NNFLC — нечеткий контроллер на основе нейронной сети. Структура NNFLC приведена на рис. 26. Особенность структуры NNFLC — это различная функциональность слоев. Опишем кратко функции слоев.
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.
Рис. 26 — Структура сети NNFLC.
Слой 4. В рабочем режиме нейроны выполняют дефаззификацию, а в режиме обучения это дополнительный вход, выполняющий нормализацию:
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:
Алгоритм победителя выявляет.
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.
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.