GirişSinir ağları ve bulanık mantığın karşılaştırılması. Yapay zekanın matematiksel yöntemleri ve modelleri: bulanık mantık, genetik algoritmalar, sinir ağları vb.
Bulanık mantık ve sinir ağları
giriiş
Bulanık mantık- İlk olarak 1965 yılında Lotfi Zadeh tarafından herhangi bir değer alan bir kümeye bir elemanın üyelik fonksiyonuna sahip bir nesne olarak tanıtılan, bulanık küme kavramına dayanan klasik mantık ve küme teorisinin bir genellemesi olan matematik dalı aralıkta ve sadece 0 veya 1 değil. Bu kavram temelinde, bulanık kümeler üzerinde çeşitli mantıksal işlemler tanıtılır ve değerleri bulanık kümeler olan dilsel bir değişken kavramı formüle edilir.
Bulanık mantığın konusu, genel anlamdaki muhakemeye benzer bulanıklık, bulanıklık koşulları altında muhakemenin incelenmesi ve bunların bilgisayar sistemlerinde uygulanmasıdır.
Bulanık mantık araştırmasının yönleri
Şu anda, bulanık mantık alanında en az iki ana araştırma alanı bulunmaktadır:
Geniş anlamda bulanık mantık (yaklaşık hesaplamalar teorisi);
Dar anlamda bulanık mantık (sembolik bulanık mantık).
Sembolik Bulanık Mantık
Sembolik bulanık mantık kavramına dayanmaktadır. t-normları. Belirli bir t-norm seçtikten sonra (ve birkaç farklı şekilde tanıtılabilir), önerme değişkenleri üzerindeki temel işlemleri tanımlamak mümkün hale gelir: bağlaç, ayrılma, ima, olumsuzlama ve diğerleri.
Sadece Gödel t-normunun t-norm olarak seçilmesi durumunda klasik mantıkta mevcut olan dağılabilirliğin sağlandığı teoremi kanıtlamak kolaydır.
Ek olarak, belirli nedenlerden dolayı, residium adı verilen işlem çoğunlukla bir ima olarak seçilir (genel olarak konuşursak, aynı zamanda t-normunun seçimine de bağlıdır).
Yukarıda listelenen temel işlemlerin tanımı, klasik Boolean değerli mantıkla (daha doğrusu önermeler hesabıyla) çok ortak noktası olan temel bulanık mantığın resmi bir tanımına yol açar.
Üç ana temel bulanık mantık vardır: Lukasiewicz'in mantığı, Gödel'in mantığı ve ürün mantığı. İlginç bir şekilde, yukarıda listelenen üç mantıktan herhangi ikisinin birleşimi, klasik Boolean değerli mantığa yol açar.
karakteristik fonksiyon
Bir akıl yürütme uzayı ve belirli bir üyelik fonksiyonu için 
bulanık küme şu şekilde tanımlanır
Üyelik fonksiyonu, muhakeme uzayının temel kümesinin elemanlarının bulanık kümeye aitliğini nicel olarak derecelendirir. Değer, öğenin bulanık kümeye dahil olmadığı anlamına gelir, tam olarak dahil edilen öğeyi tanımlar. Bulanık dahil edilen öğeler arasındaki ve bunları karakterize eden değerler.
Bulanık küme ve klasik, net ( gevrek) bir çok
Bulanık küme örnekleri
1. İzin ver E = {0, 1, 2, . . ., 10}, M =. Bulanık küme "Birkaç" aşağıdaki gibi tanımlanabilir:
"Birkaç" = 0,5/3 + 0,8/4 + 1/5 + 1/6 + 0,8/7 + 0,5/8; özellikleri: yükseklik = 1, taşıyıcı = {3, 4, 5, 6, 7, 8}, geçiş noktaları - {3, 8}.
2. İzin ver E = {0, 1, 2, 3,…, n,… ). Bulanık küme "Küçük" tanımlanabilir:
3. İzin ver E= (1, 2, 3, . . ., 100) ve "Yaş" kavramına karşılık gelir, daha sonra bulanık küme "Genç" kullanılarak tanımlanabilir
Evrensel kümede bulanık küme "Genç" E"= (IVANOV, PETROV, SIDOROV,...) üyelik fonksiyonu tarafından verilir μ Genç ( x) üzerinde E =(1, 2, 3, . . ., 100) (yaş), ilgili olarak çağrılır E" uyumluluk işlevi:
nerede X- SIDOROV'un yaşı.
4. İzin ver E\u003d (ZAPOROZHETS, ZHIGULI, MERCEDES, ...) bir dizi otomobil markasıdır ve E"= - evrensel "Maliyet" seti, ardından E" bulanık kümeleri şu şekilde tanımlayabiliriz:
Pirinç. 1.1. Üyelik işlevi örnekleri
"Yoksullar için", "Orta sınıf için", "Prestijli", Şek. 1.1.
Bu işlevlere sahip olmak ve arabaların maliyetini bilmek E zaman içinde belirli bir noktada, böylece belirliyoruz E" Aynı isimli bulanık kümeler.
Örneğin, evrensel kümede verilen "Yoksullar için" bulanık küme E =(ZAPORIZHETZ, ZHIGULI, MERCEDES,...), şek. 1.2.
Pirinç. 1.2. Bulanık küme belirlemeye bir örnek
Benzer şekilde, "Yüksek hız", "Orta", "Düşük hız" vb. bulanık kümeyi tanımlayabilirsiniz.
5. İzin ver E- tamsayılar kümesi:
E= {-8, -5, -3, 0, 1, 2, 4, 6, 9}.
Daha sonra, mutlak değerde sıfıra yakın bir bulanık sayı alt kümesi, örneğin aşağıdaki gibi tanımlanabilir:
bir ={0/-8 + 0,5/-5 + 0,6/-3 +1/0 + 0,9/1 + 0,8/2 + 0,6/4 + 0,3/6 + 0/9}.
Boole işlemleri
Dahil etme.İzin vermek ANCAK ve AT- evrensel kümedeki bulanık kümeler E.öyle diyorlar ANCAK içerdiği AT, eğer
Tanım: ANCAK⊂ AT.
Terim bazen kullanılır egemenlik,şunlar. ne zaman olursa olsun ANCAK⊂ AT,öyle diyorlar AT hakim ANCAK.
eşitlik. A ve B eşittir eğer
Tanım: A = B.
İlave.İzin vermek M = , ANCAK ve ATüzerinde tanımlanan bulanık kümelerdir. E.A. ve AT birbirini tamamlarsa
Tanım:
bariz ki 
(ek için tanımlı M= , ancak herhangi bir sıralı için tanımlanabileceği açıktır. M).
kavşak. ANCAK⋂ AT eş zamanlı olarak içerdiği en büyük bulanık alt kümedir. ANCAK ve AT:
Bir dernek.A∪AT her ikisini de içeren en küçük bulanık alt kümedir ANCAK, böyle AT,üyelik fonksiyonu ile:
Fark. 
