Искусственная нейронная сеть (ANN) — это сеть эффективных вычислительных систем, центральная тема которой заимствована из аналогии биологических нейронных сетей. ANN также называют «искусственными нейронными системами», параллельными системами распределенной обработки, «системами соединения». ANN приобретает большую коллекцию блоков, которые связаны по некоторой схеме, чтобы обеспечить связь между блоками. Эти единицы, также называемые узлами или нейронами, являются простыми процессорами, которые работают параллельно.
Каждый нейрон связан с другим нейроном через канал связи. Каждая ссылка на соединение связана с весом, имеющим информацию о входном сигнале. Это наиболее полезная информация для нейронов для решения конкретной проблемы, потому что вес обычно препятствует передаче сигнала. Каждый нейрон имеет свое внутреннее состояние, которое называется сигналом активации. Выходные сигналы, которые вырабатываются после объединения входных сигналов и правила активации, могут быть отправлены в другие устройства. Он также состоит из смещения ‘b’, вес которого всегда равен 1.
Зачем использовать Fuzzy Logic в нейронной сети?
Как уже говорилось выше, каждый нейрон в ANN связан с другим нейроном через канал связи, и этот канал связан с весом, имеющим информацию о входном сигнале. Следовательно, мы можем сказать, что веса имеют полезную информацию о входных данных для решения проблем.
Ниже приведены некоторые причины использования нечеткой логики в нейронных сетях.
-
Нечеткая логика в основном используется для определения весов из нечетких множеств в нейронных сетях.
-
Когда невозможно применить четкие значения, используются нечеткие значения.
-
Мы уже изучали, что обучение и обучение помогают нейронным сетям лучше работать в непредвиденных ситуациях. В то время нечеткие значения были бы более применимыми, чем четкие значения.
-
Когда мы используем нечеткую логику в нейронных сетях, тогда значения не должны быть четкими, и обработка может выполняться параллельно.
Нечеткая логика в основном используется для определения весов из нечетких множеств в нейронных сетях.
Когда невозможно применить четкие значения, используются нечеткие значения.
Мы уже изучали, что обучение и обучение помогают нейронным сетям лучше работать в непредвиденных ситуациях. В то время нечеткие значения были бы более применимыми, чем четкие значения.
Когда мы используем нечеткую логику в нейронных сетях, тогда значения не должны быть четкими, и обработка может выполняться параллельно.
Нечеткая познавательная карта
Это форма нечеткости в нейронных сетях. По сути, FCM похож на динамический конечный автомат с нечеткими состояниями (не только 1 или 0).
Сложность использования нечеткой логики в нейронных сетях
Несмотря на многочисленные преимущества, при использовании нечеткой логики в нейронных сетях есть некоторые трудности. Сложность связана с правилами членства, необходимостью построения нечеткой системы, потому что иногда сложно определить ее с помощью данного набора сложных данных.
Нейронно-обученная нечеткая логика
Обратная связь между нейронной сетью и нечеткой логикой, то есть нейронной сетью, используемой для обучения нечеткой логике, также является хорошей областью изучения. Ниже приведены две основные причины построения нейронной нечеткой логики:
-
Новые шаблоны данных могут быть легко изучены с помощью нейронных сетей, следовательно, их можно использовать для предварительной обработки данных в нечетких системах.
-
Нейронная сеть, благодаря своей способности изучать новые отношения с новыми входными данными, может использоваться для уточнения нечетких правил для создания нечеткой адаптивной системы.
Новые шаблоны данных могут быть легко изучены с помощью нейронных сетей, следовательно, их можно использовать для предварительной обработки данных в нечетких системах.
Нейронная сеть, благодаря своей способности изучать новые отношения с новыми входными данными, может использоваться для уточнения нечетких правил для создания нечеткой адаптивной системы.
Примеры нейронно-обученной нечеткой системы
Нейронно-обученные нечеткие системы используются во многих коммерческих приложениях. Давайте теперь посмотрим на несколько примеров применения нейронно-обученной нечеткой системы:
Лаборатория международных исследований по нечеткой инженерии (LIFE) в Иокогаме, Япония, имеет нейронную сеть с обратным распространением, которая выводит нечеткие правила. Эта система была успешно применена к валютной торговой системе с приблизительно 5000 нечетких правил.
Компания Ford Motor разработала обучаемые нечеткие системы для контроля скорости холостого хода автомобиля.
NeuFuz, программный продукт National Semiconductor Corporation, поддерживает создание нечетких правил с нейронной сетью для приложений управления.
Немецкая корпорация AEG использует обученную нейронную систему нечеткого управления для своей машины для экономии воды и энергии. Всего 157 нечетких правил.