Введение. Кажется логичным рассматривать предложенную структуру и свя­занные с ней алгоритмы в качестве серьезной базы для дальнейших ис­следований и размышлений

Примечание

Кажется логичным рассматривать предложенную структуру и свя­занные с ней алгоритмы в качестве серьезной базы для дальнейших ис­следований и размышлений. Естественное разделение алгоритма обуче­ния на два независимых этапа открывает интересные возможности для применения описанного подхода во многих реальных ситуациях. Фаза са­моорганизации структуры на основе обучающих данных устраняет глав­ный недостаток известных ранее структур: необходимость хорошего ис­ходного размещения функции принадлежности и полного априорного зна­ния всех нечетких правил. Кроме того, слоистая структура и межслойные связи оказываются настолько прозрачными и интуитивно понятными, что формирование базы правил и нечетких множеств по завершении первой фазы не представляет никакой проблемы. Следовательно, они могут с легкостью как модифицироваться, так и переноситься в другую систе­му, реализующую нечеткий вывод. В свою очередь, на второй фазе (обу­чения с учителем) применяется хорошо известный алгоритм обратного распространения ошибки. Благодаря оптимальному уточнению функий принадлежности удается еще лучше подготовить модуль нечеткого уп­равления для решения конкретной задачи. В случае, когда обучающие данные доступны только в режиме он-лайн, следует использовать иной алгоритм обучения, например, описанный в работе [11].

5.5. Модуль нечеткого управления типа Такаги-Сугено: случай независимых лингвистических переменных

Как мы уже убедились, очень часто размещение функций принад­лежности и построение корректных правил управления представляет со­бой серьезную проблему. В системах, которые рассматривались выше, одновременная идентификация нечетких правил и адаптация функций принадлежности оказывалась весьма сложной или вообще невозможной.

В настоящем разделе рассматриваются нечеткие нейронные сети [2, 4, 5], способные решать эту проблему. Мы обсудим два вида модулей нечеткого управления, которые основаны на правилах, предложенных Та-каги и Сугено (Takagi & Sugeno - см. п. 3.9.4). Эти модули отличаются спо­собами формулирования выводов (заключений) нечетких правил. Резуль-

тат предлагаемого подхода будет выражаться, во-первых, в реализации процедуры вывода нейронной сетью соответствующей конструкции и, во-вторых, в отображении параметров этой процедуры весами связей. Представляемая нечеткая нейронная сеть сможет одновременно форми­ровать нечеткие правила и адаптировать функции принадлежности путем модификации весов связей в процессе обучения и - что самое важное -для этого будет применяться классический алгоритм обратного распрост­ранения ошибки.

Дата добавления: 2015-06-04