üyelik fonksiyonu ile:
ayrık toplam
ANCAK ⊕ AT = (A-B) ∪ (B-A) = (A ⋂ ̅ B) ∪ (̅A ⋂ B)
üyelik fonksiyonu ile:
Örnekler. İzin vermek
Burada:
1) Bir ⊂ AT, yani A içinde bulunur B veya B hakim ANCAKİTİBAREN kıyaslanamayacak şekilde ne ile A, ne ile AT,şunlar. çiftler ( AC) ve ( AC) baskın olmayan bulanık küme çiftleridir.
2) A≠ B ≠ C
3) ̅A = 0,6/x 1 + 0,8/x 2 + 1/x 3 + 0/x 4 ; ̅B = 0,3/x 1 + 0,1/x 2 + 0,9/x 3 +0/x 4 .
4) ANCAK⋂ B = 0,4/x 1 + 0,2/x 2 + 0/x 3 + 1 /X 4 .
5) A∪ AT= 0,7/x1+ 0,9/x 2 + 0,1/x 3 + 1/x 4 .
6) A - B= ANCAK⋂̅B = 0,3/x 1 + 0,l/ x 2 + 0/x 3 + 0/x 4 ;
AT- A= ̅A⋂ AT= 0,6/x 1 + 0,8/x 2 + 0,l/ x 3 + 0/x 4 .
7) ANCAK⊕ B = 0,6/x 1 + 0,8/x 2 + 0,1/x 3 + 0/x 4 .
Bulanık kümeler üzerinde mantıksal işlemlerin görsel temsili. Bulanık kümeler için görsel bir temsil oluşturabilirsiniz. Değerlerin çizildiği y ekseninde dikdörtgen bir koordinat sistemi düşünün. μ ANCAK(X), elemanlar apsis ekseninde rastgele sıralanmıştır E(böyle bir gösterimi bulanık küme örneklerinde zaten kullandık). Eğer bir E doğa tarafından sıralanırsa, elemanların x eksenindeki düzeninde bu sıranın korunması istenir. Böyle bir temsil, bulanık kümeler üzerinde basit mantıksal işlemleri görsel hale getirir (bkz. Şekil 1.3).
Pirinç. 1.3. Mantıksal işlemlerin grafiksel yorumu:
α
- bulanık küme ANCAK; b- bulanık küme ̅A, içinde - ANCAK⋂ANCAK; G-A∪ ANCAK
Şek. 1.3α gölgeli kısım bulanık kümeye karşılık gelir ANCAK ve kesin olmak gerekirse, aralığı gösterir ANCAK ve içerdiği tüm bulanık kümeler ANCAK.Şek. 1.3 b, c, g verilmiştir bir, bir ⋂ A,A sen ANCAK.
Çalışma Özellikleri ∪ ve ⋂
İzin vermek A, B, C bulanık kümeler ise aşağıdaki özellikler geçerlidir:
Net kümelerin aksine, genel olarak bulanık kümeler için
A ⋂ ̅Bir ≠ ∅, A∪ ̅A ≠ E
(özellikle, yukarıda bulanık kümelerin görsel bir temsili örneğinde gösterilmiştir).
Yorum . Bulanık kümeler üzerindeki yukarıdaki işlemler, maks ve min işlemlerinin kullanımına dayanmaktadır. Bulanık kümeler teorisinde, karşılık gelen “ve”, “veya”, “değil” bağlaçlarının çeşitli anlamsal tonlarını hesaba katmaya izin veren genelleştirilmiş, parametreli kesişim, birleşim ve toplama operatörleri oluşturma sorunları geliştirilmiştir.
Üçgen Normlar ve Uyumlar
Kavşak ve birleşim operatörlerine bir yaklaşım, onları şu şekilde tanımlamaktır: üçgensel normlar ve uygunluklar sınıfı.
Üçgen norm(t-norm) ikili işlem olarak adlandırılır (çift gerçek işlev)
1. Sınırlı: .
2. Monotonluk: .
3. Değişebilirlik: .
4. İlişkilendirme: .
Üçgen norm örnekleri
dk( µA ,μB)
iş µAμB
maks(0, μA+μ B - 1).
üçgen uyum(bir conorm olarak kısaltılır) iki basamaklı bir gerçektir işlev
aşağıdaki koşulları sağlayan:
1. Sınırlı: .
2. Monotonluk: .
3. Değişebilirlik: .
4. İlişkilendirme: .
üçgen uyum dır-dir Arşimet sürekli ise
ve herhangi biri için bulanık küme gerçekleştirilen eşitsizlik .
Eğer katı denir işlev her iki argümanda da kesin olarak azalmaktadır.
t-conorms örnekleri
maksimum( µA ,μB)
μA+ μB - µA μB
dk(1, μA+μB).
Üçgen conorms örnekleri aşağıdaki gibidir operatörler:
üçgen norm T ve üçgen uyum S tamamlayıcı ikili işlemler olarak adlandırılırsa
T( a,b) + S(1 − a,1 − b) = 1
Zadeh'in teorisinde en popüler olanı üç çift ek üçgen norm ve uyumdur.
1) Zade'den Kavşak ve Birleşim:
T Z(a,b) = dk( a,b}, SZ(a,b) = maks( a,b}.
2) Lukasiewicz'e göre kesişme ve birleşme:
3) Olasılıksal kesişim ve birleşim:
Tamamlayıcı Operatörler
Teoride bulanık kümeler tamamlayıcı operatörü benzersiz değildir.
Bilinenlere ek olarak
var tüm tamamlayıcı operatör seti bulanık küme.
biraz olsun Görüntüle
.
BT Görüntüle teoride olumsuzlama operatörü olarak adlandırılacaktır bulanık kümeler aşağıdaki koşullar karşılanırsa:
Ek olarak, aşağıdaki koşullar karşılanırsa:
(3) - kesinlikle azalan işlev
(4) - sürekli işlev
o zaman denir katı olumsuzlama.
İşlev aranan güçlü inkar veya involüsyon(1) ve (2) koşulları ile birlikte, bunun için aşağıdakiler doğruysa:
(5) 
.
Olumsuzlama işlevine ilişkin örnekler:
Klasik olumsuzlama: .
İkinci dereceden olumsuzlama: 
.
Sugeno'nun inkarı: .
Eşik türü ekleme: 
.
herhangi birini arayacağız anlam, hangisi için , denge noktası. Herhangi bir sürekli olumsuzlama için benzersiz bir denge noktası vardır.
bulanık sayılar
bulanık sayılar- sayısal eksende tanımlanan bulanık değişkenler, yani. bir bulanık sayı, bir bulanık küme olarak tanımlanır ANCAKüyelik fonksiyonu ile ℝ reel sayılar kümesinde μ A(X) ϵ , nerede X gerçek bir sayıdır, yani X ϵ ℝ.
bulanık sayı ve sorun değil eğer maks μ A(x) = 1; dışbükey eğer herhangi biri için X ≤ de ≤ z gerçekleştirilen
μA (x) ≥ μ A(de) ˄ µA(z).
