مقارنة الشبكات العصبية والمنطق الضبابي. الأساليب والنماذج الرياضية للذكاء الاصطناعي: المنطق الضبابي ، الخوارزميات الجينية ، الشبكات العصبية ، إلخ.

المنطق الضبابي والشبكات العصبية

مقدمة

المنطق الضبابي- فرع من الرياضيات ، وهو تعميم للمنطق الكلاسيكي ونظرية المجموعات ، بناءً على مفهوم المجموعة الغامضة ، قدمه لطفي زاده لأول مرة في عام 1965 ككائن له وظيفة عضوية لعنصر إلى مجموعة تأخذ أي قيم في الفترة ، وليس فقط 0 أو 1. على أساس هذا المفهوم ، يتم تقديم عمليات منطقية مختلفة على مجموعات ضبابية وصياغة مفهوم المتغير اللغوي ، والتي تكون قيمها مجموعات ضبابية.

موضوع المنطق الضبابي هو دراسة الاستدلال في ظل ظروف الغموض والضبابية ، على غرار الاستدلال بالمعنى المعتاد ، وتطبيقه في أنظمة الحوسبة.

اتجاهات البحث المنطقي الضبابي

يوجد حاليًا مجالان رئيسيان على الأقل للبحث في مجال المنطق الضبابي:

المنطق الضبابي بمعنى واسع (نظرية الحسابات التقريبية) ؛

المنطق الضبابي بالمعنى الضيق (منطق غامض رمزي).

المنطق الضبابي الرمزي

المنطق الرمزي المبهم يقوم على المفهوم معايير t. بعد اختيار معيار t معين (ويمكن تقديمه بعدة طرق مختلفة) ، يصبح من الممكن تحديد العمليات الأساسية على المتغيرات المقترحة: الاقتران ، والفصل ، والتضمين ، والنفي ، وغيرها.

من السهل إثبات النظرية القائلة بأن التوزيعية الموجودة في المنطق الكلاسيكي تتحقق فقط في حالة اختيار معيار Gödel t كمعيار t.

بالإضافة إلى ذلك ، ولأسباب معينة ، غالبًا ما يتم اختيار العملية المسماة Residium كتأثير ضمني (بشكل عام ، فهي تعتمد أيضًا على اختيار معيار t).

يؤدي تعريف العمليات الأساسية المذكورة أعلاه إلى تعريف رسمي للمنطق الغامض الأساسي ، والذي له الكثير من القواسم المشتركة مع منطق القيمة المنطقية الكلاسيكي (بشكل أكثر دقة ، مع حساب التفاضل والتكامل المقترح).

هناك ثلاثة منطق أساسي غامض: منطق Lukasiewicz ومنطق Gödel ومنطق المنتج. ومن المثير للاهتمام ، أن اتحاد أي اثنين من المنطق الثلاثة المذكورة أعلاه يؤدي إلى منطق القيمة المنطقية الكلاسيكي.

وظيفة مميزة

للحصول على مساحة منطقية ووظيفة عضوية معينة يتم تعريف المجموعة الغامضة على أنها

تصنف وظيفة العضوية كميًا انتماء عناصر المجموعة الأساسية لمساحة التفكير إلى المجموعة الغامضة. تعني القيمة أن العنصر غير مدرج في المجموعة الغامضة ، ويصف العنصر المضمن بالكامل. القيم الموجودة بين العناصر المضمنة الغامضة وتميزها.

مجموعة غامضة وكلاسيكية ، كريسب ( هش) الكثير من

أمثلة على مجموعات ضبابية

1. اسمحوا ه = {0, 1, 2, . . ., 10}, م =. يمكن تعريف المجموعة الغامضة "عدة" على النحو التالي:

"عدة" = 0.5 / 3 + 0.8 / 4 + 1/5 + 1/6 + 0.8 / 7 + 0.5 / 8 ؛ خصائصه: ارتفاع = 1, الناقل = {3, 4, 5, 6, 7, 8}, نقاط الانتقال - {3, 8}.

2. اسمحوا ه = {0, 1, 2, 3,…, ن,… ). يمكن تعريف المجموعة الغامضة "الصغيرة":

3. اسمحوا ه= (1 ، 2 ، 3 ،. ،. ، 100) ويتوافق مع مفهوم "العمر" ، ثم يمكن تعريف المجموعة الغامضة "يونغ" باستخدام

مجموعة غامضة "الشباب" على مجموعة عالمية ه "= (IVANOV، PETROV، SIDOROV، ...) تعطى من خلال وظيفة العضوية μ شاب ( x) على ال ه =(1 ، 2 ، 3 ،. ، 100) (العمر) ، تسمى فيما يتعلق بـ ه "وظيفة التوافق ، بينما:

أين X- عمر سيدوروف.

4. اسمحوا ه\ u003d (ZAPOROZHETS ، ZHIGULI ، MERCEDES ، ...) هي مجموعة من ماركات السيارات ، و ه "= - مجموعة عالمية "التكلفة" ، ثم على ه "يمكننا تحديد مجموعات ضبابية مثل:

أرز. 1.1 أمثلة دالة العضوية

"للفقراء" ، "للطبقة الوسطى" ، "المرموقة" ، مع وظائف عضوية مثل الشكل. 1.1

وجود هذه الوظائف ومعرفة تكلفة السيارات من هفي وقت معين ، نحدد بالتالي ه "مجموعات ضبابية بنفس الأسماء.

لذلك ، على سبيل المثال ، المجموعة الغامضة "للفقراء" الواردة في المجموعة الشاملة ه =(ZAPORIZHETZ ، ZHIGULI ، MERCEDES ، ...) ، يبدو كما هو موضح في الشكل. 1.2

أرز. 1.2 مثال على تحديد مجموعة ضبابية

وبالمثل ، يمكنك تحديد مجموعة ضبابية "عالية السرعة" ، "متوسطة" ، "منخفضة السرعة" ، إلخ.

5. اسمحوا ه- مجموعة من الأعداد الصحيحة:

ه= {-8, -5, -3, 0, 1, 2, 4, 6, 9}.

ثم يمكن تعريف مجموعة فرعية غامضة من الأرقام القريبة من الصفر في القيمة المطلقة ، على سبيل المثال ، على النحو التالي:

أ ={0/-8 + 0,5/-5 + 0,6/-3 +1/0 + 0,9/1 + 0,8/2 + 0,6/4 + 0,3/6 + 0/9}.

العمليات المنطقية

تضمين.يترك لكنو في- مجموعات ضبابية على المجموعة الشاملة E.ويقولون ان لكنالواردة في في،إذا

تعيين: لكن⊂ في.

المصطلح يستخدم في بعض الأحيان هيمنة،أولئك. في حالة متى لكن⊂ في،ويقولون ان فييهيمن لكن.

المساواة. A و B متساويان إذا

تعيين: أ = ب.

إضافة.يترك م = , لكنو فيهي مجموعات ضبابية محددة على إيو فييكمل كل منهما الآخر إذا

تعيين:

من الواضح أن (الإضافة المحددة لـ م= ، لكن من الواضح أنه يمكن تعريفها لأي أمر م).

تداخل. لكن⋂ فيهي أكبر مجموعة فرعية ضبابية مضمنة في وقت واحد في لكنو في:

جمعية.أ∪فيهي أصغر مجموعة فرعية ضبابية بما في ذلك كليهما لكن،كذا و في،مع وظيفة العضوية:

فرق. مع وظيفة العضوية:

المبلغ المنفصل

لكن ⊕ في = (أ-ب) ∪ (أ) = (أ ⋂ ̅ ب) ∪ (A ⋂ B)

مع وظيفة العضوية:

أمثلة. يترك

هنا:

1) أ ⊂ في،أي وارد في بأو بيهيمن لكنمن لا يضاهىلا مع أ، ولا مع في،أولئك. الأزواج ( أ ، ج) و ( أ ، ج) هي أزواج من مجموعات ضبابية غير خاضعة للسيطرة.

