فهرست مطالب

عنوان    صفحه

فصل 1-            سیستمهاي فازي- عصبی (ANFIS)        4

1-1-    مقدمه   4

1-2-    معرفی شبکه تطبیقی     6

1-3-    شبکه تطبیقی بر اساس سیستمهاي با منطق فازي (ANFIS)         9

1-4-    خوشه بندي       10

1-5-    ساختار  ANFISR: شبکه فازي- عصبی ANFIS تقویت شده با خوشه بندی            11

1-6-    بررسی ساختار ANFISRC  به کمک چند سیستم نمونه    12

1-7-    نتیجه گیري       18

1-8-    مراجع   18

مدلسازي سیستمها با ابزارهاي ریاضی معمول مانند معادلات دیفرانسیل براي سیستمهاي پیچیده و داراي عدم قطعیت مناسب و کارا نیست. از سوي دیگر سیستمهاي فازي با بهره گیري از مجموعه قوانین فازي میتوانند جنبه هاي کیفی دانش انسان و فرآیندهاي استدلالی را بدون کاربرد آنالیز کمی دقیق مدل کنند. مدلسازي و شناسایی فازي، توسط تاکاگی و سوگینو مورد بررسی قرار گرفت و کاربردهاي عملی زیادي در زمینه کنترل، شناسایی و پیشبینی به دست آورد[ 1]. از تلفیق ساختارهاي فازي با شبکههاي عصبی مصنوعی، شبکههاي فازي- عصبی حاصل میشوند که براي شناسایی سیستمها، پیشبینی سريهاي زمانی و موارد متنوع دیگر به کار میروند.

ساختار ANFIS (Inference System Adaptive Network Based Fuzzy) که در سال 1993 ارائه شد، حاصل تلفیق شبکههاي عصبی تطبیقی و منطق فازي است که با به کارگیري فرآیند یادگیري هایبرید، میتوان پارامترهاي آن را براي مدلسازي سیستمها براساس دادههاي ورودي_خروجی موجود تنظیم نمود[ 1]. ساختارهایی که پیش از سال 1993 ارائه شده اند، در مقایسه با ANFIS قابلیت تطبیق کمتري داشتند. پس از سال 1993 نیز ساختارهاي فازي-عصبی متنوعی ارائه شدند که از مهمترین آنها میتوان به شبکه فازي-عصبی تحویلپذیر (Evolving Fuzzy Neural Networks) سیستم فازي-عصبی، پویاي تحویلپذیر (Inference System Dynamic Evolving Neural-Fuzzy). (Fuzzy Neural Network Generic Self-Organizing ) GenSoFNN ،( Inference Network Self-Adaptive Fuzzy) SAFIN  اشاره نمود. ساختارهاي یاد شده (به استثناي ANFIS) به نوعی از خوشه بندي دادهها براي مدلسازي استفاده میکنند. به عنوان مثال در فرآیند آموزش شبکه فازي-عصبی تحویلپذیر و سیستم فازي-عصبی پویاي تحویلپذیر، قوانین فازي جدید تولید شده و خوشه بندی نیز به صورت تحویلپذیر انجام میشود. به همین دلیل این ساختارها با عنوان تحویلپذیر نامگذاري شده اند. در این شبکه ها تعداد و محدوده خوشه ها ضمن آموزش تغییر میکند[ 2و 3]. شبکه فازي-عصبی GenSoFNN از روش خوشه بندي گسسته افزایشی (Incremental Clustering Discrete) به منظور دسته بندي داده ها استفاده میکند[ 4]. ساختار SAFIN نیز روش خوشه بندي CLIP (Categorical Learning Induced Partitioning) را به کار می برد[ 5].

در مرجع 6 روش اتصال و انفصال مبتنی بر عملیات و نرم هاي فازي براي بهبود دقت شبکه هاي فازي- عصبی پیشنهاد و بر روي شبکه  ANFISبراي مدلسازي تابع دو ورودي مثال 1 اجرا شده است. یکی از اشکالات وارد بر شبکه ANFIS مرسوم این است که هرچند افزایش تعداد پارامترها باعث افزایش دقت شناسایی میشود اما سرعت شبیه سازي را به شدت کاهش می دهد. در این مقاله ساختار فازي- عصبی ANFIS تقویت شده با خوشه بندي (ANFIS Reinforced by Clustering) ارائه شده است که در آن ضمن افزایش تعداد پارامترها و دقت شبیه سازي، زمان مدلسازي در مقایسه با  ANFISمعمول، تغییر چندانی ندارد. ساختار ANFISRC حاصل اجراي خوشه بندي بر روي فضاي ورودي- خروجی شبکه ANFIS براساس خطاي شبیه سازي به منظور افزایش دقت تخمین است.