Bir çok α - bulanık sayı seviyesi ANCAK olarak tanımlandı
aa = {x/μ α (x) ≥ α } .
alt küme SA⊂ ℝ bulanık sayının taşıyıcısı olarak adlandırılır. ANCAK, eğer
S = { x/μ A (x)> 0 }.
bulanık sayı ve tek modlu eğer koşul μ A(X) = 1, gerçek eksenin yalnızca bir noktası için geçerlidir.
dışbükey bulanık sayı ANCAK aranan bulanık sıfır, eğer
μ A (0) = sup ( µA(x)).
bulanık sayı ve olumlu eğer ∀ xϵ S A, x> 0 ve olumsuz eğer ∀ X ϵ S A, x< 0.
Bulanık Sayılar (SOL) tipi
(L-R)-tipi bulanık sayılar, özel türden bir tür bulanık sayılardır, yani. üzerlerindeki işlemler sırasında hesaplama miktarını azaltmak için belirli kurallara göre belirlenir.
(L-R) tipi bulanık sayıların üyelik fonksiyonları, gerçek değişken L( x) ve R( x) özellikleri karşılayan:
a) L(- x) = L( x), R(- x) = R( x);
b) L(0) = R(0).
Açıkça, (L-R)-fonksiyonları sınıfı, grafikleri Şekil 2'de gösterilen forma sahip fonksiyonları içerir. 1.7.
Pirinç. 1.7. (L-R)-fonksiyonlarının olası biçimi
(L-R)-fonksiyonlarının analitik spesifikasyon örnekleri şunlar olabilir:
L( de) ve R( de)-(L-R)-tipi (beton) fonksiyonları. Tek modlu bulanık sayı ANCAKİle birlikte moda bir(yani μ A(a) = 1) L( de) ve R( de) aşağıdaki gibi verilir:
a moddur; α > 0, β > 0 - sol ve sağ bulanıklık katsayıları.
Böylece, verilen L( de) ve R( de) bulanık sayı (tek modlu) üçlü tarafından verilir ANCAK = (a, α, β ).
Toleranslı bulanık sayı sırasıyla dört parametre ile verilir. ANCAK = (a 1 , a 2 , α, β ), nerede a 1 ve a 2 - tolerans sınırları, yani. arada [ a 1 , a 2 ] üyelik fonksiyonunun değeri 1'e eşittir.
Bulanık sayılar (L-R)-tipi üyelik fonksiyonlarının grafiklerinin örnekleri, Şek. 1.8.
Pirinç. 1.8. Bulanık sayılar (L-R) tipi üyelik fonksiyonlarının grafik örnekleri
Belirli durumlarda L fonksiyonlarının (y), R (y), parametrelerin yanı sıra a, β bulanık sayılar (a, α, β ) ve ( a 1 , a 2 , α, β ) bir işlemin (toplama, çıkarma, bölme, vb.) sonucu aynı L'ye sahip bir bulanık sayıya tam veya yaklaşık olarak eşit olacak şekilde seçilmelidir. (y) ve R (y), ve parametreler α" ve β" sonucun yüzdesi, özellikle sonuç daha sonra işlemlere katılacaksa, orijinal bulanık sayılar için bu parametreler üzerindeki kısıtlamaların ötesine geçmedi.
Yorum. Bulanık kümeler aparatını kullanarak karmaşık sistemlerin matematiksel modelleme problemlerini çözmek, çeşitli dilbilimsel ve diğer bulanık değişkenler üzerinde büyük miktarda işlem gerçekleştirmeyi gerektirir. Giriş-çıkış ve veri depolamanın yanı sıra işlemleri gerçekleştirmenin rahatlığı için, standart bir formun üyelik fonksiyonlarıyla çalışmak arzu edilir.
Çoğu problemde çalışması gereken bulanık kümeler, kural olarak, tek modlu ve normaldir. Tek modlu bulanık kümelere yaklaşmak için olası yöntemlerden biri (L-R)-tipi fonksiyonları kullanarak yaklaşıklıktır.
Bazı dilsel değişkenlerin (L-R) temsillerine ilişkin örnekler Tablo'da verilmiştir. 1.2.
Tablo 1.2. Bazı dilsel değişkenlerin olası (L-R) temsili
Bulanık ilişkiler
Bulanık ilişkiler bulanık sistemler teorisinde temel bir rol oynar. teori aparatı bulanık ilişkiler bulanık otomata teorisinin inşasında, karmaşık sistemlerin yapısının modellenmesinde, karar verme süreçlerinin analizinde kullanılır.
Temel tanımlar
teori bulanık ilişkiler ayrıca bulur Ek sıradan (açık) ilişkiler teorisinin geleneksel olarak uygulandığı problemlerde. Kural olarak, açık ilişkiler teorisinin aparatı, incelenen sistemin nesneleri arasındaki ilişkilerin niteliksel analizinde, ilişkiler doğada iki yönlü olduğunda ve " açısından yorumlanabildiğinde kullanılır. bağ Sunmak", " bağ eksik" veya ilişkilerin nicel analiz yöntemleri herhangi bir nedenle uygulanamadığında ve ilişkiler yapay olarak ikili bir forma indirgendiğinde. bağ istenilen görünüme Ancak böyle bir yaklaşım, niteliksel bir analiz sistemler, nesneler arasındaki bağlantıların gücü hakkında bilgi kaybına yol açar veya bağlantıların gücü için farklı eşiklerde hesaplamalar gerektirir. Bu eksiklik, teoriye dayalı veri analiz yöntemlerinden yoksundur. bulanık ilişkiler yüksek kaliteye izin veren analiz Sistem nesneleri arasındaki bağlantıların gücündeki farkı dikkate alarak sistemler.
Normal bulanık - ilişki olarak tanımlandı alt küme kümelerin kartezyen çarpımı
Bulanık bir küme gibi, bulanık ilişki üyelik fonksiyonu kullanılarak belirtilebilir
genel durumda bunun tam bir dağıtım kafesi olduğunu varsayacağız. Böylece, herhangi bir boş olmayan olan kısmen sıralı bir kümedir. alt küme en büyük alt ve en küçük üst kısma sahiptir yönler ve kavşak işlemleri ve sendikalar dağıtım yasalarını yerine getirir. Herşey operasyonlarüstünde bulanık ilişkiler'den bu işlemler kullanılarak tanımlanır. Örneğin, sınırlı bir reel sayılar kümesi olarak alırsak, o zaman kesişme ve birleşme işlemleri sırasıyla şöyle olacaktır: operasyonlar ve , ve bunlar operasyonlar belirleyecek ve operasyonlarüstünde bulanık ilişkiler.
Eğer bir setler ve son bulanık ilişki arasında ve onu kullanarak temsil edilebilir ilişki matrisleri, ilk satır ve ilk sütuna kümelerin elemanları atanır ve satır ve sütunun kesişimine bir eleman yerleştirilir (bkz. Tablo 2.1).
| Tablo 2.1. | ||||
| 0,5 | 0,8 | |||
| 0,7 | 0,6 | 0,3 | ||
| 0,7 | 0,4 |
ne zaman setler ve maç, bulanık ilişki aranan sette bulanık ilişki x.
Sonlu veya sayılabilir olması durumunda evrensel setler bariz bulanık ilişki yorumu olarak ağırlıklı grafik, her bir köşe çiftinin ağırlığı olan bir kenar ile bağlandığı .