2) أ≠ ب ≠ ج

3) ̅A = 0,6/x 1 + 0,8/x 2 + 1/x 3 + 0/x 4 ؛ ̅ ب = 0,3/x 1 + 0,1/x 2 + 0,9/x 3 +0/x 4 .

4) لكن⋂ ب = 0,4/x 1 + 0,2/x 2 + 0/x 3 + 1 /X 4 .

5) أ∪ في= 0.7 / x1+ 0,9/x 2 + 0,1/x 3 + 1/x 4 .

6) أ - ب= لكن⋂̅ ب = 0,3/x 1 + 0 ، ل / x 2 + 0/x 3 + 0/x 4 ;

في- أ = ̅A⋂ في= 0,6/x 1 + 0,8/x 2 + 0 ، ل / x 3 + 0/x 4 .

7) لكن⊕ ب = 0,6/x 1 + 0,8/x 2 + 0,1/x 3 + 0/x 4 .

التمثيل المرئي للعمليات المنطقية على مجموعات ضبابية. بالنسبة للمجموعات الغامضة ، يمكنك إنشاء تمثيل مرئي. ضع في اعتبارك نظام إحداثيات مستطيل ، على المحور الصادي يتم رسم قيمه μ لكن(X) ،يتم ترتيب العناصر بترتيب عشوائي على محور الإحداثي ه(لقد استخدمنا بالفعل مثل هذا التمثيل في أمثلة المجموعات الضبابية). اذا كان همرتبة حسب الطبيعة ، فمن المستحسن الحفاظ على هذا الترتيب في ترتيب العناصر على المحور السيني. مثل هذا التمثيل يجعل العمليات المنطقية البسيطة على مجموعات ضبابية مرئية (انظر الشكل 1.3).

أرز. 1.3 التفسير الرسومي للعمليات المنطقية:
α - مجموعة ضبابية لكن؛ ب- مجموعة ضبابية ̅ في - لكن⋂لكن؛ جي-أ∪ لكن

على التين. 1.3α يتوافق الجزء المظلل مع المجموعة الغامضة لكنوعلى وجه الدقة ، يصور النطاق لكنوجميع المجموعات الضبابية الواردة في لكن.على التين. 1.3 ب, ج ، زأعطي أ ، أ ⋂ أ،أيو لكن.

خصائص العملية ∪ و ⋂

يترك أ ، ب ، جهي مجموعات ضبابية ، فإن الخصائص التالية تبقى ثابتة:

على عكس المجموعات الهشة ، للمجموعات الضبابية بشكل عام

أ ⋂ أ ≠ ∅ ، أ∪ ̅ أ ≠ هـ

(والتي ، على وجه الخصوص ، موضحة أعلاه في مثال التمثيل المرئي للمجموعات الغامضة).

تعليق . تعتمد العمليات المذكورة أعلاه على المجموعات الضبابية على استخدام عمليات الحد الأقصى والحد الأدنى. في نظرية المجموعات الغامضة ، يتم تطوير قضايا بناء مشغلات معممة ومحددة المعالم للتقاطع والوحدة والإضافة ، والتي تسمح بمراعاة الظلال الدلالية المختلفة للوصلات المقابلة "و" ، "أو" ، "لا".

القواعد والمعارف الثلاثية

تتمثل إحدى طرق التعامل مع مشغلي التقاطع والنقابة في تحديدهم في فئة القواعد والأقواس المثلثية.

القاعدة الثلاثية (t-norm)تسمى عملية ثنائية (وظيفة حقيقية مزدوجة)

1. محدودة:.

2. رتابة:.

3. التبادلية:.

4. الترابطية:.

أمثلة على القواعد الثلاثية

دقيقة ( µ أμ ب)

الشغل µ أμ ب

ماكس (0 ، μA +μ ب - 1).

المخروط الثلاثي(يُختصر على أنه conorm) هو حقيقي من مكانين وظيفة

استيفاء الشروط التالية:

1. محدودة:.

2. رتابة:.

3. التبادلية:.

4. الترابطية:.

المخروط الثلاثيهو أرخميدسإذا كانت مستمرة
ولأي مجموعة غامضةإجراء عدم المساواة .

يطلق عليه صارم إذا وظيفةتناقص صارم في كلا الحجتين.

أمثلة على t-conorms

الأعلى( µ أμ ب)

μA + μ ب - µ أ μ ب

دقيقة (1 ، μA +μ ب).

فيما يلي أمثلة على المخروطيات المثلثية العاملين:

القاعدة الثلاثية تيوالمخروط الثلاثي ستسمى العمليات الثنائية التكميلية إذا

تي ( أ,ب) + س(1 − أ,1 − ب) = 1

الأكثر شيوعًا في نظرية زاده هي ثلاثة أزواج من المعايير والأشكال المثلثية الإضافية.

1) تقاطع واتحاد زاده:

T Z(أ,ب) = دقيقة ( أ,ب}, S Z(أ,ب) = ماكس ( أ,ب}.

2) التقاطع والاتحاد حسب Lukasiewicz:

3) الاتحاد والتقاطع الاحتمالي:

العوامل التكميلية

نظريا المجموعات الغامضةعامل التكملة ليس فريدًا.

بالإضافة إلى المشهور

موجود كاملمجموعة المشغل التكميلية مجموعة غامضة.

دع بعض عرض

.

هو - هي عرضسوف يسمى عامل النفي في النظرية المجموعات الغامضةإذا تم استيفاء الشروط التالية:

بالإضافة إلى ذلك ، إذا تم استيفاء الشروط التالية:

(3) - تناقص صارم وظيفة

(4) - مستمر وظيفة

ثم يطلق عليه نفي صارم.

دوراتصل إنكار قويأو الالتفافإذا صح الشرطان (1) و (2) ما يلي:

(5) .

فيما يلي أمثلة على وظيفة النفي:

النفي الكلاسيكي:.

النفي التربيعي: .

إنكار سوجينو:.

إضافة نوع العتبة: .

سوف ندعو أي المعنى، لأي منهم ، نقطة التوازن. لأي نفي مستمر ، هناك نقطة توازن فريدة.

أرقام غامضة

أرقام غامضة- المتغيرات الغامضة المحددة على المحور العددي ، أي يتم تعريف الرقم الغامض على أنه مجموعة ضبابية لكنعلى مجموعة الأعداد الحقيقية ℝ مع وظيفة العضوية μ أ(X) ϵ أين Xهو رقم حقيقي ، أي X ϵ ℝ.

رقم غامض ولا بأسإذا كان الحد الأقصى μ أ(x) = 1; محدبإذا كان لأي X ≤ في ≤ ضإجراء

μ أ (س) ≥ μ أ(في) ˄ µ أ(ض).

الكثير من α - مستوى رقم غامض لكنمعرف ك

ألفا = {x/μ α (x) ≥ α } .

مجموعة فرعية S أ⊂ ℝ يسمى حامل الرقم الغامض لكن،إذا

S أ = { س / μ أ (س)> 0 }.

رقم غامض وأحادي الوسائطإذا الشرط μ أ(X) = 1 صالح فقط لنقطة واحدة من المحور الحقيقي.

رقم غامض محدب لكناتصل صفر غامضإذا

μ أ (0) = سوب ( µ أ(x)).

رقم غامض وإيجابياإذا ∀ xϵ S أ ، س> 0 و نفيإذا ∀ X ϵ S أ ، س< 0.

أرقام غامضة (LR) من النوع

(LR) من نوع الأعداد الغامضة هي نوع من الأعداد المبهمة من نوع خاص ، أي تم ضبطها وفقًا لقواعد معينة لتقليل مقدار العمليات الحسابية أثناء العمليات عليها.

