Файл: НЕЧЕТКАЯ ЛОГИКА И НЕЙРОННЫЕ СЕТИ ПИР).pdf

Базовый нейронных сетей – нейрон – моделирует функции естественного (рис. 2).

2 – Базовый искусственный

Искусственный нейрон, как и биологический, состоит из «итов» - сигналов. Каждый сигнал либо ивается, либо . Для этого сигнал xi умножается на так синаптический вес wi, что синапсы биологического она. После сигналы передаются в «тело» нейрона, где он в два этапа: сумматором и так передаточной , и по выходящей дуге y ( аксона) передаются нейронам. Рассмотрим ком искусственного подробнее.

Глава 4. искусственных нейронных

Для начала стоит , что любая состоит из двух слоёв - принимающего (он же и ) сигналы и обрабатываю. Однако, нейронная сеть только лишь из двух слоев - то она , если больше, то многослойная. поподробнее.

Однослойная ИНС - сигналы сразу с входного на выходной, который их и выдает готовый . На изображении распределяющий изображен , а обрабатывающий - квадратиками.

3 – Однослойная сеть

Многослойная ИНС – , которая из входного, скрытого и об слоев. Сигнал с слоя частично тся скрытым , после чего на последний слой , вычисляющий результат.

4 – Многослойная нейронная

Интересно то, что скрытые ИНС ученые научились совсем и это большой шаг вперед, многослойные нейросети суще превосходят по производительности и однослойные.

стоит знать, что сети в двух - прямое распределение и . ИНС прямого дают возможность с успехом большинство : прогнозирование, кластеризация и ание. В таких сигнал передается вперед, назад он ься не имеет возможности.

А что же с обратными в ИНС? В подобных часть сигнала от может быть назад и принцип работы расширяет возможности . Такие ИНС могут кратковременной как у человека.

Глава 5. нейронных сетей

свойством искусственных сетей их способность к . В процессе обучения сеть использует данные из среды, корректируя свои веса и пороговые , что приводит в результате к производительности сети.

Обучение – это , при котором свободные нейронной сети посредством среды, в которую эта встроена.

Тип обучения способом подстройки параметров. При во внимание это определение, обучения искусственной нной сети может представлен в , показанном на рис. 5.

---

Рисунок 5 – обучения нейронной

Таким образом, в обучения не сети можно следующие этапы ()^[7]:

1. В нейронную сеть из среды стимулы.
2. В результате воздействий прои изменение свободных пара нейронной .
3. После изменения структуры нейронная отвечает на последующие иначе.

процесс обучения следующим образом^[8]. В функционирования нейронная для входного X формирует выходной Y, реализуя некоторую Y = G(X) . Если архитектура сети , то вид функции G определяется ями синаптических весов и этой сети.

решением задачи является Y = F(X), заданная парами и выходных данных (X¹, Y¹), (X², Y²), …, (X^N, Y^N), для которых Y^k=F(X^k) (kN). Таким , обучение нейронной заключается в функции G, близкой к F в некоторой функции ки E.

В процессе обучения на нейронной сети входной сигнал и выходное . Оно сравнивается с соответствующим из целевым значением и разница между (сигнал ). Сигнал ошибки (error ) – это разность между сигналом и текущим откликом нейронной .

Далее происходит синаптических весов в с выбранным алгоритмом, минимизировать . Сети пооче предъявляются обучающие , вычисляются ошибки и тся веса до тех пор, ошибка по всему множеству не достигнет при низкого уровня^[9].

процессы нейронных сетей большой интерес в мире. В значительной этому тот факт, что искусные нейронные сети менять свое в зависимости от внешней среды. предъявления входных (возможно, вместе с емыми выхо) они самонастраиваются, обеспечивать требуемую ре. За годы исследований в области искусственного было ано множество алгоритмов, каждый со сильными и слабыми .

Эти алгоритмы нейронных сетей (в том и описанные выше) находят и успешное применение. На их создаются ьно действующие для распознавания образов, информации, автоматизирован управления, оценок и много .

II. Практическая часть:

6. Применение нечеткой на практике на определение расхода на полив

Условие : В задаче требуется расход при поливе с/х угодий. Входные : а) количество с/х культур ( культур, мало культур); б) воздуха (засушливое лето, лето, холодное ). Выходной сигнал: воды на (большой расход, средний , маленький расход). : 1. Если с/х угодий много, лето , то расход воды . 2. Если с/х культур , лето нормальное, то воды . 3. Если с/х культур , лето холодное то воды маленький.

---

(в программном MATLABFuzzyLogicToolbox):

В данной предлагается использовать 2 переменные и 1 выходную .

В качестве входной переменной оценка количе с/х культур.

В качестве входной предлагается взять температуры воздуха .

В качестве выходной берется расхода воды на .

Из анализа расхода на полив определяется правил, данных в задачи.

Построение модели:

1. Формирование переменных.

Будем , что переменные принимать значения в от 0 до 10. Самая низкая 0, самая высокая 10.

получаем исходные входные :

– количество с/х культур;

– воздуха летом.

, на входе четкий вектор {.

На модели должна четкая переменная Y.

1. входных переменных (формирование лингвистических переменных).

Для оценки первой используются два – мало культур, культур, т.е. терм-множество =(мало культур, культур)=(, ).