Örnek. İzin vermek 
ve 
, sonra bulanık grafikŞek. 2.1, bazılarını belirtir bulanık ilişki .
Pirinç. 2.1.
Bulanık ilişkilerin özellikleri
farklı şekiller bulanık ilişkiler sıradan ilişkilere benzer özellikler kullanılarak tanımlanır ve bulanık ilişkiler bu özellikleri genelleştirmek için farklı yollar belirleyebilirsiniz.
1. refleksivite:
2. Zayıf refleksivite:
3. Güçlü refleksivite:
4. yansıma önleyici:
5. Zayıf yansıma önleyici:
6. Güçlü yansıma önleyici:
7. Simetri:
8. antisimetri:
9. asimetri:
10. Güçlü doğrusallık:
11. Zayıf doğrusallık:
12. geçişlilik:
Bulanık ilişkilerin projeksiyonları
Bulanık kümeler teorisinde önemli bir rol, kavram tarafından oynanır. bulanık ilişki projeksiyonları. hadi verelim tanım bir ikili bulanık ilişkinin izdüşümleri.
İzin vermek - bulanık ilişki üyelik fonksiyonu içinde . projeksiyonlar ve üzerindeki ilişkiler ve - is setler formun üyelik fonksiyonu içinde ve ile
Bulanık ilişkinin koşullu izdüşümü on , keyfi bir sabit için formun üyelik fonksiyonuna sahip bir kümedir .
koşullu projeksiyon verildiğinde:
Bu tanım, izdüşümlerin ve koşullu izdüşümlerin sırasıyla ve etkilemediğini göstermektedir. devamını verelim tanım hangi onların ilişkisini dikkate alır.
Yayınlanan http:// www. İnternet sitesi. tr/
RUSYA EĞİTİM VE BİLİM BAKANLIĞI
FEDERAL DEVLET BÜTÇESİ EĞİTİM YÜKSEKÖĞRETİM KURULUŞU
"VORONEZH DEVLET ÜNİVERSİTESİ"
Uygulamalı Matematik, Bilişim ve Mekanik Fakültesi
ders çalışması
38.03.05 İşletme bilişimi
"Bulanık mantık ve sinir ağları" kursunda
Voronej 2016
Bölüm 1
Bölüm 2
Ders çalışmasının ilk kısmı, "Mazut" hisseleri için 5 gün önceden bir fiyat tahmini oluşturmaktır.
Şekil 1, tahmin için kullanılacak verileri gösterir: DÜŞÜK ve KAPALI.
Ardından, "Sinir ağlarını çalıştırmanız gerekir. "Hızlı" sekmesinde görev türünü seçin: "Zaman Serisi" Bundan sonra, "Değişkenler" sekmesinde giriş ve çıkış verilerini seçin. Ders çalışmasında, bir değişken "DÜŞÜK" için bir tahmin oluşturacağız, bu hem girdi hem de çıktı değişkeni olacak (Şekil 2).
Ardından "Akıllı Problem Çözücü" modülünü seçin, "Tamam" ı tıklayın ve açılan pencerede tahmin için gerekli parametreleri ayarlayın.
“Hızlı” sekmesinde eğitilecek ağ sayısını belirledik (“Ağ test edildi”), bu örnekte 500 ağ eğitilecek. "Ağ korundu" parametresinde 10 ağ ayarlayın. Burada program en iyi 10 ağı seçecektir. (Figür 3).
fiyat tahmini bulanık mantık
Sonraki sekmeyi seçin "Zaman serisi" (Şekil 4). Burada tahmin için giriş sayısını belirledik.
"Geri Bildirim" sekmesinde, aşağıdakileri seçin: "Geliştirilmiş ağlar (gerçek zamanlı)" ve son iki parametredeki kutuları işaretleyin. Bu, Şekil 5'te gösterilmektedir.
"Türler" sekmesinde, ihtiyacımız olan ağ türünü seçin. Çok katmanlı algılayıcılar kullanarak ağlar oluşturuyoruz (Şekil 6). İhtiyacımız olan parametreler: "Üç katmanlı algılayıcı" ve "Dört katmanlı algılayıcı"
Tüm parametreleri seçtikten sonra "Tamam" düğmesine basın. Ağ oluşturma sürecini belirledikten sonra, “Hızlı” sekmesinde “Tanımlayıcı istatistik” düğmesine tıklayın (Şekil 7).
Açılan pencere, seçilen ağların nicel özelliklerini görüntüler. Elde edilen sonuçları analiz etmek gereklidir.
Bizim için önemli olan “S.D. oran"
1 ile 0 arasında bir sayı olduğu ve işarete bağlı olmadığı için karşılaştırma yapmak için en uygun olanıdır.
Bu sonuçları analiz ettikten sonra, 1,2,3,4,5 sayıları altında ağları seçiyoruz. (Şekil 8)
"Plotlar" ("Grafikler") sekmesinde, seçilen 5 modelin grafiklerini oluşturuyoruz. En başarılı çizelgeleri seçiyoruz. Seçim kriteri simetridir. Seçilen 5 ağdan 2 ağ (Şekil 9) ve 3 ağ (Şekil 10) grafik koşulunu karşılamaktadır.
Daha sonra tekrar 2 model seçiyoruz ve açılan pencerede “Length of Project” parametresinde 5 set ve “Case” parametresinde (burada tahminin başlayacağı günü seçiyorsunuz 310) Bu da tahminin 5 gün önce yapılacaktır. "Zaman serisi elektronik tablosu" düğmesine basın. (Şekil 11)
Ağlarımız tarafından modellendiği gibi 310. günden 314. güne kadar hisse senedi fiyatlarını gösteren bir pencere açılır. Fiyatları orijinal tablomuzdan kopyaladığımız yeni bir NewVar sütunu ekliyoruz (Şekil 12).
Ardından, sinir ağları tarafından modellenen tahmine bakmak için grafikler oluşturuyoruz (Şekil 14). Sinir ağlarından biri tarafından oluşturulan grafiğin orijinaline oldukça yakın olduğunu ve değişikliklerini yaklaşık olarak tekrarladığını görüyoruz.
Sistem "Programcı seti"
1.Giriş verileri
· İngilizce bilgisi
·Bilgisayar yetenekleri
Birçok tanım -
Terim seti - (düşük, orta, yüksek)
· İş deneyimi
Birçok tanım -
Terimler kümesi - (az, yeterli, çok)
Birçok tanım -
Birden çok terim - (düşük, orta, yüksek, çok yüksek)
Benzer Belgeler
Dilsel değişken kavramı ve özellikleri, çeşitleri. Yaklaşık akıl yürütme teorisinin temelleri. Bir ve birkaç girdi değişkenli bulanık çıkarım sistemleri. Bulanık modelleme ilkeleri, doğruluk düzeylerinin hesaplanması.
sunum, eklendi 10/29/2013
Yapay zekanın doğuşu. Sinir ağlarının gelişim tarihi, evrimsel programlama, bulanık mantık. Genetik algoritmalar, uygulamaları. Yapay zeka, sinir ağları, evrimsel programlama ve bulanık mantık şimdi.