يتم تحديد دوال عضوية (L-R) من نوع الأرقام المبهمة باستخدام دوال المتغير الحقيقي L ( x) و R ( x) إرضاء الخصائص:

أ) لام (- x) = L ( x) ، ص (- x) = ص ( x);

ب) L (0) = R (0).

من الواضح أن فئة وظائف (LR) تتضمن وظائف لها رسوم بيانية الشكل الموضح في الشكل. 1.7

أرز. 1.7 الشكل الممكن لوظائف (LR)

يمكن أن تكون أمثلة المواصفات التحليلية لوظائف (LR)

دع L ( في) و R ( في) - وظائف من نوع (LR) (الخرسانة). رقم غامض أحادي الوسائط لكنمع أزياء أ(بمعنى آخر. μ أ(أ) = 1) باستخدام L ( في) و R ( في) على النحو التالي:

أين هو الوضع ؛ α > 0, β > 0 - معاملات الضبابية اليمنى واليسرى.

وهكذا ، معطى L ( في) و R ( في) يتم إعطاء الرقم الغامض (أحادي) من خلال العدد الثلاثي لكن = (أ, α, β ).

يتم إعطاء الرقم الغامض المتسامح ، على التوالي ، من خلال المعلمات الأربعة لكن = (أ 1 , أ 2 , α, β )، أين أ 1 و أ 2 - حدود التسامح ، أي. في هذه الأثناء [ أ 1 , أ 2] قيمة دالة العضوية تساوي 1.

أمثلة على الرسوم البيانية لوظائف العضوية من نوع الأرقام الغامضة (LR) موضحة في الشكل. 1.8

أرز. 1.8 أمثلة على الرسوم البيانية لوظائف العضوية من نوع الأرقام الغامضة (LR)

لاحظ أنه في حالات محددة وظائف L. (ذ) ،ص (ذ) ،وكذلك المعلمات أ، β أرقام غامضة (أ, α, β ) و ( أ 1 , أ 2 , α, β ) يجب أن يتم اختياره بطريقة تجعل نتيجة العملية (الجمع والطرح والقسمة وما إلى ذلك) مساوية تمامًا أو تقريبًا لرقم غامض بنفس الحرف L (ذ)و ر (ذ) ،والمعلمات α" و β" من النتيجة لم تتجاوز القيود المفروضة على هذه المعلمات للأرقام الغامضة الأصلية ، خاصة إذا كانت النتيجة ستشارك لاحقًا في العمليات.

تعليق. يتطلب حل مشاكل النمذجة الرياضية للأنظمة المعقدة باستخدام جهاز المجموعات الغامضة إجراء قدر كبير من العمليات على أنواع مختلفة من المتغيرات اللغوية والمتغيرات الغامضة الأخرى. من أجل راحة إجراء العمليات ، وكذلك من أجل تخزين المدخلات والمخرجات والبيانات ، من المستحسن العمل مع وظائف العضوية في نموذج قياسي.

المجموعات الغامضة التي يجب على المرء أن يعمل بها في معظم المشاكل هي ، كقاعدة عامة ، أحادية الوسائط وطبيعية. إحدى الطرق الممكنة لتقريب المجموعات الضبابية أحادية الوسائط هي التقريب باستخدام دوال من النوع (LR).

أمثلة على تمثيلات (LR) لبعض المتغيرات اللغوية معطاة في الجدول. 1.2

الجدول 1.2. ممكن (LR) - تمثيل لبعض المتغيرات اللغوية

علاقات غامضة

علاقات غامضةتلعب دورًا أساسيًا في نظرية الأنظمة الضبابية. جهاز النظرية علاقات غامضةتستخدم في بناء نظرية الأوتوماتيكية الضبابية ، في نمذجة بنية الأنظمة المعقدة ، في تحليل عمليات صنع القرار.

التعاريف الأساسية

نظرية علاقات غامضةيجد أيضا زائدةفي المشاكل التي يتم فيها تطبيق نظرية العلاقات العادية (الواضحة) بشكل تقليدي. كقاعدة عامة ، يتم استخدام جهاز نظرية العلاقات الواضحة في التحليل النوعي للعلاقات بين كائنات النظام قيد الدراسة ، عندما تكون العلاقات ثنائية التفرع في طبيعتها ويمكن تفسيرها من حيث " الإتصالالحالي"، " الإتصالمفقود "، أو عندما تكون أساليب التحليل الكمي للعلاقات غير قابلة للتطبيق لسبب ما ويتم اختزال العلاقات بشكل مصطنع إلى شكل ثنائي التفرع. الإتصالإلى المظهر المطلوب. ومع ذلك ، فإن مثل هذا النهج يسمح للنوعية التحليلاتتؤدي الأنظمة إلى فقدان المعلومات حول قوة التوصيلات بين الكائنات أو تتطلب حسابات عند عتبات مختلفة لقوة التوصيلات. هذا القصور يخلو من أساليب تحليل البيانات القائمة على النظرية علاقات غامضة، مما يسمح بجودة عالية التحليلاتمع مراعاة الاختلاف في قوة الروابط بين كائنات النظام.

ضبابي عادي - علاقة aryمعرف ك مجموعة فرعيةالمنتج الديكارتي للمجموعات

مثل مجموعة ضبابية ، علاقة غامضة يمكن تحديدها باستخدام وظيفة العضوية الخاصة بها

حيث في الحالة العامة سنفترض أنها شبكة توزيع كاملة. وبالتالي ، هي مجموعة مرتبة جزئيًا فيها أي غير فارغ مجموعة فرعيةيحتوي على أكبر جزء علوي سفلي وأصغر الجوانبو عمليات التقاطعوالنقابات في الامتثال لقوانين التوزيع. الجميع عملياتفي الاعلى علاقات غامضةيتم تعريفها باستخدام هذه العمليات من. على سبيل المثال ، إذا أخذنا كمجموعة محدودة من الأرقام الحقيقية ، فإن عمليات التقاطع والاتحاد في ستكون ، على التوالي ، عملياتو و هؤلاء عملياتسيحدد و عملياتفي الاعلى علاقات غامضة.

اذا كان مجموعاتونهائي علاقة غامضةبين ويمكن تمثيله باستخدامه مصفوفات العلاقة، الصف الأول والعمود الأول منها عناصر مخصصة للمجموعات ، ويتم وضع عنصر عند تقاطع الصف والعمود (انظر الجدول 2.1).

الجدول 2.1.
			0,5	0,8
	0,7		0,6	0,3
		0,7		0,4

في حالة متى مجموعاتالمباراة، علاقة غامضةاتصل علاقة غامضة على المجموعة x.

في حالة المحدود أو المعدود مجموعات عالميةبديهي تفسير العلاقة الغامضةكما رسم بياني مرجح، حيث يتم توصيل كل زوج من القمم منه بحافة ذات وزن.

مثال. يترك و ، ثم غامض رسم بيانيهو مبين في الشكل. 2.1 ، يحدد بعض علاقة غامضة .

أرز. 2.1.

خصائص العلاقات الغامضة

أنواع مختلفة علاقات غامضةيتم تعريفها باستخدام خصائص مماثلة لتلك الخاصة بالعلاقات العادية ، ول علاقات غامضةيمكنك تحديد طرق مختلفة لتعميم هذه الخصائص.

1. انعكاسية:

2. ضعف الانعكاسية:

3. انعكاسية قوية:

4. مضاد الانعكاس:

5. ضعف الانعكاسية:

6. مضاد قوي للانعكاس:

7. تناظر:

8. عدم التناسق:

9. عدم التماثل:

10. الخطية القوية:

11. خطية ضعيفة:

12. عبورية:

توقعات العلاقات الغامضة

يلعب المفهوم دورًا مهمًا في نظرية المجموعات الغامضة توقعات العلاقة الغامضة. هيا نعطي تعريف إسقاطات علاقة ضبابية ثنائية.

