Помощь в написании студенческих работ
Антистрессовый сервис

Архитектура NNFLC (Neurons Network Fuzzy Logic Controller)

РефератПомощь в написанииУзнать стоимостьмоей работы

NNFLC — нечеткий контроллер на основе нейронной сети. Структура NNFLC приведена на рис. 26. Особенность структуры NNFLC — это различная функциональность слоев. Опишем кратко функции слоев. Комбинирование правил часто целесообразно выполнить с участием эксперта. Окончательная настройка функций принадлежности выполняется с помощью алгоритма обратного распро; Мстр перекрытия. Найти матрицу весов иг… Читать ещё >

Архитектура NNFLC (Neurons Network Fuzzy Logic Controller) (реферат, курсовая, диплом, контрольная)

NNFLC — нечеткий контроллер на основе нейронной сети. Структура NNFLC приведена на рис. 26. Особенность структуры NNFLC — это различная функциональность слоев. Опишем кратко функции слоев.

Архитектура NNFLC (Neurons Network Fuzzy Logic Controller).

Слой 2. у 1 — min Гу, * Слой 2 моделирует И-условия правил.

Слой 3. У^ = тахГу[2…, у1 — функция рабочего режима, которая представляет собой ИЛИ-комбинацию правил с одинаковыми термами в консеквснтах. В режиме обучения слой настраивает пара метры функций принадлежности выходных переменных.

Структура сети NNFLC.

Рис. 26 — Структура сети NNFLC.

Слой 4. В рабочем режиме нейроны выполняют дефаззификацию, а в режиме обучения это дополнительный вход, выполняющий нормализацию:

Архитектура NNFLC (Neurons Network Fuzzy Logic Controller).

Обучение нейронной сети сложной архитектуры (с различными функциональными слоями) обычно происходит многоэтапно, причем на каждом этапе используются различные алгоритмы обучения: нредобучение (offline), оперативное (online), без учителя, с учителем. Структура нечеткой нейронной сети NNFLC инициализируется по принципу формирования полной матрицы правил.

Если х, — входные переменные, Т (л'() — количество нечетких м< ток (разбиений) х, то исходное количество правил: Т = J" [ r (.vf).

— количество нечетких ме;

Общая схема обучения нечеткой не NNFLC содержит следующие этапы:

  • — формирование обучающих данных;
  • — самоорганизующаяся кластеризация (настройка функций принадлежности);
  • — соревновательное обучение (алгоритм победителя);
  • — удаление правил;
  • — комбинирование правил;
  • — окончательная настройка пара метров (тюнинг) функций принадлежности с помощью алгоритма обратного распространения ошибки.

Далее приведем содержательные характеристики этапов обучения. Настройка параметров функций принадлежности включает в себя обучение центров с, и ширины <�т, для функции принадлежности, представленной функцией формы:

Архитектура NNFLC (Neurons Network Fuzzy Logic Controller).

Алгоритм победителя выявляет.

Архитектура NNFLC (Neurons Network Fuzzy Logic Controller).

где i}(t) — монотонно убывающий уровень обучения. Настройка ширины ег осуществляется эвристически, например по прин;

Я — пара;

ципу «первого ближайшего соседа»: сг =.

мстр перекрытия. Найти матрицу весов иг, которая оценивает качество связей левой и правой частей правил можно на основе алгоритма победителя.

Архитектура NNFLC (Neurons Network Fuzzy Logic Controller).

Комбинирование правил часто целесообразно выполнить с участием эксперта. Окончательная настройка функций принадлежности выполняется с помощью алгоритма обратного распро;

странения ошибки для функции ошибки е. -dk . Цепоч ка правил распространяет ошибку до слоя 1 с обратным роутингом. Таким образом, можно сделать вывод о том, что архитектура NNFLC может быть проинтерпретирована как система нечеткого вывода Такаги-Сугено.

Показать весь текст
Заполнить форму текущей работой