özet, eklendi 01/22/2015
Rus bankalarındaki bireylerin kredibilitesini değerlendirme modelleri. Sınıflandırma problemini çözmek için bir yöntem olarak sinir ağları. STATISTICA 8 Sinir Ağları program özelliklerinin açıklaması. Sinir ağı modellemesinin ana aşamalarının genel özellikleri.
tez, eklendi 21/10/2013
Neural Networks Toolbox ve Simulink uzantı paketlerinde sinir ağlarını kullanarak problem çözme teknolojileri. Bu tür bir ağın oluşturulması, oluşum senaryosunun analizi ve bir dizi girdi vektörü üzerindeki hesaplama sonuçlarının güvenilirlik derecesi.
laboratuvar çalışması, 20/05/2013 eklendi
Bulanık çıkarım sistemlerinin ana aşamaları. Bunlarda kullanılan bulanık üretim kuralları. Bulanık dilsel ifadeler. Tsukamoto, Larsen, Sugeno algoritmalarının tanımı. Mamdani'nin bulanık çıkarımının sokak trafik ışığı örneğine uygulanması.
dönem ödevi, eklendi 07/14/2012
Taşımada tıbbi güvenlik için otomatik sistemlerde ölçüm yöntemleri, sistemleri, türleri ve yöntemleri. Uyarlanabilir bir nöro-bulanık çıkarım ağına dayalı yolculuk öncesi tıbbi muayeneler için bulanık bir algoritma tasarlama.
tez, eklendi 05/06/2011
Sinir ağları kavramı ve biyolojiden paralellikler. Temel yapay model, ağların özellikleri ve uygulamaları. Sınıflandırma, yapı ve çalışma prensipleri, ağ için veri toplama. Önemli değişkenleri tanımak için ST Sinir Ağları paketini kullanma.
özet, 16.02.2015 eklendi
Bulanık çıkarım sistemi kullanarak yüzey yaklaşımı probleminin çözümü. Girdi ve çıktı değişkenlerinin tanımı, terimleri; Sugeno algoritması. Üyelik fonksiyonlarının seçimi, giriş ve çıkış değişkenlerini bağlamak için gerekli bir kurallar tabanının oluşturulması.
dönem ödevi, 31.05.2014 eklendi
Öğrenme modellerinin özellikleri. Nöron hakkında genel bilgiler. Yapay sinir ağları, algılayıcı. XOR sorunu ve çözmenin yolları. Geri yayılım sinir ağları. Giriş ve çıkış verilerinin hazırlanması. Hopfield ve Hamming sinir ağları.
test, 28.01.2011 eklendi
Entelektüel sistem, yaratıcı olarak kabul edilen ve belirli bir konu alanına ait sorunları çözen teknik veya yazılım sistemidir. Bulanık çıkarım sisteminin analizi. FuzzyTECH programlama ortamına aşinalık.
Otomatik kontrol alanındaki mühendisler, geleneksel elektromekanik ve analog kontrol teknolojilerinden bilgisayarlı analiz ve karar algoritmalarını entegre eden dijital mekatronik kontrol sistemlerine geçerken, daha da önemli değişikliklere neden olabilecek yeni bilgisayar teknolojileri ufukta. Sinir ağları ve bulanık mantık zaten geniş uygulama alanı buldu ve yakında otomatik kontrol sistemleri oluşturma ve programlama şeklini değiştirebilecek.
Geleneksel bilgisayarlar, açıkça verilen talimatların sıralı işlenmesine ve yürütülmesine dayanan bir von Neumann mimarisine sahiptir. Yapay sinir ağları (YSA) farklı bir mimariye dayalı olarak inşa edilmiştir. Çok basit işlemci birimlerinden, yüksek düzeyde paralelliğe sahip bir sistemde birleştirilirler. Bu sistem, dış kaynaklardan gelen veri girişlerinde örüntü tanımaya dayalı örtük komutları yürütür.
Bulanık mantık aynı zamanda geleneksel fikirleri de alt üst eder. Önceden belirlenmiş bir ölçekte (örneğin, “sıcaklık 23 ° C”) bir miktarın konumunu belirleyen doğru ölçümler yerine, bulanık bilgi, belirsiz bir şekilde tanımlanmış örtüşen kümelere (“sıcak olanın daha soğuk tarafında”) üyelik derecesini gösterir.
Tanımlar
Bu kavramları kullanan bilgisayarlar (veya daha doğrusu "çıkarım makineleri"), geleneksel kontrol sistemlerinin üstesinden gelemediği karmaşık sorunları çözme yeteneğine sahiptir.
Wikipedia'ya göre bir yapay sinir ağı (YSA), "hesaplamaların bağlanabilirliğine dayalı bilgileri işlemek için matematiksel veya hesaplamalı bir model kullanan birbirine bağlı bir yapay "nöron" topluluğudur."
Çoğu durumda YSA, ağdan geçen harici veya dahili bilgilerin etkisi altında yapısını değiştiren uyarlanabilir bir sistemdir. YSA, sayısal girdilerden sayısal sonuçları hesaplamak yerine girdiler ve çıktılar arasındaki karmaşık ilişkileri modeller veya verilerdeki kalıpları keşfeder.
Temel düğümler ("nöronlar", "nörodlar", "işleme elemanları" veya "bloklar" olarak da adlandırılır) birbirine bağlanır ve bir düğüm ağı oluşturur. Kullanımlarının yararlı etkisi, gerekli sinyal akışını elde etmek için ağ bağlantılarının güçlerini veya ağırlıklarını değiştiren çıkarım algoritmalarını uygulama yeteneğinden kaynaklanmaktadır.
Bu yapay sinir ağı örneğinde, bir 3B vektörü temsil eden h değişkeni, x girdi değişkenine bağlıdır. Ardından, iki boyutlu bir vektör değişkeni olan g, h'ye bağlıdır ve son olarak, çıktı değişkeni f, g'ye bağlıdır.
En ilginç olanı, pratikte, genellikle "maliyet" olarak adlandırılan ve çözülmekte olan problem bağlamında sonucun doğruluğunu gösteren belirli bir değeri optimize etmek anlamına gelen öğrenme olasılığıdır.
Örneğin, klasik gezgin satıcı problemindeki fiyat, ticaret bölgesini tamamen dolaşmak, gerekli tüm noktalarda durmak ve başlangıç noktasına varmak için gereken süredir. Daha kısa bir rota daha iyi bir çözüm sunar.
Bu sorunu çözmek için, von Neumann bilgisayarları tüm olası rotaları oluşturmalı ve ardından bu rota için toplam gecikmeyi belirlemek için zaman gecikmelerini toplayarak her rotayı sırayla kontrol etmelidir.Tüm olası rotalar için toplamları hesapladıktan sonra, bilgisayar basitçe en kısası.
Buna karşılık, YSA'lar toplam rota süresini en aza indiren konfigürasyonları bulmak için tüm rotaları paralel olarak ele alır. Bu konfigürasyonları kullanmak, ortaya çıkan rotayı en aza indirir. Öğrenme, önceki deneyimlere dayalı olarak rota optimizasyon stratejileri sağlayan konfigürasyonların tanımlanmasından oluşur.