يترك - وظيفة عضوية ذات علاقة غامضةفي . التوقعات والعلاقات على و- هو مجموعاتفي ومع وظيفة العضوية للنموذج

الإسقاط الشرطي للعلاقة الغامضة on ، للإصلاح التعسفي ، هي مجموعة ذات وظيفة عضوية للنموذج.

الشرط تنبؤعلى معطى:

يوضح هذا التعريف أن الإسقاطات ولا تؤثر على الإسقاطات الشرطية وعلى التوالي. دعونا نعطي المزيد تعريفالتي تأخذ في الاعتبار علاقتهم.

نشر على http:// www. موقع الكتروني. en/

وزارة التعليم والعلوم في روسيا

المؤسسة التعليمية لميزانية الدولة الفيدرالية للتعليم العالي

"جامعة ولاية فورونيج"

كلية الرياضيات التطبيقية والمعلوماتية والميكانيكا

عمل الدورة

38.03.05 معلوماتية الأعمال

في دورة "المنطق الضبابي والشبكات العصبية"

فورونيج 2016

الفصل 1

الفصل 2

يتمثل الجزء الأول من عمل الدورة التدريبية في بناء توقعات سعرية لأسهم "Mazut" لمدة 5 أيام مقدمًا.

يوضح الشكل 1 البيانات التي سيتم استخدامها للتنبؤ: LOW و CLOSE.

بعد ذلك ، تحتاج إلى تشغيل "الشبكات العصبية. في علامة التبويب "سريع" ، حدد نوع المهمة: "سلسلة زمنية" بعد ذلك ، حدد بيانات الإدخال والإخراج في علامة التبويب "المتغيرات". في عمل الدورة التدريبية ، سنقوم ببناء توقع لمتغير واحد "منخفض" ، سيكون متغير إدخال ومخرج. (الشكل 2).

ثم حدد الوحدة النمطية "ذكي حل المشكلات" ، انقر فوق "موافق" وفي النافذة التي تفتح ، قم بتعيين المعلمات اللازمة للتنبؤ.

في علامة التبويب "سريع" ، قمنا بتعيين عدد الشبكات التي سيتم تدريبها ("اختبار الشبكة") ، في هذا المثال ، سيتم تدريب 500 شبكة. في معلمة "الشبكة المحتجزة" ، اضبط 10 شبكات. هنا سيختار البرنامج أفضل 10 شبكات. (الشكل 3).

منطق غامض التنبؤ السعر

حدد علامة التبويب التالية "سلسلة زمنية" (الشكل 4). هنا نحدد عدد المدخلات للتنبؤ.

في علامة التبويب "التعليقات" ، حدد ما يلي: "شبكات محسّنة (في الوقت الفعلي)" وحدد المربعات في آخر معلمتين. هذا موضح في الشكل 5.

في علامة التبويب "الأنواع" ، حدد نوع الشبكة التي نحتاجها. نبني شبكات باستخدام تصورات متعددة الطبقات (الشكل 6). المعلمات التي نحتاجها: "ثلاث طبقات من الإدراك الحسي" و "أربع طبقات من الإدراك الحسي"

بعد تحديد جميع المعلمات ، اضغط على زر "موافق". بعد تحديد عملية بناء الشبكات ، تظهر نافذة ، في علامة التبويب "سريع" ، انقر فوق الزر "إحصائية وصفية" (الشكل 7).

تعرض النافذة التي تفتح الخصائص الكمية للشبكات المحددة. من الضروري تحليل النتائج التي تم الحصول عليها.

ما يهمنا هو معنى كلمة "S.D. نسبة"

هو الأكثر ملاءمة لأغراض المقارنة لأنه رقم بين 1 و 0 ولا يعتمد على الإشارة.

بعد تحليل هذه النتائج ، نختار الشبكات تحت الأرقام: 1،2،3،4،5. (الشكل 8)

في علامة التبويب "المخططات" ("المخططات") نقوم ببناء الرسوم البيانية للنماذج الخمسة المختارة. نختار الرسوم البيانية الأكثر نجاحًا. معيار الاختيار هو التناظر. من بين الشبكات الخمس المحددة ، هناك شبكتان (الشكل 9) و 3 شبكات (الشكل 10) تفي بشرط الرسوم البيانية.

ثم نختار نموذجين مرة أخرى وفي النافذة التي تفتح ، في معلمة "طول الإسقاط" ، حدد 5 ، وفي معلمة "الحالة" (هنا تحدد اليوم الذي تبدأ منه التوقعات 310) وهذا يعني أن التنبؤ ستتم قبل 5 أيام. اضغط على زر "جدول بيانات السلاسل الزمنية" (الشكل 11)

تفتح نافذة تعرض أسعار الأسهم من اليوم 310 إلى اليوم 314 وفقًا لنموذج شبكاتنا. نضيف عمودًا جديدًا NewVar ، حيث نقوم بنسخ الأسعار من جدولنا الأصلي (الشكل 12).

ثم نقوم ببناء الرسوم البيانية للنظر في التنبؤات التي تم تصميمها بواسطة الشبكات العصبية (الشكل 14). نرى أن الرسم البياني الذي أنشأته إحدى الشبكات العصبية يقع بالقرب من الشبكة الأصلية ويكرر تقريبًا تغييراته.

نظام "مجموعة من المبرمجين"

1. إدخال البيانات

· المعرفة بالانجليزية

·مهارات الحاسوب

الكثير من التعاريف -

مجموعة الشروط - (منخفضة ، متوسطة ، عالية)

· خبرة في العمل

الكثير من التعاريف -

مجموعة المصطلحات - (قليلة ، كافية ، كثيرة)

الكثير من التعاريف -

مصطلحات متعددة - (منخفض ، متوسط ​​، مرتفع ، مرتفع جدًا)

وثائق مماثلة

مفهوم وخصائص المتغير اللغوي وأنواعه. أساسيات نظرية التفكير التقريبي. أنظمة الاستدلال الغامض ذات متغيرات إدخال واحدة أو عدة متغيرات. مبادئ النمذجة الغامضة وحساب مستويات الحقيقة.

عرض تقديمي ، تمت إضافة 10/29/2013


ولادة الذكاء الاصطناعي. تاريخ تطور الشبكات العصبية ، البرمجة التطورية ، المنطق الضبابي. الخوارزميات الجينية وتطبيقها. الذكاء الاصطناعي والشبكات العصبية والبرمجة التطورية والمنطق الضبابي الآن.

الملخص ، تمت الإضافة في 01/22/2015


نماذج لتقييم الجدارة الائتمانية للأفراد في البنوك الروسية. الشبكات العصبية كطريقة لحل مشكلة التصنيف. وصف ميزات برنامج STATISTICA 8 Neural Networks. الخصائص العامة للمراحل الرئيسية لنمذجة الشبكة العصبية.

أطروحة تمت إضافة 10/21/2013


تقنيات حل المشكلات باستخدام الشبكات العصبية في حزم أدوات الشبكات العصبية Neural Networks Toolbox و Simulink extension. إنشاء هذا النوع من الشبكات وتحليل سيناريو التكوين ودرجة مصداقية نتائج الحسابات على مصفوفة اختبار لمتجهات المدخلات.

العمل المخبري ، تمت الإضافة 05/20/2013


المراحل الرئيسية لأنظمة الاستدلال الغامض. قواعد الإنتاج الضبابية المستخدمة فيها. جمل لغوية غامضة. تعريف خوارزميات تسوكاموتو ، لارسن ، سوجينو. تنفيذ استدلال ممداني الغامض على مثال إشارة مرور في الشارع.

