적응성 신경 퍼지 추론 시스템

Adaptive neuro fuzzy inference system

적응형 신경 퍼지 추론 시스템 또는 적응형 네트워크 기반 퍼지 추론 시스템(ANFIS)은 타카기-에 기반을 둔 인공 신경망의 일종이다.수게노 퍼지 추론 시스템. 이 기술은 1990년대 초에 개발되었다.[1][2] 신경망과 퍼지 논리 원리를 모두 통합하기 때문에 하나의 틀에서 양쪽의 장점을 포착할 수 있는 잠재력이 있다. 그것의 추론 시스템은 퍼지 IF–의 집합에 해당한다.그 다음 비선형 함수의 근사치를 위한 학습 능력이 있는 규칙.[3] 따라서 ANFIS는 보편적 추정기로 간주된다.[4] ANFIS를 보다 효율적이고 최적의 방법으로 사용하기 위해서는 유전자 알고리즘을 통해 얻은 최상의 파라미터를 사용할 수 있다.[5][6] 지능적인 상황 인식 에너지 관리 시스템에 활용한다.[7]

ANFIS 아키텍처

네트워크 구조에서 두 부분, 즉 전제 부분과 결과 부분을 식별할 수 있다. 보다 세부적으로 보면, 아키텍처는 5개의 계층에 의해 구성된다. 첫 번째 계층은 입력 값을 취하여 그것들에 속하는 멤버쉽 함수를 결정한다. 그것은 보통 솜털 층이라고 불린다. 각 함수의 멤버십 정도는 전제 매개변수 집합, 즉 {a,b,c}을 사용하여 계산한다. 두 번째 층은 규칙에 대한 발사 강도를 발생시킬 책임이 있다. 그것의 업무 때문에, 두 번째 계층은 "규칙 계층"으로 표시된다. 세 번째 층의 역할은 총 발화 강도에 대한 각 값을 나누어 계산된 발화 강도를 정상화시키는 것이다. 네 번째 계층은 정규화된 값과 결과 매개 변수 집합 {p,q,r}을(를) 입력으로 사용한다. 이 계층에 의해 반환되는 값은 디퍼지드된 값이며, 그러한 값은 최종 출력을 반환하기 위해 마지막 계층으로 전달된다.[8]

솜털층

ANFIS 네트워크의 첫 번째 층은 바닐라 신경망과의 차이를 설명한다. 일반적으로 신경망은 형상이 0~1 사이의 정규화된 값으로 변환되는 데이터 전처리 단계로 작동하고 있다. ANFIS 신경망에는 S자형 함수가 필요하지 않지만, 숫자 값을 퍼지 값으로 변환하여 사전 처리 단계를 수행하고 있다.[9]

예를 들면 다음과 같다. 네트워크가 2d 공간에서 두 지점 사이의 거리를 입력한다고 가정합시다. 거리는 픽셀 단위로 측정되며 0에서 500픽셀까지의 값을 가질 수 있다. 숫자 값을 퍼지 숫자로 변환하는 것은 근거리, 중거리, 원거리와 같은 의미적 설명으로 구성된 멤버십 함수로 이루어진다.[10] 각각의 가능한 언어적 가치는 각각의 뉴런에 의해 주어진다. 뉴런은 거리가 "근접" 범주 내에 위치하면 0부터 1까지의 값으로 "근접" 발화한다. 뉴런이 "중간"을 발사하는 동안, 만약 그 범주의 거리가 있다면. 입력 값 "픽셀 단위 거리"는 근거리, 중거리 및 원거리에서 세 개의 다른 뉴런으로 나뉜다.

참조

  1. ^ Jang, Jyh-Shing R (1991). Fuzzy Modeling Using Generalized Neural Networks and Kalman Filter Algorithm (PDF). Proceedings of the 9th National Conference on Artificial Intelligence, Anaheim, CA, USA, July 14–19. Vol. 2. pp. 762–767.
  2. ^ Jang, J.-S.R. (1993). "ANFIS: adaptive-network-based fuzzy inference system". IEEE Transactions on Systems, Man and Cybernetics. 23 (3): 665–685. doi:10.1109/21.256541. S2CID 14345934.
  3. ^ Abraham, A. (2005), "Adaptation of Fuzzy Inference System Using Neural Learning", in Nedjah, Nadia; de Macedo Mourelle, Luiza (eds.), Fuzzy Systems Engineering: Theory and Practice, Studies in Fuzziness and Soft Computing, vol. 181, Germany: Springer Verlag, pp. 53–83, CiteSeerX 10.1.1.161.6135, doi:10.1007/11339366_3, ISBN 978-3-540-25322-8
  4. ^ 장, 선, 미즈타니(1997) – 신경-후지 및 소프트 컴퓨팅 – 프렌티스 홀, 페이지 335–368, ISBN 0-13-261066-3
  5. ^ Tahmasebi, P. (2012). "A hybrid neural networks-fuzzy logic-genetic algorithm for grade estimation". Computers & Geosciences. 42: 18–27. Bibcode:2012CG.....42...18T. doi:10.1016/j.cageo.2012.02.004. PMC 4268588. PMID 25540468.
  6. ^ Tahmasebi, P. (2010). "Comparison of optimized neural network with fuzzy logic for ore grade estimation". Australian Journal of Basic and Applied Sciences. 4: 764–772.
  7. ^ Kamal, Mohasinina Binte; Mendis, Gihan J.; Wei, Jin (2018). "Intelligent Soft Computing-Based Security Control for Energy Management Architecture of Hybrid Emergency Power System for More-Electric Aircrafts [sic]". IEEE Journal of Selected Topics in Signal Processing. 12 (4): 806. Bibcode:2018ISTSP..12..806K. doi:10.1109/JSTSP.2018.2848624. S2CID 51908378.
  8. ^ Karaboga, Dervis; Kaya, Ebubekir (2018). "Adaptive network based fuzzy inference system (ANFIS) training approaches: a comprehensive survey". Artificial Intelligence Review. 52 (4): 2263–2293. doi:10.1007/s10462-017-9610-2. ISSN 0269-2821. S2CID 40548050.
  9. ^ J.-S.R. Jang (1992). "Self-learning fuzzy controllers based on temporal backpropagation". IEEE Transactions on Neural Networks. Institute of Electrical and Electronics Engineers (IEEE). 3 (5): 714–723. doi:10.1109/72.159060. PMID 18276470.
  10. ^ Anish Pandey and Saroj Kumar and Krishna Kant Pandey and Dayal R. Parhi (2016). "Mobile robot navigation in unknown static environments using ANFIS controller". Perspectives in Science. Elsevier BV. 8: 421–423. doi:10.1016/j.pisc.2016.04.094.


Stub icon

이 인공지능 관련 기사는 단조롭다. 위키피디아를 확장하여 도울 수 있다.