Bulanık mantık (yine Wikipedia'ya göre), kesin olmaktan çok yaklaşık olan akıl yürütme ile ilgilenen bulanık küme teorisinden türetilmiştir. Bulanık mantıkta doğruluk, bulanık tanımlı kümelere ait olduğunu gösterir. Bulanık mantıkta, belirsiz bir şekilde tanımlanmış ancak yine de çok önemli özelliklere dayalı olarak kararlar alınabilir. Bulanık mantık, 0'dan 1'e kadar olan aralıktaki üyelik değerlerinin değiştirilmesine ve “biraz”, “bir dereceye kadar” ve “çok fazla” gibi belirsiz kavramların kullanılmasına izin verir. Bu, özel bir şekilde kümeye kısmi üyelik uygulamanıza izin verir.
Ana uygulama, sürekli bir değişkenin alt aralıkları ile tanımlanabilir. Örneğin, bir kilitlenme önleyici fren sisteminin sıcaklık aralığı, frenlerin uygun kontrolü için gerekli sıcaklık aralıklarını belirleyen birkaç ayrı üyelik fonksiyonuna sahip olabilir. Her fonksiyon, sıcaklık değerinin 0 ila 1 aralığında gerçek değere ait olup olmadığını gösterir. Bu doğruluk değerleri daha sonra fren sisteminin nasıl kontrol edileceğini seçmek için kullanılabilir.
Gerçek zamanlı kontrol için hızlı bulanık mantıkHerhangi bir mikrodenetleyici veya bilgisayarın yazılımda bulanık mantık algoritmaları uygulayabilmesine rağmen, düşük performans ve büyük miktarda belleğe ihtiyaç duyulması nedeniyle bu verimsiz olabilir. Freescale Semiconductor'ın Taşımacılık ve Standart Ürünler Grubu mikro denetleyicileri için Otomotiv Sistemleri Mühendisi olan Jim Sibigtroth, şirketin HC12 ve HCS12 mikro denetleyicilerinin, bulanık çıkarım motorunun temel parçalarını uygulamak için özel olarak tasarlanmış dört talimat ekleyerek bunu çok etkili bir şekilde yaptığını söylüyor. "Ağırlıksız kuralları işleyen evrensel çıkarım motoru için ana program, yaklaşık 57 bayt nesne kodu (yaklaşık 24 satırlık montaj kodu) alır" diyor. Sibigtroth, 25MHz HCS12 modelinin, her giriş ve çıkış için yedi etiketli iki giriş ve bir çıkış için eksiksiz bir çıkış dizisini yaklaşık 20µs içinde tamamlayabildiğini belirtiyor. 8 MHz MC68HC11 (bulanık mantık komutları olmadan) için eşdeğer bir program yaklaşık 250 bayt nesne kodu ve yaklaşık 750 µs zaman alacaktır. MC68HC11, programı HCS12 ile aynı hızda işleyebilse bile, bulanık mantık komutları programı 4 kat ve yürütme süresini 12 kat azaltır. Bu tür kısa tanıma aralıkları, pahalı bilgisayar ekipmanı veya büyük programlar olmaksızın gerçek zamanlı kontrol sistemlerinde bulanık mantık algoritmalarının kullanılmasına izin verir. |
Görüntü işleme
Bulanık mantığa dayalı YSA'da karar verme yardımı ile güçlü bir kontrol sistemi oluşturabilirsiniz. Açıkçası, bu iki kavram birlikte iyi çalışır: üç bulanık durum (örneğin soğuk, sıcak, sıcak) ile bir çıkarım algoritması, üç nöron için giriş değerleri olarak doğruluk değerleri (0.8, 0.2, 0.0) kullanılarak donanımda uygulanabilir. , her biri üç kümeden birini temsil eder. Her nöron, işlevine göre girdi değerini işler ve ikinci nöron katmanı için girdi değeri olacak bir çıktı değeri alır ve bu böyle devam eder.
Örneğin, görüntü işlemeye yönelik bir nörobilgisayar, video kaydı, aydınlatma ve donanım ayarları üzerindeki sayısız kısıtlamayı kaldırabilir. Bu özgürlük derecesi, sinir ağının örnekleri inceleyerek bir tanıma mekanizması oluşturmanıza izin vermesi nedeniyle mümkün olur. Sonuç olarak sistem, güçlü ve düşük ışıkta, farklı açılarda yerleştirildiklerinde vb. iyi ve kusurlu ürünleri tanımak üzere eğitilebilir. Çıkarım motoru, aydınlatma koşullarını "değerlendirerek" (başka bir deyişle, sistemin nasıl davranacağını bildiği diğer aydınlatma koşullarına benzerlik derecesini belirleyerek) başlar. Sistem daha sonra verilen aydınlatma koşullarına göre kriterleri kullanarak görüntünün içeriği hakkında bir karar verir. Sistem aydınlatma koşullarını bulanık kavramlar olarak ele aldığından, çıkarım motoru bilinen örneklerden yeni koşulları kolayca belirler.
Sistem ne kadar çok örnek öğrenirse, görüntü işleme motoru o kadar çok deneyim kazanır. Bu öğrenme süreci, örneğin benzerlikler ve farklılıklar alanlarında öğrenme için benzer özelliklere sahip parça gruplarına ön sıralama yapılarak oldukça kolay bir şekilde otomatikleştirilebilir. Bu gözlemlenen benzerlikler ve farklılıklar daha sonra görevi gelen parçaları bu kategorilere ayırmak olan YSA'ya bilgi sağlayabilir. Bu nedenle, sistemin başarısı ekipmanın maliyetine değil, eğitim ve güvenilir bir çıkarım motoru oluşturmak için gereken görüntü sayısına bağlıdır.
Bir görüntüleme nörobilgisayarı, teşhisin modeller ve algoritmalardan ziyade operatör deneyimine ve uzmanlığına dayandığı uygulamalar için uygundur. İşlemci, operatör tarafından yapılan görüntü üzerinde yapılan basit yorumlardan bir tanıma mekanizması oluşturabilir, ardından yorumlarla sağlanan nesnelerden özellikleri veya özellik vektörlerini çıkarabilir ve bunları sinir ağına iletebilir. Görünür nesneleri tanımlayan özellik vektörleri, piksel satır değerleri, bir histogram veya yoğunluk dağılımı, yoğunluk dağılım profilleri veya ilgili eksenler boyunca gradyanlar kadar basit olabilir. Daha karmaşık özellikler, dalgacık dönüşümü ve hızlı Fourier dönüşümü öğelerini içerebilir.
genellemeler
Örneklerden öğrendikten sonra, sinir ağı genelleme yapabilir ve daha önce hiç gözlemlenmemiş durumları örneklerden benzer durumlarla ilişkilendirerek sınıflandırabilir. Öte yandan, sistem aşırı özgürlüğe ve durumların genellenmesine yatkınsa, davranışı karşı örnekler öğrenilerek herhangi bir zamanda düzeltilebilir.