ورقة مصطلح ، تمت الإضافة في 07/14/2012


طرق وأنظمة وأنواع وطرق القياسات في الأنظمة الآلية للأمن الطبي في النقل. تصميم خوارزمية غامضة للفحوصات الطبية قبل الرحلة بناءً على شبكة تكيفية من الاستدلال العصبي الغامض.

أطروحة تمت الإضافة في 05/06/2011


مفهوم الشبكات العصبية والموازيات من علم الأحياء. النموذج الاصطناعي الأساسي وخصائص وتطبيق الشبكات. تصنيف وهيكل ومبادئ التشغيل وجمع البيانات للشبكة. استخدام حزمة ST Neural Networks للتعرف على المتغيرات المهمة.

الملخص ، تمت الإضافة 16/02/2015


حل مشكلة تقريب السطح باستخدام نظام الاستدلال الغامض. تعريف متغيرات المدخلات والمخرجات وشروطها ؛ خوارزمية سوجينو. اختيار وظائف العضوية ، وبناء قاعدة من القواعد اللازمة لربط متغيرات الإدخال والإخراج.

ورقة مصطلح ، تمت إضافة 2014/05/31


خصائص نماذج التعلم. معلومات عامة عن العصبون. الشبكات العصبية الاصطناعية ، بيرسبترون. مشكلة XOR وطرق حلها. عودة الشبكات العصبية. إعداد بيانات الإدخال والإخراج. شبكات هوبفيلد وهامينج العصبية.

الاختبار ، تمت إضافة 01/28/2011


النظام الفكري هو نظام تقني أو برمجي يحل المشكلات التي تعتبر إبداعية وتنتمي إلى مجال موضوع معين. تحليل نظام الاستدلال الغامض. الإلمام ببيئة برمجة FuzzyTECH.

بينما كان المهندسون في مجال التحكم الآلي ينتقلون من تقنيات التحكم الكهروميكانيكية والتناظرية التقليدية إلى أنظمة التحكم الميكاترونيك الرقمية التي تدمج التحليل المحوسب وخوارزميات القرار ، فإن تقنيات الكمبيوتر الجديدة تلوح في الأفق والتي يمكن أن تسبب تغييرات أكثر أهمية. لقد وجدت الشبكات العصبية والمنطق الضبابي بالفعل تطبيقًا واسعًا وستتمكن قريبًا من تغيير طريقة بناء وبرمجة أنظمة التحكم الآلي.

تمتلك أجهزة الكمبيوتر التقليدية بنية فون نيومان ، والتي تعتمد على المعالجة المتسلسلة وتنفيذ التعليمات المعطاة صراحة. تُبنى الشبكات العصبية الاصطناعية (ANN) على أساس بنية مختلفة. يتم تجميعها من وحدات معالج بسيطة للغاية مدمجة في نظام بمستوى عالٍ من التوازي. ينفذ هذا النظام أوامر ضمنية بناءً على التعرف على الأنماط على مدخلات البيانات من مصادر خارجية.

المنطق الضبابي يقلب الأفكار التقليدية رأسًا على عقب. بدلاً من القياسات الدقيقة التي تحدد موضع الكمية على مقياس محدد مسبقًا (على سبيل المثال ، "درجة الحرارة 23 درجة مئوية") ، تشير المعلومات الغامضة إلى درجة العضوية في مجموعات متداخلة محددة بشكل غامض ("على الجانب الأكثر برودة من الدفء").

تعريفات

أجهزة الكمبيوتر (أو بشكل أكثر دقة "آلات الاستدلال") التي تستخدم هذه المفاهيم قادرة على حل المشكلات المعقدة التي لا تستطيع أنظمة التحكم التقليدية التعامل معها.

الشبكة العصبية الاصطناعية (ANN) ، وفقًا لويكيبيديا ، هي "مجموعة مترابطة من" الخلايا العصبية "الاصطناعية التي تستخدم نموذجًا رياضيًا أو حسابيًا لمعالجة المعلومات بناءً على اتصال الحسابات."

في معظم الحالات ، تعد ANN نظامًا تكيفيًا يغير هيكلها تحت تأثير المعلومات الخارجية أو الداخلية التي تمر عبر الشبكة. بدلاً من حساب النتائج الرقمية من المدخلات العددية ، تصمم الشبكات العصبية الاصطناعية العلاقات المعقدة بين المدخلات والمخرجات ، أو تكتشف الأنماط في البيانات.

العقد الأولية (تسمى أيضًا "الخلايا العصبية" أو "العصبونات" أو "عناصر المعالجة" أو "الكتل") متصلة ببعضها البعض وتشكل شبكة من العقد. ينبع التأثير المفيد لاستخدامها من القدرة على تنفيذ خوارزميات الاستدلال التي تغير نقاط القوة أو أوزان اتصالات الشبكة للحصول على تدفق الإشارة المطلوب.

في مثال الشبكة العصبية الاصطناعية هذا ، يعتمد المتغير h ، الذي يمثل متجهًا ثلاثي الأبعاد ، على متغير الإدخال x. بعد ذلك ، g ، متغير متجه ثنائي الأبعاد ، يعتمد على h ، وأخيرًا ، يعتمد متغير الإخراج f على g.

الأمر الأكثر إثارة للاهتمام هو إمكانية التعلم ، والتي تعني عمليًا تحسين قيمة معينة ، تسمى غالبًا "التكلفة" ، والتي توضح صحة النتيجة في سياق المشكلة التي يتم حلها.

على سبيل المثال ، السعر في مشكلة بائع السفر الكلاسيكي هو الوقت اللازم للتنقل في جميع أنحاء منطقة التداول تمامًا ، والتوقف عند جميع النقاط المطلوبة والوصول إلى نقطة البداية. الطريق الأقصر يعطي حلاً أفضل.

لحل هذه المشكلة ، يجب على أجهزة كمبيوتر von Neumann إنشاء جميع المسارات الممكنة ، ثم التحقق من كل مسار بدوره ، مع إضافة التأخيرات الزمنية لتحديد إجمالي التأخير لهذا المسار. بعد حساب مجاميع جميع المسارات الممكنة ، يختار الكمبيوتر ببساطة أقصر واحد.

في المقابل ، تنظر شبكات ANN في جميع المسارات بالتوازي للعثور على التكوينات التي تقلل من إجمالي وقت المسار. يؤدي استخدام هذه التكوينات إلى تقليل المسار الناتج. يتكون التعلم من تحديد التكوينات التي توفر ، بناءً على الخبرة السابقة ، استراتيجيات تحسين المسار.

المنطق الضبابي (مرة أخرى وفقًا لـ Wikipedia) مشتق من نظرية المجموعة الغامضة التي تتعامل مع التفكير الأكثر تقريبية من الدقة. تظهر الحقيقة في المنطق الضبابي التي تنتمي إلى مجموعات محددة ضبابية. في المنطق الضبابي ، يمكن اتخاذ القرارات بناءً على خصائص محددة بشكل غامض ، ولكنها مع ذلك مهمة للغاية. يسمح المنطق الضبابي بتغيير قيم العضوية في النطاق من 0 إلى 1 شاملاً ، فضلاً عن استخدام مفاهيم غامضة مثل "القليل" و "إلى حد ما" و "كثيرًا". يسمح لك هذا بطريقة خاصة بتنفيذ عضوية جزئية في المجموعة.

يمكن وصف التطبيق الرئيسي بالنطاقات الفرعية للمتغير المستمر. على سبيل المثال ، قد يكون لنطاق درجة حرارة نظام الفرامل المانعة للانغلاق العديد من وظائف العضوية المنفصلة التي تحدد نطاقات درجة الحرارة اللازمة للتحكم المناسب في الفرامل. تعرض كل وظيفة ما إذا كانت قيمة درجة الحرارة تنتمي إلى قيمة الحقيقة في النطاق من 0 إلى 1. يمكن بعد ذلك استخدام قيم الحقيقة هذه لتحديد كيفية التحكم في نظام الفرامل.

