Adaptivt neuro fuzzy inferenssystem

Ett adaptivt neuro-fuzzy inferenssystem eller adaptivt nätverksbaserat fuzzy inferenssystem ( ANFIS ) är ett slags artificiellt neuralt nätverk som är baserat på Takagi–Sugeno fuzzy inferenssystem . Tekniken utvecklades i början av 1990-talet. Eftersom det integrerar både neurala nätverk och luddiga logiska principer, har det potential att fånga fördelarna med båda i ett enda ramverk . Dess slutledningssystem motsvarar en uppsättning suddiga OM–DÅ-regler som har inlärningsförmåga för att approximera olinjära funktioner . Därför anses ANFIS vara en universell skattare . För att använda ANFIS på ett mer effektivt och optimalt sätt kan man använda de bästa parametrarna som erhålls med genetisk algoritm . Den har användningsområden i intelligenta situationsmedvetna energiledningssystem .

ANFIS arkitektur

Det är möjligt att identifiera två delar i nätverksstrukturen, nämligen premiss- och konsekvensdelar. Mer detaljerat består arkitekturen av fem lager. Det första lagret tar ingångsvärdena och bestämmer de medlemsfunktioner som tillhör dem. Det kallas vanligtvis fuzzification layer. Medlemskapsgraderna för varje funktion beräknas med hjälp av premissparameteruppsättningen, nämligen {a,b,c}. Det andra lagret är ansvarigt för att generera skjutstyrkorna för reglerna. På grund av sin uppgift betecknas det andra lagret som "regellager". Det tredje lagrets roll är att normalisera de beräknade eldstyrkorna genom att dividera varje värde för den totala eldstyrkan. Det fjärde lagret tar som indata de normaliserade värdena och konsekvensparameteruppsättningen {p,q,r}. Värdena som returneras av detta lager är de avfuzzifierade och dessa värden skickas till det sista lagret för att returnera den slutliga utdata.

Fuzzifieringslager

Det första lagret i ett ANFIS-nätverk beskriver skillnaden mot ett vaniljneuralt nätverk. Neurala nätverk i allmänhet arbetar med ett dataförbehandlingssteg , där funktionerna omvandlas till normaliserade värden mellan 0 och 1. Ett ANFIS neuralt nätverk behöver inte en sigmoidfunktion , men det gör förbearbetningssteget genom att konvertera numeriska värden till luddiga värden.

Här är ett exempel: Antag att nätverket får som indata avståndet mellan två punkter i 2d-utrymmet. Avståndet mäts i pixlar och det kan ha värden från 0 upp till 500 pixlar. Att konvertera de numeriska värdena till fuzzy siffror görs med medlemskapsfunktionen som består av semantiska beskrivningar som nära, mitten och fjärran. Varje möjligt språkligt värde ges av en individuell neuron . Neuronen "nära" avfyras med ett värde från 0 till 1, om avståndet ligger inom kategorin "nära". Medan neuronen "mitten" avfyrar, om avståndet i den kategorin. Inmatningsvärdet "avstånd i pixlar" är uppdelat i tre olika neuroner för nära, mitten och fjärran.