Sinir ağı açısından, bu işlem, mevcut nöronların etki alanlarını, karar uzayının mevcut haritalaması ile çelişen yeni örneklerle eşleştirmek için azaltmaktır.
YSA'ların kabulünü belirlemede önemli bir faktör bağımsız ve uyarlanabilir öğrenmedir. Bu, cihazın nesneyi minimum operatör müdahalesi ile veya hiç müdahale olmadan inceleyebilmesi gerektiği anlamına gelir. Örneğin gelecekte bebekler, onları ilk kez açan bir çocuğun yüzünü tanıyabilir ve adını sorabilir. Bir cep telefonu için kendi kendine öğrenme, ilk sahibinin parmak izini incelemek olabilir. Yüz, parmak izi ve konuşma tanımayı tek bir cihazda birleştirerek sahip tanımlaması da geliştirilebilir.
Kendi kendine öğrenme ortamında, bir cihazın kendi çalışma ortamında en iyi şekilde çalışacak kendi tanıma motorunu oluşturması gerekir. Örneğin, akıllı bir oyuncak bebek, saçlarının ve cildinin rengine, bulunduğu yere veya mevsime bakılmaksızın asıl sahibini tanımalıdır.
İlk başta motor, bildiği tüm özellik çıkarma tekniklerini kullanmalıdır. Bu, her biri aynı nesne kategorilerini tanımlamak için tasarlanmış, ancak farklı özelliklerin (renk, grenlilik, kontrast, sınır kalınlığı vb.) gözlemlenmesine dayanan bir dizi ara mekanizmanın oluşmasına yol açacaktır. Genel motor daha sonra en iyi performansı ve/veya doğruluğu verenleri seçerek ara motorların performansını değerlendirebilir.
Balık sıralama örneği
PiscesVMK, gemide ve kıyı fabrikalarında balık işleme için işleme ekipmanları üretmektedir. Şirketin müşterileri, Kuzey Denizi ve Atlantik Okyanusu'nda çeşitli balık türleri için yıl boyunca balıkçılık yapan balık işleme gemileridir. Bu tüketiciler, ambarlarını mümkün olan en kısa sürede, en az sayıda işçi ile en kaliteli av ile doldurmak isterler.
Tipik olarak, balıklar ağlarla birlikte gemiye getirilir ve temizleme, dilimleme ve fileto çıkarma makinelerinden geçen bir konveyör üzerindeki kaplara boşaltılır. Olası sapmalar arasında yanlış çeşit, hasarlı balık, tankta birden fazla balık olması ve dilimleme makinesine girmeden önce doğru şekilde konumlanmaması sayılabilir. Boyutların, şeklin ve hacmin matematiksel olarak tanımlanması zor olduğundan, geleneksel görüntü işleme araçlarıyla bu tür bir kontrolün uygulanması zordur. Ayrıca bu parametreler yelken yapılan yere ve mevsime göre değişiklik gösterebilir.
Balık, Matrox'un Iris akıllı kamerasına ve General Vision'ın CogniSight tanıma motoruna dayanan 20'den fazla sistem kurdu. Kamera, balığın fileto makinesine girmeden hemen önce altından geçmesi için konveyörün üzerine monte edilmiştir. Kamera, bir Siemens Simatic S7-224 kontrolörüne (PLC) ve bir yerel alan ağına (LAN) bağlıdır. Kameranın yanına monte edilen stroboskopik bir ışık kaynağı, her yeni bir konteyner görüş alanına girdiğinde patlar. Üç işlemi gerçekleştirmek için kamerayı yerel ağa bağlamak gereklidir: odak ve uygun görüntü kontrastını garanti etmek için dönüştürücüyü ayarlamak, tanıma motorunu öğrenmek ve koşullu ve kötü durumdaki balık sayısını sürekli olarak bildiren istatistiklere erişmek.
Dönüştürücü ayarı, kameranın su geçirmez bir kutuya takılması sırasında yalnızca bir kez gerçekleşir. Eğitim, her yüzme başlangıcında ilk avdan alınan balık örnekleri ile veya mevcut bir dosya yüklenerek yapılır.
Kamera bilgi tabanını aldığında, bir PC'ye bağlanmadan balıkları otonom olarak tanımaya başlayabilir. INS bunu "kabul edildi", "reddedildi", "işlenmek üzere" veya "boş" kategorilerine ayırır. Bu sinyal, uygun balıkları çıkarma veya işleme için kutulara yönlendiren iki fırçayı kontrol eden bir PLC'ye gider. PLC ayrıca, bir balık kabı haznenin altından her geçtiğinde bir tetikleme sinyali üreten bir manyetik sensöre de bağlıdır.
Balık, Norveç, İzlanda, İskoçya ve Danimarka'daki 5 farklı balıkçı filosuna 20'den fazla sistem kurdu. Sistem, ringa hatlarında dakikada 360 konveyör kapasitesi tahmin ediyor, ancak daha da hızlı çalışabilir.
80 nöronlu bir ağ için, 16 ton balığın sınıflandırılmasında %98 doğruluk elde edildi. Balıkçılar, güvenilirliği, esnekliği ve kullanım kolaylığı nedeniyle sistemden memnunlar. Yararları: Azaltılmış seyir süresi, artan av kalitesi ve daha az sayıda balıkçı arasında paylaşılan gelir.
Ayrık üretim araçlarında, sinir ağları araç kontrolü, radar sistemlerinde örüntü tanıma, kişilik tanıma, nesne tanıma, el yazısı, jestler ve konuşmada uygulama bulmuştur.
Bulanık mantık, arabayı ve ABS ve hız sabitleyici gibi diğer araç alt sistemlerini, ayrıca klima, kameralar, dijital görüntüleme, bilgisayar oyunu AI ve uzak sensör sistemlerinde örüntü tanımayı kontrol etmek için zaten kullanılıyor.
Benzer "yumuşak bilgi işlem" teknolojileri, solunum cihazı pilleri için güvenilir şarj cihazları oluşturmak için de kullanılmaktadır. Sürekli ve kesikli endüstrilerde, bulanık mantık ve sinir ağları, bazı kendi kendini ayarlayan kontrolörlerin temelidir. Bazı mikrodenetleyiciler ve mikroişlemciler, sistemlerin daha da hızlı çalışabilmesi için bulanık mantık için optimize edilmiştir (aşağıdaki "Gerçek Zamanlı Kontrol için Hızlı Bulanık Mantık" bölümüne bakın).
Örnek "Sıcak çay" X \u003d 0 C 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.
İki bulanık kümenin kesişimi (bulanık "VE"): MF AB (x)=min(MF A (x), MF B (x)). İki bulanık kümenin birleşimi (bulanık "VEYA"): MF AB (x)=maks(MF A (x), MF B (x)).
Lotfi Zade'ye göre dilsel değişken, değerleri doğal veya yapay bir dilin kelimeleri veya cümleleri olan bir değişkendir. Bir dilsel değişkenin değerleri, bulanık değişkenler olabilir, yani. dilsel değişken, bulanık değişkenden daha yüksek bir düzeydedir.
