신경 퍼지

Neuro-fuzzy
간단한 스게노 다카기 컨트롤러를 구현하는 신경 퍼지 시스템의 스케치.[1]

인공지능 분야에서 신경 퍼지(neuro-fuzzy)는 인공신경망과 퍼지(fuzzy) 논리의 결합을 말한다.

개요

신경-퍼지 혼합은 퍼지 시스템의 인간다운 추리 스타일과 신경 네트워크의 학습 및 연결론적 구조를 결합함으로써 이 두 가지 기법이 혼합된 지능형 시스템을 만들어 낸다. 신경-퍼지 혼합은 문헌에서 퍼지 신경망(FNN) 또는 신경 퍼지 시스템(NFS)으로 널리 불린다. 신경 퍼지 시스템(이후 더 많이 사용되는 용어)은 퍼지 집합의 사용을 통한 퍼지 시스템의 인간다운 추론 스타일과 IF-DEN 퍼지 규칙 집합으로 구성된 언어 모델을 통합한다. 신경 퍼지 시스템의 주요 강점은 해석 가능한 IF-TEN 규칙을 요구할 수 있는 능력을 가진 보편적인 근사치라는 것이다.

신경 퍼지 시스템의 강도는 퍼지 모델링에서 두 가지 상반된 요건인 해석성 대 정확성을 포함한다. 실제로 두 가지 속성 중 하나가 우세하다. 퍼지 모델링 연구 분야의 신경 퍼지(Neuro-fuzzy)는 해석성에 초점을 맞춘 언어 퍼지 모델링, 주로 맘다니 모델, 정확성에 초점을 맞춘 정밀 퍼지 모델링, 주로 타카기-스게노-캉(TSK) 모델로 나뉜다.

일반적으로 연결론적 네트워크를 통한 퍼지 시스템의 실현이라고 가정하지만, 이 용어는 다음을 포함한 일부 다른 구성을 설명하는 데에도 사용된다.

맘다니형 신경 퍼지 시스템의 해석성이 상실될 수 있다는 점을 지적해야 한다. 신경 퍼지 시스템의 해석 가능성을 향상시키기 위해서는 특정한 조치를 취해야 하며, 여기서 신경 퍼지 시스템의 해석성의 중요한 측면도 논의되어야 한다.[2]

최근의 연구 라인은 신경 퍼지 시스템이 주문형 및 즉시 들어오는 새로운 샘플로 순차적으로 업데이트되는 데이터 스트림 마이닝 사례를 다루고 있다. 따라서 시스템 업데이트는 모델 매개변수의 재귀적 적응뿐만 아니라 개념 표류와 동적으로 변화하는 시스템 동작을 적절히 처리하고 시스템/모델을 언제든지 "최신"으로 유지하기 위해 모델 구성요소(뉴론, 규칙)의 동적 진화 및 가지치기(프론)를 포함한다. 진화하는 다양한 신경 퍼지 시스템 접근방식에 대한 포괄적인 조사는 및 에서 확인할 수 있다.[4]

유사 외부 제품 기반 퍼지 신경망

유사 외부 제품 기반 퍼지 신경 네트워크(POPFNN)는 언어 퍼지 모델에 기반을 둔 신경 퍼지 시스템 계열이다.[5]

이 문헌에는 POPFNN의 세 멤버가 있다.

  • 대략적인 아날로그적 추론 체계를[6] 기반으로 하는 POPFNN-AARS(S)
  • POPFNN-CRI(S), 일반적으로 허용되는 퍼지 구성 추론[7] 규칙
  • 진리 값 제한에 기반한 POPFNN-TVR

"POPFNN" 아키텍처는 1부터 5까지의 계층을 입력 언어 계층, 조건 계층, 규칙 계층, 결과 계층, 출력 언어 계층이라고 부르는 5계층 신경 네트워크다. 퍼지 추론은 규칙, 조건 및 결과 계층에 의해 집합적으로 수행되는 반면, 입력 언어 계층과 출력 언어 계층에 의해 각각 퍼지화 및 디퍼지화가 수행된다.

POPFNN의 학습 과정은 3단계로 구성된다.

  1. 퍼지 멤버십 생성
  2. 퍼지 규칙 식별
  3. 감독 세부 조정

다양한 퍼지 멤버십 생성 알고리즘을 사용할 수 있다. 학습 벡터 정량화(LVQ), FKP(Fuzzy Kohonen Partitioning) 또는 이산 증분 클러스터링(DIC) 일반적으로 POP 알고리즘과 그 변종 Laigy.POP는 퍼지 규칙을 식별하기 위해 사용된다.

메모들

  1. ^ 장, 선, 미즈타니(1997) - 신경-후지 및 소프트 컴퓨팅 - 프렌티스 홀, 페이지 335-368, ISBN0-13-261066-3
  2. ^ Y. Jin(2000). 고차원 시스템의 퍼지 모델링: 복잡성 감소 및 해석성 개선. 퍼지 시스템에서의 IEEE 거래, 8(2), 212-221, 2000
  3. ^ E. 루호퍼(2011년). 진화하는 퍼지 시스템: 방법론, 고급 개념 및 응용 프로그램. 스프링거 하이델베르크
  4. ^ N. Kasabov(2007년). 진화하는 Connectionist 시스템: 지식 엔지니어링 접근법 - 제2판. 런던 스프링거
  5. ^ 저우, R. W., & Quek, C. (1996년). "POPFNN: 유사 외부 제품 기반 퍼지 신경 네트워크" 뉴럴 네트워크, 9(9), 1569-1581.
  6. ^ 퀘크, C, & Zoo, R. W. (1999년) "POPFNN-AAR(S): 유사 외제품 기반 퍼지 신경망." IEEE 시스템, 인간 및 사이버네틱스에 관한 거래, 파트 B, 29(6), 859-870.
  7. ^ 앙, K, 퀘크, C, & Pasquier, M. (2003) "POPFNN-CRI(S): 추론의 구성 법칙과 단일톤 퍼지파이퍼를 이용한 유사 외부 제품 기반 퍼지 신경 네트워크." IEEE 시스템, 인간 및 사이버네틱스에 관한 거래, 파트 B, 33(6), 838-849.

참조

  • 아브라함 A, "신경 학습을 이용한 퍼지 추론 시스템의 적응, 퍼지 시스템 엔지니어링: 이론과 실천", 나디아 네드자 외 (Eds.) 독일 스프링거 베를라크 독일, ISBN 3-540-25322-X, 제3장 53–83, 2005. 출판사 사이트 정보.
  • Ang, K. K., & Quek, C. "RSPOP: Rough Set-Based 유사 외부 제품 퍼지 규칙 식별 알고리즘" 신경 연산, 17(1), 205-243.
  • 코스코, 바트(1992) 신경망 및 퍼지 시스템: 기계 인텔리전스에 대한 동적 시스템 접근법. 엥글우드 절벽, NJ: 프렌티스 홀. ISBN 0-13-611435-0
  • 린, C.-T. & Lee, C. S. G. (1996년) Neural Puzzy Systems: Intelligent Systems에 대한 Neuro-Fuzzy Synergism. 어퍼 새들 리버, NJ: 프렌티스 홀.
  • A. Bastian, J. Gasos(1996): "정적 비선형 시스템의 모델 식별을 위한 입력 변수 선택", Journal of Intelligent and Robotic Systems, Vol. 16, 페이지 185–207.
  • Quek, C, & Zou, R. W.(2001). "POP 학습 알고리즘: 퍼지 규칙을 식별하는 작업을 줄인다." 뉴럴 네트워크, 1431-1445

외부 링크