Anfis системы

Август 4, 2022

Содержание

2. Обоснование 1. Нейронные сети. + широко применяются для идентификации и распознавания образов; + возможность дополнительного обучения
3. ANFIS системы Цель – объединить в одной системе лучшие качества нечеткой логики и нейронных сетей: 1.
4. Топологии Совмещенная система Гибридная система
5. Структура
6. Структура ANFIS системы Нейрона каждого слоя выполняют определенные функции: 1. Вычисление значения функций принадлежности; 2. Обработка
7. Сугено ANFIS система Каждый слой выполняет определенную функцию: 0. Передача входных переменных на внутренние слои. 1.
8. Сугено ANFIS
9. Сугено ANFIS
10. Слой №1 Результат обработки информации – степень принадлежности входной координаты к термам функции принадлежности.
11. Обучение в первом слое
12. Слой №2 Обработка информации по правилам нечеткой логики с использованием одного из операторов агрегации. Результат обработки
13. Слой №3 На данном этапе происходит нормализация полученных ранее степеней активности правил, приведение их к некоторому
14. Слой №4 Вычисление взвешенных алгоритмов управления, например, в виде линейных функций первого порядка:
15. Слой №5 Вычисление суммарного выхода системы:
16. Обучение системы Обучение происходит в два этапа: 1. Прямой ход – S1 фиксируется, а S2 подстраивается
17. Обучение
18. Обучение
19. Преимущества ANFIS
20. Преимущества ANFIS 1. Применение метода наименьших квадратов для расчета коэффициентов 2. Точная настройка функций принадлежности методом
22. Скачать презентацию

Слайд 2

Обоснование
1. Нейронные сети.
+ широко применяются для идентификации и распознавания

образов;
+ возможность дополнительного обучения в процессе работы;
- нельзя ускорить обучение на основании некоторой информации;
- внутренняя структура сети – «черный ящик»;
- принцип работы не всегда понятен.
2. Нечеткая логика.
+ отличное объяснение реализуемых алгоритмов;
- невозможность внесения дополнительной информации в процессе работы;
- ограниченная сложность внутренней структуры;
Выход – объединение обоих алгоритмов.

Слайд 3

ANFIS системы
Цель – объединить в одной системе лучшие качества нечеткой логики

и нейронных сетей:
1. Использование экспертных знаний для наложения ограничения на пространство поиска решения.
2. Адаптация параметров нечеткой логики под изменяющиеся параметры процесса, например, по методу обратного распространения ошибки.
Полученная система может применяться в качестве регулятора с автоматической настройкой либо идентификатора, выполняющего анализ имеющихся и прогнозирование будущих данных).
При этом, ANFIS системы могут быть реализованы с помощью любого стандартного регулятора нечеткой логики – Цукамото, Мамдани или же Сугено.

Слайд 4

Топологии
Совмещенная система
Гибридная система

Слайд 5

Структура

Слайд 6

Структура ANFIS системы
Нейрона каждого слоя выполняют определенные функции:
1. Вычисление значения функций

принадлежности;
2. Обработка информации согласно базы правил (обычно по методу умножения);
3. Нормализация (например, средневзвешенное значение);
4. Вычисление значения промежуточных функций, например, линейная регрессия и умножение на взвешенные коэффициенты;
5. Вычисление выходного значения как алгебраической суммы.
ANFIS (Adaptive Neural (Network-based) Fuzzy Inference Systems – адаптивные нейронные системы с обработкой информации по принципам нечеткой логики) – в общем случае, алгоритм, создающий дерево нечеткого выбора для приведения данных к одной из pn регрессионных моделей с минимизацией некоторой функции ошибки (часто берется сумма квадратов ошибок).
р – количество термов в каждой входной переменной;
n – количество входных переменных.