Her dilsel değişken şunlardan oluşur: bir ad; temel terim kümesi T olarak da adlandırılan değerlerinin kümesi. Temel terim kümesinin öğeleri, bulanık değişkenlerin adlarıdır; evrensel küme X; doğal veya biçimsel bir dilin sözcükleri kullanılarak yeni terimlerin üretildiği bir sözdizim kuralı G; dilsel bir değişkenin her değerini X kümesinin bulanık bir alt kümesiyle ilişkilendiren anlam kuralı P.
"Hisse fiyatı" dil değişkeninin açıklaması X= Temel terim kümesi: "Düşük", "Orta", "Yüksek"
"Yaş" dil değişkeninin açıklaması
"Yumuşak hesaplama" (Yumuşak hesaplama) bulanık mantık, yapay sinir ağları, olasılıksal akıl yürütme, evrimsel algoritmalar
Ağı oluşturma (giriş değişkenlerini seçtikten sonra) İlk ağ yapılandırmasını seçin En iyi ağı hatırlayarak (kontrol hatası anlamında) farklı yapılandırmalarla bir dizi deney yapın. Her konfigürasyon için birkaç deney yapılmalıdır. Bir sonraki deneyde yetersiz uyum gözlemlenirse (ağ kabul edilebilir kalitede bir sonuç üretmiyor), ara katman(lar)a ek nöronlar eklemeyi deneyin. Bu işe yaramazsa, yeni bir ara katman eklemeyi deneyin. Aşırı uyum varsa (kontrol hatası büyümeye başladı), bazı gizli öğeleri (ve muhtemelen katmanları) kaldırmayı deneyin.
Sinir Ağları Sınıflandırması ile Çözülen Veri Madenciliği Problemleri (Denetimli Öğrenme) Tahmin Kümeleme (Denetimsiz Öğrenme) Metin Tanıma, Konuşma Tanıma, Kişilik Tanımlama, sonlu bir girdi değerleri kümesi tarafından verilen bir fonksiyonun en iyi yaklaşıklığını bulma (eğitim örnekleri sıkıştırma görevi veri boyutunu azaltarak bilgi
Analitik paket Deductor'da (BaseGroup) "Bir müşteriye kredi verme" görevi? – Apartman, – Dairenin alanı. Kredi almak isteyen Müşterinin kredi temerrüdü risk grubunda olup olmadığına yani kredi temerrüdüne girip girmediğini cevaplayabilecek bir modelin oluşturulması gerekmektedir. kullanıcı "kredi vermeli miyim?" sorusuna cevap almalıdır. Görev, sınıflandırma görevleri grubuna aittir, yani. bir öğretmenle öğrenme.
Bulanık mantık, uzman bilgisini aşağıdaki kurallarla temsil etmek için açıkça kullanılabilir. dilsel değişkenler, bu değişkenleri niceleyen üyelik fonksiyonlarını oluşturmak ve ayarlamak genellikle çok uzun zaman alır. Sinir ağı eğitim yöntemleri bu süreci otomatikleştirir ve sistem parametrelerini iyileştirirken geliştirme süresini ve maliyetlerini önemli ölçüde azaltır. Bulanık modellerin parametrelerini belirlemek için sinir ağlarını kullanan sistemlere sinirsel bulanık sistemler denir. Bu sistemlerin en önemli özelliği, bulanık if-then kuralları açısından yorumlanabilir olmalarıdır.
Bu tür sistemler aynı zamanda işbirlikçi sinirsel bulanık sistemler olarak da adlandırılır ve sinir ağları ile bulanık sistemlerin aynı sorunu çözmek için birbirleriyle etkileşime girmeden birlikte çalıştığı rekabetçi sinirsel bulanık sistemlere karşıdır. Bu durumda, bir yapay sinir ağı genellikle girdilerin ön işlenmesi veya bulanık bir sistemin çıktılarının son işlenmesi için kullanılır.
Bunlara ek olarak bulanık sinir sistemleri de vardır. Bu, öğrenmeyi hızlandırmak ve performanslarını iyileştirmek için bulanık yöntemler kullanan sinir ağlarının adıdır. Bu, örneğin öğrenme oranını değiştirmek için bulanık kurallar kullanarak veya bulanık girdi değerlerine sahip sinir ağlarını dikkate alarak başarılabilir.
Algılayıcının öğrenme oranını kontrol etmek için iki ana yaklaşım vardır. geri yayılım yöntemi. İlk durumda, bu oran tek bir global kritere bağlı olarak ağın tüm nöronları için aynı anda ve eşit olarak azalır - çıktı katmanında elde edilen ortalama karekök hatası. Aynı zamanda ağ, eğitimin ilk aşamasında hızlı bir şekilde öğrenir ve sonraki aşamada hata salınımlarını önler. İkinci durumda, bireysel nöronlar arası bağlantılardaki değişiklikler değerlendirilir. Sonraki iki öğrenme adımında bağlantı artışları zıt işarete sahipse, karşılık gelen yerel oranı azaltmak mantıklıdır, aksi takdirde artırılmalıdır. Bulanık kuralların kullanılması, yerel bağlantı değişikliği oranının daha doğru kontrolünü sağlayabilir. Özellikle, bu kurallara giriş parametreleri olarak hata gradyanlarının ardışık değerleri kullanılırsa bu sağlanabilir. Karşılık gelen kuralların tablosu şöyle görünebilir:
| önceki gradyan | mevcut gradyan | ||||
|---|---|---|---|---|---|
| not | NS | Z | PS | PB | |
| not | PB | PS | Z | NS | not |
| NS | NS | PS | Z | NS | not |
| Z | not | NS | Z | NS | not |
| PS | not | NS | Z | PS | NS |
| PB | not | NS | Z | PS | PB |
Dilsel değişkenler Learning Rate ve Gradient, tabloda gösterilen bulanık uyarlama kuralında aşağıdaki değerleri alır: NB - büyük negatif; NS - küçük negatif; Z - sıfıra yakın; PS - küçük pozitif; PB - büyük pozitif.
Son olarak, modern hibrit sinirsel bulanık sistemlerde, sinir ağları ve bulanık modeller tek bir homojen mimaride birleştirilir. Bu tür sistemler, bulanık parametrelere sahip sinir ağları veya paralel dağıtılmış bulanık sistemler olarak yorumlanabilir.
Bulanık mantığın unsurları
Bulanık mantığın merkezi kavramı, kavramdır. dilsel değişken. Lotfi Zade'ye göre dilsel değişken, değerleri doğal veya yapay bir dilin kelimeleri veya cümleleri olan bir değişkendir. Bir dilsel değişkene örnek olarak, örneğin ihmal edilebilir, fark edilebilir, anlamlı ve felaket gibi dilsel değerler alıyorsa üretimdeki düşüş gösterilebilir. Dilsel anlamların mevcut durumu net bir şekilde karakterize etmediği açıktır. Örneğin, üretimdeki %3'lük bir düşüş hem biraz önemsiz hem de biraz fark edilebilir olarak görülebilir. Belirli bir düşüşün felaket niteliğinde olduğunun ölçüsünün oldukça küçük olması gerektiği sezgisel olarak açıktır.