خلاصه درس مبانی محاسبات نرم – ۹۳/۰۲/۲۷

خلاصه درس مبانی محاسبات نرم – ۹۳/۰۲/۲۷

فصل۱۱ :
Fusion of Fuzzy system

نرون های تک یاخته ای
ارتباط بین نرون ها شکل های مختلفی را تشکیل میدهد

رفتار تابعی داخل نرون ها قابل بررسی هستند
خروجی های شبکه عصبی می توانند با خروجی قابل انتظار برابر باشد

شبکه عصبی MLP Multilayer Percpetron

شبکه های عصبی می تواند تمام الگو ها را شناسایی کند

اسلاید ۱۳ Convergence problem
اسلاید ۱۴ و ۱۵
امکان پیاده سازی شبکه های عصبی با متلب

اسلاید ۱۸ :
ارتباط شبکه عصبی با منطق فازی
– شبکه عصبی امکان یادگیری دارد ولی منطق فازی امکان یادگیری ندارد
– با استفاده از شبکه عصبی یک سری ار دانش هایی که کامل مشخص
نیست امکان represent را به ما می دهد
شبکه های عصبی شکل لغت های زبانی می توانند به خودشان بگیرند
شبکه های فازی امکان یادگیری را ندارد
Fuzzy Network= Fusion
۱) یک فازی سیستم را با مجموعه شبکه عصبی supervised ترکیب
می کنیم
۲) شبکه های عصبی را با استفاده از فازی می سازیم
۳)درجه عضویت های فازی را می توانیم با شبکه های عصبی شناسایی کنیم
۴) فازی سیستم ها را می توانیم پشت سر هم بیاوریم
—————————————————-
Neural Fuzzy
معمولا ترکیبی از خصوصیات شبکه عصبی و فازی سیستم است

یک سری نود نیاز داریم که زبان فازی را بتوانند ترجمه کنند
پس input variable ها را به صورت شبکه عصبی تعریف می کنیم
linguestic term ها را به عنوان ورودی داریم

اسلاید ۲۴ :
در لایه L1 نرون های شبکه عصبی را داریم

اسلاید ۲۵ : پیک سیستم neural Fuzzy معروف در لایه اول همه
Acivation ها خطی هست
و در لایه دوم lingustic term داریم
در لایه سوم – درباره مقدم ها کار می کنیم ، از قوانینی که برای یکپارچه
سازی قوانین فازی داشتیم استفاده می کنیم

در این حالت وزن های سیناپسی بین مرحله دوم و سوم را مقایسه می
توانیم بکنیم
در لایه چهارم – بخش تالی با توجه به ورودی های فازی ، خروجی را می
توانیم
در لایه پنجم هم می توانیم defuzzification انجام دهیم

————————-
آموزش درشبکه های neuro fuzzy
با استفاده از ابزار های مختلف ، فرم خطا را محاسبه می کنیم

تفاوت بین مرکز ها و تفاوت بین پهنه چپ
نوع اول : اگر بتوانیم به صورت حقیقی مقدار استفاده کنیم ارتوابع خطی
می توانیم استفاده کنیم

نوع دوم : تشخیص توپولوژی های شبکه عصبی که با منطق فازی پیاده
سازی می کنیم ( مثلا چند تا نرون لازم داریم )

اسلاید ۳۴ : شبکه عصبی های در هم تنیده داریم

fuzzy classifier های مناسب کدام هستند ؟
fuzzy rule ها
.
.
.

اسلاید ۳۷ :
مجموعه دیتای تست
سومین نوع :
شبکه هایی که بتوانین membership function را خوب تعریف کنیم

گام اساسی :
دلتا ها با توجه به خصوصیت فازی بودن آنها تقسیم بندی آنها هم فازی
هست
در هر بخش یک شبکه عصبی به کار برده می شود تا بتواند rule های آن
بخش را داشته باشد

یک شبکه عصبی ۳ لایه می تواند تمام neural fuzzy ها را پیاده سازی
کند
——————–
اسلاید ۴۷ :
آخرین نوع Fusion با استفاده از شبکه عصبی ، سیستم فازی را ارزیابی
کنیم

structure of the emulator