ANFIS

Адаптивная сеть на основе системы нечеткого вывода (adaptive neuro-fuzzy inference system) или Адаптивная нейро-нечеткая система вывода (adaptive network-based fuzzy inference system), ANFIS — это искусственная нейронная сеть, основанная на нечеткой системе вывода Такаги-Сугено.

Метод был разработан в начале 1990-х годов^[1]^[2].

Так как этот метод интегрирует принципы нейронных сетей с принципами нечеткой логики, то у него есть потенциал, чтобы совместить их преимущества в одной структуре.

Вывод такой системы соответствует набору нечетких правил «если-то» (if-then), которые имеют способность к обучению аппроксимированию нелинейных функций^[3].

Следовательно, ANFIS считается универсальным оценщиком^[4].

Для использования ANFIS наиболее эффективным и оптимальным способом, можно использовать параметры, полученные с помощью генетического алгоритма^[5].

ПримерПравить

Простой контроллер Сугено-Такаги с двумя входами и двумя правилами:

ЕСЛИ P₁₁(x₁) И P₁₂(x₂) ТО f1(x₁, x₂)

ЕСЛИ P₂₁(x₁) И P₂₂(x₂) ТО f2(x₁, x₂)

ANFIS, который реализует этот элемент управления, будет выглядеть следующим образом:

Skizze des oberen Systems

ПримечанияПравить

↑ Jang, Jyh-Shing R (1991). Fuzzy Modeling Using Generalized Neural Networks and Kalman Filter Algorithm (PDF). Proceedings of the 9th National Conference on Artificial Intelligence, Anaheim, CA, USA, July 14–19. 2. pp. 762—767. Архивировано из оригинала (PDF) 2016-03-04. Дата обращения 2016-03-02. Используется устаревший параметр |deadlink= (справка)
↑ Jang, J.-S.R. ANFIS: adaptive-network-based fuzzy inference system (англ.) // IEEE Transactions on Systems, Man and Cybernetics : journal. — 1993. — Vol. 23, no. 3. — doi:10.1109/21.256541.
↑ Abraham, A. (2005), Adaptation of Fuzzy Inference System Using Neural Learning, in Nedjah, Nadia & de Macedo Mourelle, Luiza, Fuzzy Systems Engineering: Theory and Practice, vol. 181, Studies in Fuzziness and Soft Computing, Germany: Springer Verlag, с. 53–83, DOI 10.1007/11339366_3
↑ Jang, Sun, Mizutani (1997) — Neuro-Fuzzy and Soft Computing — Prentice Hall, pp 335—368, ISBN 0-13-261066-3
↑ Tahmasebi, P. A hybrid neural networks-fuzzy logic-genetic algorithm for grade estimation (англ.) // Computers & Geosciences : journal. — 2012. — Vol. 42. — P. 18—27. Архивировано 25 октября 2021 года.

ЛитератураПравить

Jang, Sun, Mizutani (1997) — Neuro-Fuzzy and Soft Computing — Prentice Hall, Seiten 335—368, ISBN 0-13-261066-3
Andrew P. Papliński: Adaptive Neuro-Fuzzy Inference System (ANFIS) (PDF; 322 kB) aus Neural Networks and Fuzzy Systems, Monash University Victoria (Australien)
Jürgen Sauer: Lehrbrief Nr. 12: Neuro-Fuzzy Systeme (PDF; 254 kB) aus Neuronale Netze, Fuzzy Control, Genetische Algorithmen, FH Regensburg

[1] Jang, Jyh-Shing R (1991). Fuzzy Modeling Using Generalized Neural Networks and Kalman Filter Algorithm (PDF). Proceedings of the 9th National Conference on Artificial Intelligence, Anaheim, CA, USA, July 14–19. 2. pp. 762—767. Архивировано из оригинала (PDF) 2016-03-04. Дата обращения 2016-03-02. Используется устаревший параметр |deadlink= (справка)

[2] Jang, J.-S.R. ANFIS: adaptive-network-based fuzzy inference system (англ.) // IEEE Transactions on Systems, Man and Cybernetics : journal. — 1993. — Vol. 23, no. 3. — doi:10.1109/21.256541.

[3] Abraham, A. (2005), Adaptation of Fuzzy Inference System Using Neural Learning, in Nedjah, Nadia & de Macedo Mourelle, Luiza, Fuzzy Systems Engineering: Theory and Practice, vol. 181, Studies in Fuzziness and Soft Computing, Germany: Springer Verlag, с. 53–83, DOI 10.1007/11339366_3

[4] Jang, Sun, Mizutani (1997) — Neuro-Fuzzy and Soft Computing — Prentice Hall, pp 335—368, ISBN 0-13-261066-3

[5] Tahmasebi, P. A hybrid neural networks-fuzzy logic-genetic algorithm for grade estimation (англ.) // Computers & Geosciences : journal. — 2012. — Vol. 42. — P. 18—27. Архивировано 25 октября 2021 года.

[1]

[2]

[3]

[4]

[5]