Adaptiv neyro-qeyri səlis çıxarış sistemi

Adaptiv neyro qeyri-səlis çıxarış sistemi (ing. Adaptive neuro fuzzy inference system)— Takagi Sugeno qeyri-səlis çıxarış sisteminə əsaslanan süni neyron şəbəkənin növlərindən biri. Bu üsul 1990-cı illərin əvvəllərində inkişaf etdirilib.^[1]^[2] Həm neyron şəbəkələr, həm də qeyri-səlis məntiqin prinsiplərini özündə birləşdirəndən sonra, bu sistem vahid quruluşda hər ikisinin üstünlüklərini almaq üçün potensiala malik oldu. Onun çıxarış sistemi yaxın qeyri-xətti funksiyalar üçün öyrənmə qabiliyyətinə malik olan qeyri-səlis ƏGƏR-ONDA qaydalarının (İF-THEN) məcmusuna uyğundur.^[3] Deməli, ANFİS universal qiymət təyin edən sayılır.^[4] ANFIS-in daha səmərəli və optimal şəkildə istifadəsi üçün, genetik alqoritm vasitəsilə əldə olunan parametrləri istifadə etmək olar.^[5]^[6]

Nümunə

İki girişli və iki qaydalı sadə Takagi-Sugeno kontrolleri:

Əgər P₁₁(x₁) VƏ P₁₂(x₂) ONDA f1(x₁, x₂)

ƏGƏR P₂₁(x₁) VƏ P₂₂(x₂) ONDA f2(x₁, x₂)

Bu idarəetmə elementini reallaşdıran ANFİS aşağıdakı kimi təsvir olunur:

Yuxarıdakı sistemin eskizi

İstinadlar

↑ Jang, Jyh-Shing R. Fuzzy Modeling Using Generalized Neural Networks and Kalman Filter Algorithm (PDF). Proceedings of the 9th National Conference on Artificial Intelligence, Anaheim, CA, USA, July 14–19. 2. 1991. 762–767. 2016-03-04 tarixində arxivləşdirilib (PDF). İstifadə tarixi: 2016-11-09.
↑ Jang, J.-S.R. "ANFIS: adaptive-network-based fuzzy inference system". IEEE Transactions on Systems, Man and Cybernetics. 23 (3). 1993. doi:10.1109/21.256541.
↑ Abraham, A., Adaptation of Fuzzy Inference System Using Neural Learning // Nedjah, Nadia; de Macedo Mourelle, Luiza (redaktorlar ), Fuzzy Systems Engineering: Theory and Practice, Studies in Fuzziness and Soft Computing, 181, Germany: Springer Verlag, 2005, 53–83, doi:10.1007/11339366_3
↑ Jang, Sun, Mizutani (1997) – Neuro-Fuzzy and Soft Computing – Prentice Hall, pp 335–368, ISBN 0-13-261066-3
↑ Tahmasebi, P. "A hybrid neural networks-fuzzy logic-genetic algorithm for grade estimation" (PDF). Computers & Geosciences. 42. 2012: 18–27. 2021-10-25 tarixində arxivləşdirilib (PDF). İstifadə tarixi: 2016-11-09.
↑ Tahmasebi, P. "Comparison of optimized neural network with fuzzy logic for ore grade estimation" (PDF). Australian Journal of Basic and Applied Sciences. 4. 2010: 764–772. 2018-12-09 tarixində arxivləşdirilib (PDF). İstifadə tarixi: 2016-11-09.

[1] Jang, Jyh-Shing R. Fuzzy Modeling Using Generalized Neural Networks and Kalman Filter Algorithm (PDF). Proceedings of the 9th National Conference on Artificial Intelligence, Anaheim, CA, USA, July 14–19. 2. 1991. 762–767. 2016-03-04 tarixində arxivləşdirilib (PDF). İstifadə tarixi: 2016-11-09.

[2] Jang, J.-S.R. "ANFIS: adaptive-network-based fuzzy inference system". IEEE Transactions on Systems, Man and Cybernetics. 23 (3). 1993. doi:10.1109/21.256541.

[3] Abraham, A., Adaptation of Fuzzy Inference System Using Neural Learning // Nedjah, Nadia; de Macedo Mourelle, Luiza (redaktorlar ), Fuzzy Systems Engineering: Theory and Practice, Studies in Fuzziness and Soft Computing, 181, Germany: Springer Verlag, 2005, 53–83, doi:10.1007/11339366_3

[4] Jang, Sun, Mizutani (1997) – Neuro-Fuzzy and Soft Computing – Prentice Hall, pp 335–368, ISBN 0-13-261066-3

[5] Tahmasebi, P. "A hybrid neural networks-fuzzy logic-genetic algorithm for grade estimation" (PDF). Computers & Geosciences. 42. 2012: 18–27. 2021-10-25 tarixində arxivləşdirilib (PDF). İstifadə tarixi: 2016-11-09.

[6] Tahmasebi, P. "Comparison of optimized neural network with fuzzy logic for ore grade estimation" (PDF). Australian Journal of Basic and Applied Sciences. 4. 2010: 764–772. 2018-12-09 tarixində arxivləşdirilib (PDF). İstifadə tarixi: 2016-11-09.

[1]

[2]

[3]

[4]

[5]

[6]