Нейро-лингвистический аппроксиматор

В этом разделе предлагается способ представления лингвистической информации об объекте (6.18) в виде специальной нейро-нечеткой сети, изоморфной базе знаний (6.19). Структура такой сети представлена на рис.6.7, а содержание узлов показано в табл.6.6.

Рис.6.7 Структура нейро-нечеткой сети

Из рис.6.7 видно, что нейро-нечеткая сеть имеет пять слоев:

слой 1 - входы объекта идентификации;

слой 2 - нечеткие термы, используемые в базе знаний (6.19);

слой 3 - строки-конъюнкции нечеткой базы знаний (6.19);

слой 4 - правила, объединяемые в классы , ;

слой 5 - операция дефаззификации (6.21), т. е. преобразование результатов нечеткого логического вывода в четкое число.

Число узлов в нейро-нечеткой сети определяется так:

слой 1 - по количеству входов объекта идентификации;

слой 2 - по количеству нечетких термов в базе знаний (6.19);

слой 3 - по количеству строк-конъюнкций в базе знаний;

слой 4 - по количеству классов, на которые разбивается диапазон выходной переменной.

Таблица 6.6.

Элементы нейро-нечеткой сети

Узел	Название	Функция
	Вход
	Нечеткий терм
	Нечеткое правило
	Класс правил
	Дефаззификация

Дуги графа взвешиваются следующим образом:

единицей - дуги между 1-м и 2-м слоями;

функциями принадлежности входа к нечеткому терму - дуги между 2-м и 3-м слоями;

весами правил - дуги между 3-м и 4-м слоями;

единицей - дуги между 4-м и 5-м слоями.

В табл.6.6 обозначено:

- функция принадлежности переменной к терму ;

- центр класса .

При определении элементов нечеткое правило и класс правил, входящих в табл.6.6, нечетко-логические операции min и max из формулы (6.22) заменены арифметическими операциями умножения и сложения. Возможность такой замены обоснована в работе [85]. Здесь это позволяет получить аналитические выражения, удобные для дифференцирования.

Не нашли, что искали? Воспользуйтесь поиском: