlem sistemleri ağıdır. YSA'lar aynı zamanda "yapay sinir sistemleri", paralel dağıtılmış işlem sistemleri, "bağlantısal sistemler" olarak da adlandırılır. YSA, birimler arasında iletişime izin vermek için bazı modellerde birbirine bağlanan geniş bir birim koleksiyonu elde eder. Düğümler veya nöronlar olarak da adlandırılan bu birimler, paralel olarak çalışan basit işlemcilerdir.
Her nöron, bir bağlantı bağlantısı aracılığıyla diğer nöronla bağlantılıdır. Her bağlantı linki, giriş sinyali hakkında bilgiye sahip olan bir ağırlık ile ilişkilidir. Bu, nöronların belirli bir sorunu çözmesi için en yararlı bilgidir çünkü ağırlık genellikle iletilen sinyali engeller. Her nöron, aktivasyon sinyali adı verilen kendi iç durumuna sahiptir. Giriş sinyalleri ve aktivasyon kuralı birleştirildikten sonra üretilen çıkış sinyalleri diğer birimlere gönderilebilir. Aynı zamanda ağırlığı her zaman 1 olan bir önyargı 'b'den oluşur.
Sinir Ağında Neden Bulanık Mantık kullanılmalı?
Yukarıda tartıştığımız gibi, YSA'daki her nöronun bir bağlantı bağlantısı aracılığıyla diğer nöronla bağlantılı olduğu ve bu bağlantının, giriş sinyali hakkında bilgiye sahip bir ağırlıkla ilişkili olduğu. Dolayısıyla, ağırlıkların problemleri çözmek için girdi hakkında faydalı bilgilere sahip olduğunu söyleyebiliriz.
Sinir ağlarında bulanık mantık kullanmak için bazı nedenler aşağıdadır -
Bulanık mantık, büyük ölçüde sinir ağlarında bulanık kümelerden ağırlıkları tanımlamak için kullanılır.
Net değerlerin uygulanması mümkün olmadığında, bulanık değerler kullanılır.
Eğitim ve öğrenmenin sinir ağlarının beklenmedik durumlarda daha iyi performans göstermesine yardımcı olduğunu zaten inceledik. O zaman bulanık değerler, net değerlerden daha uygulanabilir olacaktır.
Sinir ağlarında bulanık mantık kullandığımızda, değerler net olmamalıdır ve işlem paralel olarak yapılabilir.
Bulanık Bilişsel Harita
Sinir ağlarında bir bulanıklık şeklidir. Temel olarak FCM, bulanık durumlara sahip (sadece 1 veya 0 değil) dinamik bir durum makinesi gibidir.
Sinir Ağlarında Bulanık Mantığı kullanmada zorluk
Çok sayıda avantaja sahip olmasına rağmen, sinir ağlarında bulanık mantık kullanırken bazı zorluklar da vardır. Zorluk üyelik kurallarıyla, bulanık sistem kurma ihtiyacıyla ilgilidir, çünkü bunu verilen karmaşık veri kümesiyle çıkarmak bazen karmaşıktır.
Sinirsel Eğitimli Bulanık Mantık
Sinir ağı ile bulanık mantık arasındaki ters ilişki, yani bulanık mantığı eğitmek için kullanılan sinir ağı da iyi bir çalışma alanıdır. Aşağıda, nöral eğitimli bulanık mantık oluşturmak için iki ana neden var:
Yeni veri kalıpları, sinir ağları yardımıyla kolaylıkla öğrenilebilir, dolayısıyla bulanık sistemlerde verileri ön işlemek için kullanılabilir.
Sinir ağı, yeni girdi verileriyle yeni ilişki öğrenme yeteneği nedeniyle, bulanık uyarlamalı sistem oluşturmak için bulanık kuralları iyileştirmek için kullanılabilir.
Sinir-Eğitimli Bulanık sistem örnekleri
Sinirsel Eğitimli Bulanık sistemler birçok ticari uygulamada kullanılmaktadır. Şimdi Sinirsel Eğitimli Bulanık sistemin uygulandığı birkaç örnek görelim -
Japonya, Yokohama'daki Uluslararası Bulanık Mühendislik Araştırmaları Laboratuvarı (LIFE), bulanık kurallar türeten geri yayılımlı bir sinir ağına sahiptir. Bu sistem, yaklaşık 5000 bulanık kuralla döviz ticaret sistemine başarıyla uygulanmıştır.
Ford Motor Company, otomobil rölanti hızı kontrolü için eğitilebilir bulanık sistemler geliştirdi.
National Semiconductor Corporation'ın yazılım ürünü NeuFuz, kontrol uygulamaları için bir sinir ağı ile bulanık kuralların oluşturulmasını destekler.
AEG Corporation of Germany, su ve enerji tasarrufu sağlayan makinesi için nöral eğitimli bulanık kontrol sistemi kullanıyor. Toplam 157 bulanık kurala sahip.