Chapter11 .

FUSION OF FUZZY SISTEM DAN JARINGAN SARAF

Dalam bab ini , kita mempelajari fusi sistem fuzzy dan jaringan saraf . Kedua metode saling
melengkapi. Jaringan saraf dapat belajar dari data sementara sistem kabur tidak bisa ; sistem
fuzzy mudah untuk memahami karena mereka menggunakan istilah linguistik tetapi jaringan
saraf tidak . Banyak penelitian telah dikhususkan untuk fusi dari mereka dalam rangka untuk
mengambil keuntungan mereka .


11.1 Neural Networks
11.1.1 Konsep Dasar Neural Networks

Jaringan saraf ( NN ) adalah model komputasi dari operasi otak manusia . Sebuah jaringan saraf
terdiri dari sejumlah node yang terhubung oleh link. Setiap link memiliki bobot numerik yang
terkait dengannya. Bobot adalah sarana utama penyimpanan jangka panjang dalam jaringan
saraf. Salah satu fitur utama dari jaringan saraf adalah kemampuan pembelajarannya. Mereka
dapat menyesuaikan bobot untuk meningkatkan kinerja untuk tugas yang diberikan. Belajar
biasanya terjadi dengan memperbarui bobot.




Sebuah node memiliki seperangkat link masukan dari node lain , satu set link output, dan fungsi
nonlinear yang disebut fungsi aktivasi . Output dari node yang dihasilkan dari input , berat link,
dan fungsi aktivasi ( Gambar 11.1 . ) . Jadi , output dari node j adalah sebagai berikut :

Dimana

adalah output dari node i dan masukan ke node j ,

adalah berat
dari hubungan antara node j dan i, dan f adalah fungsi aktivasi . Setiap fungsi nonlinier dapat
digunakan sebagai fungsi aktivasi , tetapi fungsi sigmoidal sering digunakan .

11.1.2 Belajar Algoritma
Jaringan saraf dapat dikategorikan ke dalam feedforward dan umpan balik . Jaringan saraf
feedforward hanya memiliki link feedforward , yaitu jaringan saraf yang tidak memiliki siklus
umpan balik. Output dari node tidak akan secara langsung atau tidak langsung dapat digunakan
sebagai input dari simpul tersebut . Sebaliknya , jaringan saraf umpan balik memiliki siklus
umpan balik . Output dari node dapat digunakan sebagai input dari sebuah node . (Gambar 11.2
(a) , (b)) menunjukkan jaringan saraf feedforward dan umpan balik , masing-masing. Dalam
kasus jaringan umpan balik saraf , tidak ada jaminan bahwa jaringan menjadi stabil karena siklus
umpan balik . Beberapa dari mereka berkumpul ke titik stabil , beberapa mungkin memiliki batas
- siklus , atau menjadi kacau atau divergen . Ini adalah karakteristik umum dari sistem non -
linear yang memiliki umpan balik .


Ada dua jenis algoritma pembelajaran dalam jaringan saraf . Tipe pertama diawasi belajar . Ini
menggunakan satu set data pelatihan yang terdiri dari pasangan input dan output . Selama belajar
, bobot jaringan saraf berubah sehingga pemetaan input-output menjadi lebih dan lebih dekat
dengan data pelatihan . Tipe kedua adalah pembelajaran tanpa pengawasan. Sedangkan
pembelajaran diawasi menyajikan sasaran jawaban untuk setiap masukan ke jaringan saraf ,
pembelajaran terawasi memiliki jawaban sasaran . Ini menyesuaikan bobot jaringan saraf dalam
menanggapi hanya pola masukan tanpa jawaban sasaran . Dalam pembelajaran terawasi ,
jaringan biasanya mengklasifikasikan pola masukan ke dalam kategori kesamaan .

11.1.3 Multilayer Perceptrons dan Kesalahan Backpropagation Learning
Di antara jaringan saraf dan algoritma pembelajaran , multiplayer jaringan perceptron dan
algoritma pembelajaran yang banyak digunakan . Algoritma pembelajaran ini disebut metode
backpropagation error . Multilayer perceptrons adalah jaringan feedforward neural berlapis.
Mereka terdiri dari beberapa lapisan . Lapisan A adalah satu set node yang tidak memiliki
hubungan inter - koneksi , yaitu node pada lapisan yang sama tidak terhubung satu sama lain.
Salah satu ciri lagi adalah bahwa node dalam lapisan yang terhubung ke node hanya di lapisan
tetangga . ( Gambar 11.3 ) menunjukkan jaringan perceptron tiga lapisan . Lapisan pertama
adalah lapisan input, yang kedua adalah lapisan tersembunyi dan yang ketiga adalah lapisan
output.


