Обучение нейро-нечеткой сети

Суть обучения состоит в подборе таких весов дуг, которые минимизируют различие между результатами нейро-нечеткой аппроксимации и реальным поведением объекта. Для обучения используется система рекуррентных соотношений:

(6.24)

(6.25)

, , , , (6.26)

минимизирующих критерий

(6.27)

применяемый в теории нейронных сетей, где:

и - теоретический и экспериментальный выходы объекта (6.18) на -м шаге обучения;

, , - веса правил () и параметры функций принадлежности (, ) на -м шаге обучения;

m- параметр обучения, который может выбираться в соответствии с рекомендациями работы [53].

Частные производные, входящие в соотношения (6.24)-(6.26), характеризуют чувствительность ошибки () к изменению параметров нейро-нечеткой сети, и вычисляются следующим образом:

(6.28)

(6.29)

(6.30)

где

(6.31)

(6.32)

(6.33)

(6.34) (6.35)

(6.36)

(6.37)

Аналогично правилу, алгоритм обучения нейро-нечеткой сети состоит из двух фаз. На первой фазе вычисляется модельное значение выхода объекта (), соответствующее заданной архитектуре сети. На второй фазе вычисляется значение невязки () и по формулам (6.28)-(6.37) пересчитываются веса межнейронных связей.

Не нашли, что искали? Воспользуйтесь поиском: