ISSN 2071-8594

Российская академия наук

Главный редактор

Академик С. В. Емельянов

М.В. Бобырь "Метод нелинейного обучения нейро-нечеткой системы вывода"

Аннотация.

Рассмотрен новый метод обучения системы нейро-нечеткого вывода. Структурирована обобщенная модель нечеткого вывода с использованием в нем линейной и нелинейной функций. Приведены результаты процесса обучения нейро-нечеткой системы вывода с использованием в методе разности площадей линейной и нелинейной функции, осуществленные на модельном примере. Оценка функционирования нейро-нечеткой системы вывода осуществлялась на основе расчета коэффициента RMSE и времени её обучения. Предложенная нелинейная модель разности площадей повышает точность при обучении нечетких систем.

Ключевые слова:

метод разности площадей, мягкие вычисления, дефаззификация, обучение, адаптивные нейро-нечеткие системы вывода, RMSE.

Стр. 67-75.

Литература

1. Башлыков А.А. Образное представление состояния сложных технологических объектов управления // Искусственный интеллект и принятие решений. 2012. № 3. С. 9-18.
2. Карпов В.Э., Вальцев В.Б. Динамическое планирование поведения робота на основе сети «интеллектуальных» нейронов // Искусственный интеллект и принятие решений. 2009. № 2. С. 58-69.
3. Емалетдинова Л.Ю., Стрункин Д.Ю. Моделирование диагностической деятельности врача на основе нечеткой нейронной сети // Искусственный интеллект и принятие решений. 2010. № 3. С. 73-78.
4. Abdulshahed A.M., Longstaff A.P., Fletcher S. The application of ANFIS prediction models for thermal error compensation on CNC machine tools // Applied Soft Computing. 2015. Vol. 27. p. 158-168.
5. Алиев М.И., Исаева Э.А., Алиев И.М. Теория вероятностей и теория нечетких множеств Л. Заде: различия и сходство // Искусственный интеллект и принятие решений. 2012. № 3. С. 19-25.
6. Тенетко О.Ю., Пескова М.И. Проведение эксперимента по обоснованию выбора нечеткой импликации, пригодной для решения задач классификации рисков и выработки наилучших рекомендаций по рискам // Известия ЮФУ. Технические науки. 2012. № 12 (137). С. 117-121.
7. Mandal S., Jayaram B. SISO fuzzy relational inference systems based on fuzzy implications are universal approximators // Fuzzy Sets and Systems. 2015. Vol. 277, Issue 15. p. 1-21.
8. Vemuri N.R. Mutually exchangeable fuzzy implications // Information Sciences. 2015. Vol. 317, Issue 1. p. 1-24.
9. Пегат А. Нечеткое моделирование и управление/А. Пегат, пер. с англ. М.: БИНОМ. Лаборатория знаний. 2012. 798 с.
10. Бобырь М.В., Кулабухов С.А. Дефаззификация вывода из базы нечетких правил на основе метода разности площадей // Вестник компьютерных и информационных технологий. 2015. № 9 (135). С. 32-41.
11. Бобырь М.В., Кулабухов С.А., Милостная Н.А. Обучение нейро-нечеткой системы на основе метода разности площадей // Искусственный интеллект и принятие решений. 2016. № 4. С. 15-26.
12. Bobyr M.V., Milostnaya N.A., Kulabuhov S.A. A method of defuzzification based on the approach of areas' ratio // Applied Soft Computing Journal, 2017. Vol. 59. №10. p. 19-32.
13. Бобырь М.В., Кулабухов С.А., Титов Д.В. Оценка влияния числа обучаемых точек на аддитивность нечетких систем // Промышленные АСУ и контроллеры. 2014. № 10. С. 30-35.
14. Бобырь М.В., Милостная Н.А. Нечеткая модель интеллектуальной системы управления мобильным роботом // Проблемы машиностроения и автоматизации. 2015. № 3. С. 57-67.
15. Бобырь М.В. Адаптация системы управления мобильным роботом на основе нечеткой логики // Мехатроника, автоматизация, управление. 2015. Т. 16. № 7. С. 449-455.
16. Van Broekhoven E., De Baets B. Only Smooth Rule Bases Can Generate Monotone Mamdani–Assilian Models Under Center-of-Gravity Defuzzification // IEEE Transactions on fuzzy systems, 2009. Vol. 17. №. 5, p. 1157-1174.