Fuzziness trong Neural Networks
Mạng nơ-ron nhân tạo (ANN) là một mạng lưới các hệ thống tính toán hiệu quả, chủ đề trung tâm của nó được mượn từ sự tương tự của mạng nơ-ron sinh học. ANN còn được đặt tên là “hệ thống thần kinh nhân tạo”, hệ thống xử lý phân tán song song ”,“ hệ thống kết nối ”. ANN có được một bộ sưu tập lớn các đơn vị được kết nối với nhau theo một số mẫu để cho phép liên lạc giữa các đơn vị. Những đơn vị này, còn được gọi là nút hoặc nơ-ron, là những bộ xử lý đơn giản hoạt động song song.
Mọi nơron đều được kết nối với nơron khác thông qua một liên kết kết nối. Mỗi liên kết kết nối được liên kết với một trọng số có thông tin về tín hiệu đầu vào. Đây là thông tin hữu ích nhất cho các tế bào thần kinh để giải quyết một vấn đề cụ thể vì trọng lượng thường ức chế tín hiệu đang được truyền đạt. Mỗi tế bào thần kinh đang có trạng thái bên trong được gọi là tín hiệu kích hoạt. Các tín hiệu đầu ra, được tạo ra sau khi kết hợp các tín hiệu đầu vào và quy tắc kích hoạt, có thể được gửi đến các đơn vị khác. Nó cũng bao gồm một thiên vị 'b' có trọng số luôn là 1.
Tại sao sử dụng Logic mờ trong mạng thần kinh
Như chúng ta đã thảo luận ở trên rằng mọi nơ-ron trong ANN được kết nối với nơ-ron khác thông qua một liên kết kết nối và liên kết đó được liên kết với một trọng số có thông tin về tín hiệu đầu vào. Do đó, chúng ta có thể nói rằng trọng số có thông tin hữu ích về đầu vào để giải quyết vấn đề.
Sau đây là một số lý do để sử dụng logic mờ trong mạng nơ-ron:
Logic mờ phần lớn được sử dụng để xác định trọng số, từ các tập mờ, trong mạng nơron.
Khi không thể áp dụng các giá trị rõ nét, thì các giá trị mờ được sử dụng.
Chúng tôi đã nghiên cứu rằng việc đào tạo và học tập giúp mạng nơ-ron hoạt động tốt hơn trong các tình huống không mong muốn. Lúc đó các giá trị mờ sẽ được áp dụng nhiều hơn các giá trị rõ nét.
Khi chúng ta sử dụng logic mờ trong mạng nơ-ron thì các giá trị không được sắc nét và quá trình xử lý có thể được thực hiện song song.
Bản đồ nhận thức mờ
Nó là một dạng mờ trong mạng nơ-ron. Về cơ bản FCM giống như một máy trạng thái động với các trạng thái mờ (không chỉ 1 hoặc 0).
Khó khăn khi sử dụng Logic mờ trong mạng thần kinh
Mặc dù có nhiều ưu điểm, nhưng cũng có một số khó khăn khi sử dụng logic mờ trong mạng nơ-ron. Khó khăn liên quan đến các quy tắc thành viên, sự cần thiết phải xây dựng hệ thống mờ, vì đôi khi việc suy diễn nó với tập dữ liệu phức tạp đã cho là rất phức tạp.
Logic mờ được đào tạo bằng thần kinh
Mối quan hệ ngược lại giữa mạng nơron và logic mờ, tức là mạng nơron được sử dụng để đào tạo logic mờ cũng là một lĩnh vực nghiên cứu tốt. Sau đây là hai lý do chính để xây dựng logic mờ được dẫn truyền thần kinh:
Các mẫu dữ liệu mới có thể được học một cách dễ dàng với sự trợ giúp của mạng nơron, do đó, nó có thể được sử dụng để xử lý trước dữ liệu trong các hệ thống mờ.
Mạng nơron, vì khả năng tìm hiểu mối quan hệ mới với dữ liệu đầu vào mới, có thể được sử dụng để tinh chỉnh các quy tắc mờ nhằm tạo ra hệ thống thích ứng mờ.
Ví dụ về hệ thống Mờ được huấn luyện bằng thần kinh
Hệ thống mờ được đào tạo bằng thần kinh đang được sử dụng trong nhiều ứng dụng thương mại. Bây giờ chúng ta hãy xem một vài ví dụ áp dụng hệ thống Mờ được đào tạo bằng thần kinh -
Phòng thí nghiệm Nghiên cứu Kỹ thuật Mờ Quốc tế (LIFE) ở Yokohama, Nhật Bản có một mạng nơron lan truyền ngược tạo ra các quy tắc mờ. Hệ thống này đã được áp dụng thành công cho hệ thống thương mại ngoại hối với khoảng 5000 quy tắc mờ.
Ford Motor Company đã phát triển các hệ thống mờ có thể huấn luyện để điều khiển tốc độ không tải của ô tô.
NeuFuz, sản phẩm phần mềm của National Semiconductor Corporation, hỗ trợ tạo các luật mờ với mạng nơron cho các ứng dụng điều khiển.
Tập đoàn AEG của Đức sử dụng hệ thống điều khiển mờ được đào tạo bằng thần kinh cho máy tiết kiệm năng lượng và nước của mình. Nó có tổng cộng 157 luật mờ.