КАТЕГОРИИ: Архитектура-(3434)Астрономия-(809)Биология-(7483)Биотехнологии-(1457)Военное дело-(14632)Высокие технологии-(1363)География-(913)Геология-(1438)Государство-(451)Демография-(1065)Дом-(47672)Журналистика и СМИ-(912)Изобретательство-(14524)Иностранные языки-(4268)Информатика-(17799)Искусство-(1338)История-(13644)Компьютеры-(11121)Косметика-(55)Кулинария-(373)Культура-(8427)Лингвистика-(374)Литература-(1642)Маркетинг-(23702)Математика-(16968)Машиностроение-(1700)Медицина-(12668)Менеджмент-(24684)Механика-(15423)Науковедение-(506)Образование-(11852)Охрана труда-(3308)Педагогика-(5571)Полиграфия-(1312)Политика-(7869)Право-(5454)Приборостроение-(1369)Программирование-(2801)Производство-(97182)Промышленность-(8706)Психология-(18388)Религия-(3217)Связь-(10668)Сельское хозяйство-(299)Социология-(6455)Спорт-(42831)Строительство-(4793)Торговля-(5050)Транспорт-(2929)Туризм-(1568)Физика-(3942)Философия-(17015)Финансы-(26596)Химия-(22929)Экология-(12095)Экономика-(9961)Электроника-(8441)Электротехника-(4623)Энергетика-(12629)Юриспруденция-(1492)Ядерная техника-(1748) |
Представление модуля нечеткого управления в виде стандартной нейронной сети
Примечание Таким образом, представленная структура модуля нечеткого управления обладает свойством, которое отсутствует у «обычных» нечетких систем - способностью к обучению. Это достигнуто благодаря представлению модуля управления в виде нейроподобнои многослойной сети. В то же время, эта сеть свободна от главного недостатка нейронных сетей - распределения знаний. Все веса и параметры сохраняют свою физическую интерпретацию, что дает возможность анализировать знания, накопленные системой в процессе обучения. Покажем теперь, что модуль нечеткого управления, описанный в разд. 5.1, можно представить в виде стандартной нейронной сети. С учетом формул (5.10) и (5.12) преобразуем выражение (5.7), описывающее функцию принадлежности нечеткого множества Вк, к фор- Продолжим преобразования: (5.26) Для упрощения приведенного уравнения можно нормализовать векторы х = [jf,..... хп]Т и х*= [Я*......... хкп]т, т.е. допустить, что их длина равна! |=,У(х,-)2 =1 и |х* |= Ј(xf f =1. (5.27) Глава 5 Модули нечетко-нейронного управления 5.3. Модуль управления с нейросетевой дефуззификацией
В этом случае зависимость (5.27) можно преобразовать к виду (5.28) В итоге
'(о*)2 При подстановке приведенного выражения в формулу, описывающую операцию дефуззификации (5.8), получим
Полученное решение представляет собой модификацию уравнения (5.13). Следует подчеркнуть тот факт, что его вывод обусловлен нормализацией векторов х и х* и, а также что параметр of имеет постоянное значение для любого /. Новый подход требует формирования новой структуры. Она показана на рис. 5.18. С учетом принятых допущений практическая реализация этой структуры вызывает большие сомнения, однако она демонстрирует принципиальную возможность представления нечеткой системы в виде нейронной сети. В такой сети выделяются три слоя.
Слой 1 (L1). Первый слой возник в результате объединения и модификации первого и второго слоев эталонной структуры (рис. 5.1). В качестве элементов этого слоя выступают классические нейроны с взвешенной суммой входов, поляризацией постоянным числом (bias) и экспоненциальной функцией активации с параметром hk. В отличие от «обычных» нейронных сетей, как веса, так и параметры этого слоя имеют конкретную интерпретацию: xf представляет центр функции принадлежности нечеткого множества, соответствующего;-й входной переменной в /с-м правиле, a hk - ширину этих функций. Каждый нейрон соответствует одному нечеткому правилу. Слои 2 (L2) и 3 (L3). Легко заметить, что эти слои идентичны слоям L3 и L4 эталонной структуры (рис. 5.1). Они так же реализуют операцию дефуззификации, определенную выражением (5.8). Слой L2 состоит из двух нейронов с линейной функцией активации. Веса связей верхнего
Рис. 5.18. Реализация модифицированного модуля нечетко выражением (5.30). нейрона у* интерпретируются как центры функций принадлежности нечетких множеств В*. Они модифицируются в процессе обучения. Веса нижнего нейрона остаются постоянными и равны 1. Представление нечеткой структуры в виде нейронной сети имеет ряд очевидных преимуществ. Она позволяет сохранить важнейшее достоинство нечетких систем - конкретную физическую интерпретацию весов и параметров. С учетом этого можно осмелиться утверждать, что несмотря на различные исходные условия, нейронные сети и нечеткие системы в определенном смысле равнозначны друг другу. Следует также отметить, что структура, изображенная на рис. 5.18, может рассматриваться и в качестве так называемой вероятностной нейронной сети [15].
Дата добавления: 2015-06-04; Просмотров: 343; Нарушение авторских прав?; Мы поможем в написании вашей работы! Нам важно ваше мнение! Был ли полезен опубликованный материал? Да | Нет |