Слайд 7

Сугено ANFIS система
Каждый слой выполняет определенную функцию:
0. Передача входных переменных на

внутренние слои.
1. Вычисление функций принадлежности каждому из термов входной переменной. Каждый нейрон соответствует одному из термов.
2. Обработка информации по правилам нечеткой логики. Каждый нейрон соответствует отдельному правилу.
3. Нормализующий слой – нормализация весовых коэффициентов.
4. Применение нормализованных коэффициентов к исходным регрессионным моделям. Вычисление выходных значений каждого из правил.
5. Суммирование полученных значений, вычисление выхода всей системы.

Слайд 8

Сугено ANFIS

Слайд 9

Сугено ANFIS

Слайд 10

Слой №1
Результат обработки информации – степень принадлежности входной координаты к термам

функции принадлежности.

Слайд 11

Обучение в первом слое

Слайд 12

Слой №2
Обработка информации по правилам нечеткой логики с использованием одного из

операторов агрегации.

Результат обработки – степень активности каждого из правил (алгоритмов управления).

Слайд 13

Слой №3
На данном этапе происходит нормализация полученных ранее степеней активности правил,

приведение их к некоторому среднему значению:

Слайд 14

Слой №4
Вычисление взвешенных алгоритмов управления, например, в виде линейных функций первого

порядка:

Слайд 15

Слой №5
Вычисление суммарного выхода системы:

Слайд 16

Обучение системы
Обучение происходит в два этапа:
1. Прямой ход – S1 фиксируется,

а S2 подстраивается исходя из минимизации функции ошибки (в режиме оффлайн).
2. Обратный ход – S2 фиксируется, а S1 подстраивается градиентным методом.

Обратный ход:

Слайд 17

Обучение

Слайд 18

Обучение

Слайд 19

Преимущества ANFIS

Слайд 20

Преимущества ANFIS
1. Применение метода наименьших квадратов для расчета коэффициентов
2. Точная настройка

функций принадлежности методом обратного распространения ошибки
3. Внутренняя интерполяция методами нечеткой логики
4. Плавно изменяющийся сигнал на выходе

Anfis системы

Содержание

Обоснование 1. Нейронные сети. + широко применяются для идентификации и распознавания

ANFIS системыЦель – объединить в одной системе лучшие качества нечеткой логики

ТопологииСовмещенная системаГибридная система

Структура

Структура ANFIS системыНейрона каждого слоя выполняют определенные функции:1. Вычисление значения функций

Сугено ANFIS системаКаждый слой выполняет определенную функцию:0. Передача входных переменных на

Сугено ANFIS

Сугено ANFIS

Слой №1Результат обработки информации – степень принадлежности входной координаты к термам

Обучение в первом слое

Слой №2Обработка информации по правилам нечеткой логики с использованием одного из

Слой №3На данном этапе происходит нормализация полученных ранее степеней активности правил,

Слой №4Вычисление взвешенных алгоритмов управления, например, в виде линейных функций первого

Слой №5Вычисление суммарного выхода системы:

Обучение системыОбучение происходит в два этапа:1. Прямой ход – S1 фиксируется,

Обучение

Обучение

Преимущества ANFIS

Преимущества ANFIS1. Применение метода наименьших квадратов для расчета коэффициентов2. Точная настройка

Похожие презентации

Обоснование
1. Нейронные сети.
+ широко применяются для идентификации и распознавания

ANFIS системы
Цель – объединить в одной системе лучшие качества нечеткой логики

Топологии
Совмещенная система
Гибридная система

Структура ANFIS системы
Нейрона каждого слоя выполняют определенные функции:
1. Вычисление значения функций

Сугено ANFIS система
Каждый слой выполняет определенную функцию:
0. Передача входных переменных на

Слой №1
Результат обработки информации – степень принадлежности входной координаты к термам

Слой №2
Обработка информации по правилам нечеткой логики с использованием одного из

Слой №3
На данном этапе происходит нормализация полученных ранее степеней активности правил,

Слой №4
Вычисление взвешенных алгоритмов управления, например, в виде линейных функций первого

Слой №5
Вычисление суммарного выхода системы:

Обучение системы
Обучение происходит в два этапа:
1. Прямой ход – S1 фиксируется,

Преимущества ANFIS
1. Применение метода наименьших квадратов для расчета коэффициентов
2. Точная настройка