Professional Documents
Culture Documents
КОСОВСКА МИТРОВИЦА
ОДСЕК: ИНФОРМАТИКА
СЕМИНАРСКИ РАД
Тема: Теоретске основе ANFIS (Adaptive Neuro-Fuzzy Inference
Systems)
Професор: Студент:
546/18
Садржај:
Увод............................................................................................................................................1
5. Неуронске мреже..............................................................................................................6
7. ANFIS Архитектура........................................................................................................10
Закључак..................................................................................................................................16
Литература...............................................................................................................................17
2
Увод
3
1. Neuro-fuzzy и soft computing
4
2. Теорија нејасних скупова
5
3. Нејасна правила и нејасна расуђивања
6
4. Систем нејасног закључивања
7
5. Неуронске мреже
8
сложеније неуронске мреже имају више скривених слојева и они су међусобно потпуно
повезани.
9
6. ANFIS - Adaptive Neuro-Fuzzy Inference Systems
10
Сликa 3. а) Двоструки нејасни модел Сугено првог реда са два правила
б)Еквивалентна ANFIS архитектура
11
7. ANFIS Архитектура
12
13
Слој 1: Сваки чвор и у овом слоју је адаптивни чвор са функцијом чвора.
Улаз у чвор означен је са x или y и Ai или Bi−2, а језичка ознака „мала“ или
„велика“. Другим речима,O1 ,i , је степен чланства нејасног скупа A (= A1, A2, B1 или B2)
и он одређује степен у којем дати унос x (или y) задовољава квантификатор A. Ова
функција чланства A може бити било која одговарајућа параметарска функција
чланства, као што је генерализована функција звона:
1
μA ( x )= 2b
x −c i
1+
| |ai
Слој 2: Сваки чвор у овом слоју је фиксни чвор означен са II, чији је излаз
производ свих долазних сигнала:
O2 ,i=ωi=μА i ( x ) μB i ( y ) , i=1,2.
Сваки излаз чвора представља снагу отпуштања правила. Генерално, било који
други оператери T-норме који изводе нејасне I, могу се користити као функција чвора у
овом слоју.
Слој 3: Сваки чвор у овом слоју је фиксни чвор означен са N. I-ти чвор
израчунава однос јачине паљења i-тог правила и збира снаге испаљивања свих правила:
ωi
O 3 ,i =ώi= , i=1,2.
ω 1+ ω2
O4 , i=ώ i f i=ώ i (p i x +q i y +r i ),
14
Нормализована снага пуцања из слоја 3 и { pi , k i , r i } јесте скуп параметара овог
чвора (ω i).
∑ ωi f i
i
O5 ,i =∑ ώi f i= ,
i ∑ ωi
i
15
Помоћу функције чланства и снаге гађања заједно се индукује излаз сваког
правила ( f i , i=1,2),као што је приказано на слици.
16
8. Алгоритам хибридног учења
ω1 ω2
f= f 1+ f =ώ1 ( p1 x +q 1 y +r 1 ) + ώ2 ( p 2 x +q 2 y +r 2 ) =( ώ1 x ) p1 + ( ώ1 y ) q 1+ ( ώ1 ) r 1 + ( ώ 2 x ) p 2+ ( ώ2 y ) q2
ω1 +ω 2 ω1 +ω 2 2
17
Уколико се замени функција чланства на последичном делу сваког правила са
комадно линеарном апроксимацијом са два узастопна параметра може се постићи
Tsukamoto ANFIS, као што је приказано на слици 7.
18
Закључак
19
Литература
[2] S. Chen, C. F. N. Cowan, and P. M. Grant. Orthogonal least squares learning al- gorithm
for radial basis function networks. IEEE Transactions on Neural Networks, 2(2):302-309,
[5] Robert G. Gallager. Information theory and reliable communication. John Wiley & Sons.
[6] S. S. Haykin. Adaptive filter theory. Prentice Hall, Upper Saddle River, NJ, 2nd edition.
20