منطق ضبابي سريع للتحكم في الوقت الحقيقي على الرغم من حقيقة أن أي متحكم أو جهاز كمبيوتر يمكنه تنفيذ خوارزميات منطقية ضبابية في البرنامج ، فقد يكون هذا غير فعال بسبب الأداء المنخفض والحاجة إلى قدر كبير من الذاكرة. يقول Jim Sibigtroth ، مهندس أنظمة السيارات لوحدات التحكم الدقيقة في النقل والميكروكونترولر لأشباه الموصلات Freescale ، إن وحدات التحكم الدقيقة HC12 و HCS12 في الشركة تقوم بذلك بشكل فعال للغاية عن طريق إضافة أربعة تعليمات مصممة خصيصًا لتنفيذ الأجزاء الأساسية لمحرك الاستدلال الضبابي. "البرنامج الرئيسي لمحرك الاستدلال العالمي الذي يتعامل مع القواعد غير الموزونة يأخذ ما يقرب من 57 بايت من كود الكائن (حوالي 24 سطرًا من كود التجميع) ،" كما يقول. يلاحظ Sibigtroth أن نموذج HCS12 25 ميجاهرتز يمكن أن يكمل تسلسل إخراج كامل لمدخلين ومخرج واحد مع سبعة تسميات لكل مدخل ومخرج في حوالي 20 ثانية. سيستغرق برنامج مكافئ لـ MC68HC11 8 ميجا هرتز (بدون أوامر منطقية غامضة) حوالي 250 بايت من رمز الكائن وحوالي 750 ميكرو ثانية من الوقت. حتى إذا كان بإمكان MC68HC11 معالجة البرنامج بنفس سرعة HCS12 ، فإن تعليمات المنطق الضبابي تقلل البرنامج بمعامل 4 وتقليل وقت التنفيذ بمقدار 12 ضعفًا. تسمح فترات التعرف القصيرة هذه باستخدام خوارزميات منطقية ضبابية في أنظمة التحكم في الوقت الفعلي بدون معدات كمبيوتر باهظة الثمن أو برامج كبيرة.

معالجة الصورة

بمساعدة اتخاذ القرار في ANN على أساس منطق غامض ، يمكنك إنشاء نظام تحكم قوي. من الواضح أن هذين المفهومين يعملان جيدًا معًا: يمكن تطبيق خوارزمية الاستدلال مع ثلاث حالات غامضة (مثل بارد ودافئ وساخن) في الأجهزة باستخدام قيم الحقيقة (0.8 ، 0.2 ، 0.0) كقيم إدخال للخلايا العصبية الثلاثة ، كل منها يمثل واحدة من ثلاث مجموعات. تعالج كل خلية عصبية قيمة الإدخال وفقًا لوظيفتها وتتلقى قيمة الإخراج ، والتي ستكون بعد ذلك قيمة الإدخال للطبقة الثانية من الخلايا العصبية ، وما إلى ذلك.

على سبيل المثال ، يمكن للحاسوب العصبي لمعالجة الصور إزالة العديد من القيود على تسجيل الفيديو والإضاءة وإعدادات الأجهزة. تصبح هذه الدرجة من الحرية ممكنة بسبب حقيقة أن الشبكة العصبية تسمح لك ببناء آلية التعرف من خلال فحص الأمثلة. نتيجة لذلك ، يمكن تدريب النظام على التعرف على المنتجات الجيدة والمعيبة في الإضاءة القوية والمنخفضة ، عندما تكون موجودة في زوايا مختلفة ، إلخ. يبدأ محرك الاستدلال "بتقييم" ظروف الإضاءة (بمعنى آخر ، تحديد درجة التشابه مع ظروف الإضاءة الأخرى التي يعرف النظام كيفية التصرف بموجبها). ثم يتخذ النظام قرارًا بشأن محتوى الصورة باستخدام معايير تستند إلى ظروف الإضاءة المحددة. نظرًا لأن النظام يتعامل مع ظروف الإضاءة على أنها مفاهيم ضبابية ، فإن محرك الاستدلال يحدد بسهولة الظروف الجديدة من الأمثلة المعروفة.

كلما زاد عدد الأمثلة التي يتعلمها النظام ، زادت خبرة محرك معالجة الصور. يمكن أتمتة عملية التعلم هذه بسهولة تامة ، على سبيل المثال ، عن طريق الفرز المسبق في مجموعات من الأجزاء ذات الخصائص المتشابهة للتعلم في مجالات التشابه والاختلاف. يمكن بعد ذلك أن توفر أوجه التشابه والاختلاف الملحوظة هذه معلومات إلى ANN ، التي تتمثل مهمتها في فرز الأجزاء الواردة في هذه الفئات. وبالتالي ، فإن نجاح النظام لا يعتمد على تكلفة المعدات ، ولكن على عدد الصور المطلوبة للتدريب وبناء محرك استدلال موثوق.

يعد الكمبيوتر العصبي للتصوير مناسبًا للتطبيقات التي يعتمد فيها التشخيص على خبرة المشغل وخبرته بدلاً من النماذج والخوارزميات. يمكن للمعالج بناء آلية التعرف من التعليقات البسيطة على الصورة التي أدلى بها المشغل ، ثم استخراج الميزات أو ناقلات الميزات من الكائنات المزودة بالتعليقات وتمريرها إلى الشبكة العصبية. يمكن أن تكون متجهات الميزة التي تصف الكائنات المرئية بسيطة مثل قيم صف البكسل أو الرسم البياني أو توزيع الكثافة أو ملفات تعريف توزيع الكثافة أو التدرجات على طول المحاور المعنية. قد تتضمن الميزات الأكثر تعقيدًا عناصر التحويل المويج وتحويل فورييه السريع.

التعميمات

بعد التعلم من الأمثلة ، تكون الشبكة العصبية قادرة على التعميم ويمكنها تصنيف المواقف التي لم تتم ملاحظتها من قبل ، وربطها بمواقف مماثلة من الأمثلة. من ناحية أخرى ، إذا كان النظام عرضة للحرية المفرطة وتعميم المواقف ، فيمكن تصحيح سلوكه في أي وقت من خلال تعلم الأمثلة المضادة.

من وجهة نظر الشبكة العصبية ، تهدف هذه العملية إلى تقليل مناطق تأثير الخلايا العصبية الموجودة لمطابقة الأمثلة الجديدة التي تتعارض مع التعيين الحالي لمساحة القرار.

عامل مهم في تحديد قبول الشبكات العصبية الاصطناعية هو التعلم المستقل والتكيفي. هذا يعني أن الجهاز يجب أن يكون قادرًا على دراسة الكائن بأقل تدخل من المشغل أو بدون تدخل. في المستقبل ، على سبيل المثال ، يمكن للدمى التعرف على وجه الطفل الذي يفتحها للمرة الأولى ويسأل عن اسمه. يمكن أن يكون التعلم الذاتي للهاتف الخلوي هو دراسة بصمة مالكه الأول. يمكن أيضًا تحسين تحديد هوية المالك من خلال الجمع بين التعرف على الوجه وبصمات الأصابع والكلام في جهاز واحد.

في بيئة التعلم الذاتي ، يجب أن يبني الجهاز محرك التعرف الخاص به والذي سيعمل بشكل أفضل في بيئة عمله. على سبيل المثال ، يجب أن تتعرف الدمية الذكية على مالكها الأصلي بغض النظر عن لون شعرها وجلدها أو الموقع أو الموسم.