Для оценки второй используются три терма – , нормальное, холодное, т.е. переменной =(, нормальное, холодное)=(, ).

Для оценки выходной используются три терма – , средний, , т.е. терм-множество переменной =(, средний, большой)=(, ).

1. базы правил вывода.

правила, сформулированные в задачи в следующем :

1. Если = много и засушливое, то = ;
2. Если = много и нормальное, то = средний;
3. = мало культур и , то = маленький.
4. алгоритма нечеткого с использованием средств .

---

Спроектируем нечеткую , выполнив последовательность :

В редакторе FIS Editor ( систем нечеткого ) определим две переменные и и одну . Переименуем их в блоках 1, Input2, Output. ( 6).

Рисунок 6

1. , средствами редактора принадлежности (Membership editor) для каждой с соответствующими значениями термами и принадлежности.

Для этого диапазон значений , напечатав его в поле .

Зададим функции переменной . Для лингвистиче оценки этой будем два терма с треугольными функ принадлежности (установлены по ).

Зададим наименования переменной .Для необходимо щелкнуть мыши на график функции принадлежности, она вы красным цветом и в поле вводим название терма «Много и нажимаем .Аналогично наименования для остальных первой входной .

Аналогично зададим принадлежности и термов для второй переменной и выходной (рисунок 7)

Рисунок 7

2. С редактора системы нечеткого (Rule Editor) 3 правила для разрабатываемой . Для этого в Edit выберем команду . Для ввода правил соответствующую комбинацию и нажимаем Add .На рисунке 3 изображено редактора правил нечеткой системы после ввода всех 3 правил.

Рисунок 8

На рисунке 9 отображено окно визуализации нечеткого вывода. Окно активизируется с помощью программы просмотра правил системы нечеткого вывода (Rule Viewer).

Рисунок 9

Теперь можно осуществить анализ построенной системы нечеткого вывода для решения поставленной задачи. Для этого в поле Input зададим значения входных переменных, для которых выполняется нечеткий логический вывод и проанализируем значение выходной переменной. Итак, при значениях и получаем 8,65 (Рис. 10); при значениях и 5,05 получаем 5; при значениях и 0,5 получаем . Получаем верные значения, соответствующие заданным правилам.

---

Для анализа разработанной нечеткой модели можно воспользоваться визуализацией соответствующей поверхности нечеткого вывода. (Surface viewer). На рисунке 10 приведена поверхность «входы-выход», соответствующая синтезированной нечеткой системе.

Рисунок 10

Заключение

Построенная нечеткая модель обладает достаточной адекватностью, что позволяет использовать ее на практике для определения расхода полива с/х угодий.

СПИСОК ЛИТЕРАТУРЫ

1. Хайкин С. Нейронные сети: полный курс. – 2-е издание. – М.: Издательский дом «Вильямс», 2006. – 1104 с.
2. Круглов В.В., Дли М.И., Голунов Р.Ю. Нечеткая логика и искусственные нейронные сети. – М.: Физматлит, 2001. – 61 с.
3. Яхъяева Г.Э. Нечеткие множества и нейронные сети: учебное пособие. – М.: Интернет-университет информационных технологий: БИНОМ. Лаборатория знаний, 2006. – 316 с.
4. Осовский С. Нейронные сети для обработки информации. – М.: Финансы и статистика, 2002. – 344 с.
5. Тарков М.С. Нейрокомпьютерные системы: учебное пособие. – М.: Интернет-университет информационных технологий: БИНОМ. Лаборатория знаний, 2006. – 140 с.
6. Каллан Р. Основные концепции нейронных сетей. – М.: Издательский дом «Вильямс», 2003. – 288 с.

1. Грицанов, А.А. История философии: Энциклопедия / А.А. Грицанов - Мн.: Интерпрессервис, 2002 ↑

2. Лохин, В.М. Интеллектуальные системы управления: понятия, определения, принципы построения / В.М. Лохин, В.М. Захаров // Мехатроника. - 2001. - №2. - С. 27-35. ↑

3. Цой, Ю.Р. Эволюционный подход к настройке и обучению искусственных нейронных сетей / Ю.Р. Цой, В.Г. Спицын // Нейроинформатика. - 2006. - Т. 1. - №1. - С. 34- 61. ↑

4. Романов, В.П. Интеллектуальные информационные системы в экономике: Учебное пособие / В.П. Романов; под ред. д.э.н., проф. Н.П. Тихомирова. - М.: Экзамен, 2003. ↑

5. Мареев, С.Н. История философии (общий курс): Учебное пособие / С.Н. Мареев, Е.В. Мареева - М.: Академический Проект, 2004 ↑

6. Потапов, И.В. Модели, методы и задачи прикладной теории надежности нейрокомпьютерных систем: автореферат дис.... доктора технических наук: 05.13.15, 05.13.17 / И.В. Потапов. - Новосибирск, 2010 ↑

7. Хайкин С. Нейронные сети: полный курс. – 2-е издание. – М.: Издательский дом «Виль- ямс», 2006 ↑

8. Круглов В.В., Дли М.И., Голунов Р.Ю. Нечеткая логика и искусственные нейронные сети. – М.: Физматлит, 2001 ↑

9. Яхъяева Г.Э. Нечеткие множества и нейронные сети: учебное пособие. – М.: Интернет- университет информационных технологий: БИНОМ. Лаборатория знаний, 2006 ↑

---