( 1 ) fungsi Aktivasi
Dalam jenis jaringan saraf , fungsi aktivasi banyak digunakan adalah fungsi sigmoidal
didefinisikan sebagai :

Alasannya adalah bahwa turunannya sederhana sebagai berikut :

Jika turunan sederhana , algoritma backpropagation error dapat sederhana .

( 2 ) algoritma pembelajaran backpropagation Kesalahan
Algoritma backpropagation error iteratif perubahan bobot link sedikit demi sedikit . Bobot yang
berubah sehingga kesalahan diminimalkan . Kesalahan didefinisikan sebagai :

dimana tk adalah output yang diharapkan dan ok adalah output aktual untuk simpul k pada
lapisan output. Dalam rangka untuk memutuskan apakah akan menambah atau mengurangi wji
berat , algoritma mengevaluasi turunan dari E sehubungan dengan wji , dan kemudian berubah
wji ke arah berlawanan dengan derivasi . Artinya,

Dimana

. adalah tingkat pembelajaran dan wji adalah berat dari hubungan antara
simpul j dan node i . Nilai adalah bilangan real kecil yang telah ditentukan.

( 3 ) masalah Convergence
Jadi , jika semua bobot dari jaringan saraf yang iteratif dimodifikasi sedikit demi sedikit dengan
cara ini , E akan menurun dan pada konvergen terakhir ke titik stabil . Namun itu tidak menjamin
untuk berkumpul dengan optimal global, karena metode ini hanya menggunakan derivasi . Jadi ,
untuk mengatasi hal ini
cacat , beberapa variasi telah dikembangkan seperti menambahkan istilah momentum .

Satu pertanyaan lagi pada algoritma ini adalah tentang besarnya . Jika adalah nilai besar ,
kecepatan belajar mungkin cepat, tapi hal ini dapat menyebabkan osilasi besar . Nilai kecil tidak
akan menyebabkan osilasi besar , namun kecepatan belajar lambat . Memilih nilai tergantung
pada aplikasi .

(4) evaluation of changes of weight
In order to evaluate

, let us defined

, then

Because

Thus

What remain to evaluate

is to evaluate to

.
If node j is an output node.

Because

= -(

If node j is a hidden node,

Because

by definition

Where node k is in the next layer i.e.

is one of inputs of node k. The

s of the hidden nodes

are evaluated from the summation of

s of the neightboring layers.

If the sigmoidal function of used as the activation functions, its devirative is

Then the value of

becomes for the output nodes

And for the hidden nodes

.


11.2 Fusion dengan Neural Networks
Jaringan saraf dan sistem kabur adalah dua teknologi yang saling melengkapi . Jaringan saraf
dapat belajar dari data, tetapi pengetahuan diwakili oleh jaringan saraf sulit dimengerti .
Sebaliknya , sistem kabur mudah untuk memahami karena mereka menggunakan istilah
linguistik dan jika - maka aturan , tetapi tidak memiliki algoritma belajar . Jadi , banyak
penelitian telah dikhususkan untuk fusi dari mereka . Para penelitian tentang fusi jaringan saraf
dan sistem fuzzy dapat diklasifikasikan ke dalam empat kategori :
( 1 ) Memodifikasi sistem kabur dengan diawasi belajar jaringan saraf ,
( 2 ) Membangun jaringan saraf menggunakan sistem fuzzy,
( 3 ) Membuat fungsi keanggotaan dengan jaringan saraf ,
( 4 ) Concatenating jaringan saraf dan sistem fuzzy.

11.2.1 Memodifikasi Sistem Fuzzy dengan diawasi Neural Network Learning
Penelitian dalam kategori ini merupakan sistem kabur dengan jaringan saraf . Sistem ini disebut
neuro sistem fuzzy, dan jaringan saraf digunakan untuk meningkatkan kinerja sistem fuzzy.
Neuro Fuzzy sistem memiliki karakteristik dari kedua jaringan saraf dan sistem kabur ; mereka
telah belajar kemampuan seperti jaringan saraf dan dapat melakukan inferensi seperti sistem
fuzzy. Dalam jaringan saraf biasa , node memiliki fungsi yang sama dan penuh terhubung ke
node di lapisan tetangga . Namun dalam sistem fuzzy neuro , node memiliki fungsi yang berbeda
dan tidak sepenuhnya terhubung ke node di lapisan tetangga . Perbedaan ini berasal dari fakta
bahwa node dan link dalam sistem fuzzy neuro biasanya sesuai dengan komponen tertentu dalam
sistem fuzzy . Artinya , beberapa node mewakili istilah linguistik dari variabel input , beberapa
node adalah untuk mereka variabel output, dan beberapa node dan link yang digunakan untuk
mewakili .