في البداية ، يجب أن يستخدم المحرك جميع تقنيات استخراج الميزات التي يعرفها. سيؤدي ذلك إلى تكوين عدد من الآليات الوسيطة ، كل منها مصمم لتحديد نفس فئات الكائنات ، ولكن بناءً على ملاحظة الميزات المختلفة (اللون ، التحبب ، التباين ، سمك الحدود ، إلخ). يمكن للمحرك الكلي بعد ذلك تقييم أداء المحركات الوسيطة ، واختيار المحركات التي تقدم أفضل أداء و / أو دقة.

مثال على فرز الأسماك

تقوم شركة PiscesVMK بتصنيع معدات معالجة الأسماك على متن السفن وفي المصانع الساحلية. عملاء الشركة هم سفن تجهيز الأسماك التي تقوم بالصيد على مدار العام لأنواع مختلفة من الأسماك في بحر الشمال والمحيط الأطلسي. يرغب هؤلاء المستهلكون في ملء حواجزهم بأسرع ما يمكن بأعلى جودة مع أقل عدد ممكن من العمال.

عادة ، يتم إحضار الأسماك على متن السفينة بشباك وتفريغها في حاويات على ناقل ينقلها من خلال آلات التنظيف والتقطيع والتقطيع. تشمل الانحرافات المحتملة الصنف الخطأ ، والأسماك التالفة ، ووجود أكثر من سمكة في الخزان ، وعدم وضعها بشكل صحيح قبل الدخول إلى آلة التقطيع. إن تنفيذ مثل هذا التحكم بالوسائل التقليدية لمعالجة الصور أمر صعب ، حيث يصعب وصف الأبعاد والشكل والحجم رياضيًا. بالإضافة إلى ذلك ، قد تختلف هذه المعلمات حسب مكان الإبحار والموسم.

قام برج الحوت بتركيب أكثر من 20 نظامًا يعتمد على كاميرا Matrox الذكية Iris ومحرك التعرف على CogniSight من General Vision. يتم تثبيت الكاميرا فوق الناقل بحيث تمر السمكة تحته قبل دخول آلة الحشو مباشرة. الكاميرا متصلة بوحدة تحكم Siemens Simatic S7-224 (PLC) وبشبكة محلية (LAN). يتم تثبيت مصدر ضوء اصطرابي بجانب الكاميرا في كل مرة تظهر فيها حاوية جديدة. يعد توصيل الكاميرا بالشبكة المحلية أمرًا ضروريًا لإجراء ثلاث عمليات: ضبط محول الطاقة لضمان التركيز والتباين المناسب للصورة ، وتعلم محرك التعرف ، والوصول إلى الإحصائيات التي تبلغ باستمرار عن عدد الأسماك المكيفة وغير المكيفة.

يحدث ضبط محول الطاقة مرة واحدة فقط أثناء تركيب الكاميرا في علبة مقاومة للماء. يتم التدريب في بداية كل سباحة مع عينات الأسماك من الصيد الأول أو عن طريق تحميل ملف موجود.

بمجرد أن تتلقى الكاميرا قاعدة المعرفة ، يمكنها البدء في التعرف على الأسماك بشكل مستقل ، دون الاتصال بجهاز كمبيوتر. يفرزها INS إلى فئات "مقبولة" ، "مرفوضة" ، "للمعالجة" أو "فارغة". تذهب هذه الإشارة إلى PLC الذي يتحكم في فرشتين توجه الأسماك المناسبة إلى الصناديق للإزالة أو المعالجة. يتم توصيل PLC أيضًا بجهاز استشعار مغناطيسي يولد إشارة إطلاق في كل مرة تمر فيها حاوية أسماك أسفل الحجرة.

قام برج الحوت الآن بتركيب أكثر من 20 نظامًا على 5 أساطيل صيد مختلفة في النرويج وأيسلندا واسكتلندا والدنمارك. يقدر النظام سعة ناقل تبلغ 360 درجة في الدقيقة على خطوط الرنجة ، ولكن يمكن تشغيله بشكل أسرع.

بالنسبة لشبكة مكونة من 80 خلية عصبية ، تم تحقيق دقة 98٪ في تصنيف 16 طنًا من الأسماك. يشعر الصيادون بالرضا عن النظام نظرًا لموثوقيته ومرونته وسهولة استخدامه. الفوائد: تقليل وقت الإبحار ، وزيادة جودة الصيد والدخل المشترك بين عدد أقل من الصيادين.

في أدوات التصنيع المنفصلة ، وجدت الشبكات العصبية تطبيقًا في التحكم في السيارة ، والتعرف على الأنماط في أنظمة الرادار ، والتعرف على الشخصية ، والتعرف على الأشياء ، والكتابة اليدوية ، والإيماءات والكلام.

يتم استخدام المنطق الضبابي بالفعل للتحكم في السيارة والأنظمة الفرعية الأخرى للمركبة مثل ABS والتحكم في التطواف ، بالإضافة إلى تكييف الهواء والكاميرات والتصوير الرقمي ولعبة الكمبيوتر AI والتعرف على الأنماط في أنظمة الاستشعار عن بعد.

كما يتم استخدام تقنيات "الحوسبة اللينة" المماثلة لإنشاء أجهزة شحن موثوقة لبطاريات أجهزة التنفس. في الصناعات المستمرة والدُفعية ، يعد المنطق الضبابي والشبكات العصبية أساس بعض وحدات التحكم في الضبط الذاتي. تم تحسين بعض وحدات التحكم الدقيقة والمعالجات الدقيقة لمنطق ضبابي بحيث يمكن للأنظمة العمل بشكل أسرع (راجع "المنطق الضبابي السريع للتحكم في الوقت الفعلي" أدناه).

مثال "شاي ساخن" X \ u003d 0 C ؛ C \ u003d 0/0 ؛ 0/10 ؛ 0/20 ؛ 0.15 / 30 ؛ 0.30 / 40 ؛ 0.60 / 50 ؛ 0.80 / 60 ؛ 0 ، 90/70 ؛ 1 / 80 ؛ 1/90 ؛ 1/100.

تقاطع مجموعتين غامضتين (Fuzzy "AND"): MF AB (x) = min (MF A (x)، MF B (x)). اتحاد مجموعتين غامضتين (غامض "OR"): MF AB (x) = max (MF A (x)، MF B (x)).

وفقًا لطفي زاده ، المتغير اللغوي هو متغير تكون قيمه كلمات أو جمل من لغة طبيعية أو اصطناعية. يمكن أن تكون قيم المتغير اللغوي متغيرات غامضة ، أي المتغير اللغوي في مستوى أعلى من المتغير الغامض.

يتكون كل متغير لغوي من: اسم؛ مجموعة قيمها ، والتي تسمى أيضًا مجموعة المصطلح الأساسي T. عناصر مجموعة المصطلح الأساسي هي أسماء المتغيرات الضبابية ؛ مجموعة عالمية X ؛ قاعدة نحوية G ، والتي بموجبها يتم إنشاء مصطلحات جديدة باستخدام كلمات من لغة طبيعية أو رسمية ؛ القاعدة الدلالية P ، التي تربط كل قيمة لمتغير لغوي بمجموعة فرعية ضبابية من المجموعة X.

وصف المتغير اللغوي "سعر السهم" X = مجموعة المصطلحات الأساسية: "منخفض" ، "متوسط" ، "مرتفع"

وصف المتغير اللغوي "العمر"

"الحوسبة اللينة" (الحوسبة اللينة) المنطق الضبابي ، الشبكات العصبية الاصطناعية ، التفكير الاحتمالي ، الخوارزميات التطورية

بناء الشبكة (بعد اختيار متغيرات الإدخال) حدد التكوين الأولي للشبكة قم بإجراء سلسلة من التجارب بتكوينات مختلفة ، مع تذكر أفضل شبكة (بمعنى خطأ التحكم). لكل تكوين ، يجب إجراء العديد من التجارب. إذا لوحظ عدم ملاءمة في التجربة التالية (لم تنتج الشبكة نتيجة جودة مقبولة) ، فحاول إضافة خلايا عصبية إضافية إلى الطبقة (الطبقات) الوسيطة. إذا لم يساعد ذلك ، فحاول إضافة طبقة وسيطة جديدة. إذا كان هناك فرط في التجهيز (بدأ خطأ التحكم في النمو) ، فحاول إزالة بعض العناصر المخفية (وربما الطبقات).

مشاكل التنقيب في البيانات التي تم حلها باستخدام تصنيف الشبكات العصبية (التعلم الخاضع للإشراف) التوقع العنقودي (التعلم غير الخاضع للإشراف) التعرف على النص والتعرف على الكلام وتحديد الشخصية العثور على أفضل تقريب لوظيفة تعطى من خلال مجموعة محدودة من قيم الإدخال (أمثلة التدريب مهمة الضغط المعلومات عن طريق تقليل أبعاد البيانات

مهمة "اصدار قرض لعميل" في الحزمة التحليلية Deductor (BaseGroup)؟ - شقة ، - مساحة الشقة. من الضروري بناء نموذج يكون قادرًا على الإجابة عما إذا كان العميل الذي يريد الحصول على قرض في مجموعة مخاطر التخلف عن سداد القرض ، أي يجب أن يتلقى المستخدم إجابة على السؤال "هل يجب أن أقوم بإصدار قرض؟" تنتمي المهمة إلى مجموعة مهام التصنيف ، أي التعلم مع المعلم.

أنظمة المنطق الضبابي) يمكن أن تعمل بمعلومات نوعية غير دقيقة وتشرح القرارات المتخذة ، لكنها غير قادرة على تعلم قواعد اشتقاقها تلقائيًا. ونتيجة لذلك ، فإن تعاونهم مع أنظمة معالجة المعلومات الأخرى أمر مرغوب فيه للغاية للتغلب على هذا النقص. تُستخدم هذه الأنظمة الآن بنشاط في مجالات مختلفة ، مثل التحكم في العمليات ، والهندسة ، والعمليات المالية ، وتقييم الجدارة الائتمانية ، والتشخيص الطبي ، وما إلى ذلك ، تُستخدم الشبكات العصبية هنا لضبط وظائف العضوية لأنظمة اتخاذ القرار الضبابية. هذه القدرة مهمة بشكل خاص في حل المشكلات الاقتصادية والمالية ، نظرًا لطبيعتها الديناميكية ، يجب أن تتكيف وظائف العضوية حتمًا مع الظروف المتغيرة.

بينما يمكن استخدام المنطق الضبابي بشكل صريح لتمثيل معرفة الخبراء بقواعد لـ المتغيرات اللغويةعادة ما يستغرق الأمر وقتًا طويلاً جدًا لإنشاء وضبط وظائف العضوية التي تحدد هذه المتغيرات. تعمل طرق تدريب الشبكة العصبية على أتمتة هذه العملية وتقليل وقت التطوير وتكاليفه بشكل كبير ، مع تحسين معلمات النظام. تسمى الأنظمة التي تستخدم الشبكات العصبية لتحديد معلمات النماذج الضبابية بالأنظمة العصبية الضبابية. إن أهم خاصية لهذه الأنظمة هي قابليتها للتفسير من حيث قواعد "الشرط".

تسمى هذه الأنظمة أيضًا أنظمة ضبابية عصبية تعاونية وتعارض الأنظمة العصبية الضبابية التنافسية التي تعمل فيها الشبكات العصبية والأنظمة الضبابية معًا لحل نفس المشكلة دون التفاعل مع بعضها البعض. في هذه الحالة ، عادةً ما تُستخدم الشبكة العصبية للمعالجة المسبقة للمدخلات أو للمعالجة اللاحقة لمخرجات نظام ضبابي.

بالإضافة إلى ذلك ، هناك أيضًا أنظمة عصبية غامضة. هذا هو اسم الشبكات العصبية التي تستخدم أساليب غامضة لتسريع التعلم وتحسين أدائها. يمكن تحقيق ذلك ، على سبيل المثال ، باستخدام قواعد غامضة لتغيير معدل التعلم أو عن طريق التفكير في الشبكات العصبية ذات قيم الإدخال الضبابية.

هناك طريقتان رئيسيتان للتحكم في معدل التعلم للمدرك طريقة الانتشار العكسي. في الحالة الأولى ، ينخفض ​​هذا المعدل بشكل متزامن ومنتظم لجميع الخلايا العصبية للشبكة ، اعتمادًا على معيار عالمي واحد - خطأ الجذر التربيعي المحقق في طبقة الإخراج. في الوقت نفسه ، تتعلم الشبكة بسرعة في المرحلة الأولى من التدريب وتتجنب تذبذبات الخطأ في المرحلة اللاحقة. في الحالة الثانية ، يتم تقييم التغييرات في الاتصالات العصبية الفردية. إذا كانت الزيادة في الاتصالات في خطوتَي التعلم التاليتين لها إشارة معاكسة ، فمن المعقول تقليل المعدل المحلي المقابل ؛ وإلا ، يجب زيادتها. يمكن أن يوفر استخدام القواعد الغامضة تحكمًا أكثر دقة في المعدل المحلي لتعديل الارتباط. على وجه الخصوص ، يمكن تحقيق ذلك إذا تم استخدام القيم المتتالية لتدرجات الخطأ كمعلمات إدخال لهذه القواعد. قد يبدو جدول القواعد المقابلة كما يلي:

الجدول 11.4. قاعدة ضبابية لتكييف معدل التعلم للشبكة العصبية

التدرج السابق	التدرج الحالي
	ملحوظة	NS	ض	ملاحظة	PB
ملحوظة	PB	ملاحظة	ض	NS	ملحوظة
NS	NS	ملاحظة	ض	NS	ملحوظة
ض	ملحوظة	NS	ض	NS	ملحوظة
ملاحظة	ملحوظة	NS	ض	ملاحظة	NS
PB	ملحوظة	NS	ض	ملاحظة	PB

تأخذ المتغيرات اللغوية معدل التعلم والتدرج القيم التالية في قاعدة التكيف الغامض الموضحة في الجدول: ملحوظة - سلبية كبيرة ؛ NS - سلبي صغير ؛ Z - قريب من الصفر ؛ PS - إيجابي صغير ؛ PB - إيجابية كبيرة.

أخيرًا ، في الأنظمة الضبابية العصبية الهجينة الحديثة ، يتم دمج الشبكات العصبية والنماذج الضبابية في بنية واحدة متجانسة. يمكن تفسير هذه الأنظمة إما على أنها شبكات عصبية ذات معلمات ضبابية أو أنظمة ضبابية موزعة متوازية.

عناصر المنطق الضبابي

المفهوم المركزي للمنطق الضبابي هو المفهوم متغير لغوي. وفقًا لطفي زاده ، المتغير اللغوي هو متغير تكون قيمه كلمات أو جمل من لغة طبيعية أو اصطناعية. مثال على المتغير اللغوي هو ، على سبيل المثال ، انخفاض في الإنتاج إذا كان يأخذ قيمًا لغوية ، مثل الإهمال والملاحظة والمهمة والكارثية ، على سبيل المثال. من الواضح أن المعاني اللغوية لا تميز الموقف الحالي بوضوح. على سبيل المثال ، يمكن اعتبار انخفاض الإنتاج بنسبة 3٪ على أنه غير مهم إلى حد ما ويمكن ملاحظته إلى حد ما. من الواضح بشكل بديهي أن المقياس القائل بأن سقوطًا معينًا كارثيًا يجب أن يكون صغيرًا جدًا.