Система еволюційних нейро-фаззі систем, що використовують різні принципи навчання та налаштовують свої синаптичні ваги та архітектуру. Адаптивна процедура об"єднання цих систем. Архітектура системи, що здатна обробляти інформацію в режимі реального часу.
Ключевые слова: эволюционная нейро-фаззи система, нормализованная радиально-базисная нейронная сеть, обобщенная регрессионная нейро-фаззи сеть, нечеткая машина опорных векторов, ядерная функция активации. This network is tuned using both optimization and memory based approaches and does not inclined to the “curse of dimensionality”, is able to real time mode information processing by adapting its parameters and structure to problem conditions. Процес навчання, як правило, грунтується на використанні тієї або іншої процедури оптимізації прийнятого критерію, при цьому швидкість збіжності такої процедури може бути досить низькою, особливо при навчанні багатошарових мереж, що створює істотні проблеми в ситуаціях, коли навчальна вибірка задана не пакетом, а у вигляді послідовності спостережень, що надходять у online режимі. Спроба синтезу такої мережі була зроблена в [8,9], де запропонована система складалася з кількох паралельно працюючих нейронних мереж з однаковою архітектурою, але навчених на основі різних принципів, і блоку оптимізації,що об‘єднує виходи цих мереж та синтезує оптимальний вихідний сигнал системи в цілому. У порівнянні з нейронними мережами більші можливості мають нейро-фаззі системи [2,10-12], що поєднують в собі можливості до навчання, апроксмімаціі та лінгвістичної інтерпретації отриманих результатів.Введено систему еволюційних нейро-фаззі систем, що використовують різні принципи навчання та налаштовують не тільки синаптичні ваги, але й свою архітектуру.
Вывод
Введено систему еволюційних нейро-фаззі систем, що використовують різні принципи навчання та налаштовують не тільки синаптичні ваги, але й свою архітектуру. Запропоновано адаптивну процедуру обєднання цих систем, що дозволяє синтезувати оптимальний вихідний сигнал і встановлювати рівні належності до деякої гіпотетичної оптимальної системи. Підхід, що розвивається, відрізняється обчислювальною простотою й дозволяє обробляти інформацію в online режимі в міру її надходження.
Список литературы
1. Осовский С. Нейронные сети для обработки информации. / Осовский С. // М.: Финансы и статистика. - 2002. - 344 с.
2. Rutkowski L. Computational Intelligence. Methods and Tehniques. / Rutkwski L. // Berlin-Heidelberg: Springer-Verlag, - 2008. - 514 р.
3. Nelles O. Nonlinear System Identification. / Nelles O. // Berlin: Springer, - 2001. - 785р.
4. Friedman J. The Elements of Statistical Learning. Data Mining, Inference and Prediction. / Friedman J., Hastie T., Tibshirani R. // Berlin: Springer, - 2003.-552 p.
5. Zahirniak D. Pattern recognition using radial basis function network. / Zahirniak D., Chapman R., Rogers S. K., Suter B. W., Kabrisky M., Pyati V. // Dayton, OH: Application of AI Conf., - 1990. - P. 249 -260.
6. Specht D. F. A general regression neural network // IEEE Trans. on Neural Networks - 1991. - Vol. 2. - P. 568-576.
7. Kasabov N. Evolving Connectionist Systems. / Kasabov N. // London: Springer - Verlag, - 2003 - 307 р.
8. Bodyanskiy Ye. Hibrid evolving neural netvork using kernel activation functions. / Bodyanskiy Ye., Teslenko N., Grimm P. // proceedings of the. 17th Conference Zittau East-West Fuzzy Coll. - Zittau Goerlitz: HS, 2010. - P. 39-46.
9. Бодянський Є.В. Еволюційна нейронна мережа з ядерними функціями активації та адаптивний алгоритм її навчання. / Бодянський Є.В., Дейнеко А.О., Тесленко Н.О. // Наукові праці - Вип. 130. - Т. 143. - Компютерні технології. - Миколаїв: Вид-во ЧДУ ім.. Петра Могили, - 2010. - С. 71-78.
10. Jang J.-S. Neuro-Fuzzy and Soft Computing: A Computational Approach to Learning and Maching Intelligence. / Jang J.-S., Sun C.-T., Mizutani E. // Upper Saddle River: Prentice Hall - 1997. - 640 p.
11. Wang L.-X. Fuzzy basis functions, universal approximation and orthogonal least squares learning. / Wang L.-X., Mendel J. M. // IEEE Trans. on Neural Networks, - 1993. - Vol.3. - P. 807-814.
12. Cios K. J. Neuro-fuzzy algorithms. / Cios K. J., Pedrycz W. - Oxford: IOP Publishing Ltd and Oxford University Press. // Handbook of Neural Computation, - 1997. - D1. 3:1 - D1. 3:7.
13. Takagi T. Fuzzy identification of systems and its applications to modeling and control. / Takagi T., Sugeno M. // IEEE Trans. on Systems, Man, and Cybernetics. - 1985. - Vol.15. - P. 116-132.
14. Wang L.-X. Adaptive Fuzzy Systems and Control. Design and Stability Analysis. / Wang L.-X. // Upper Saddle, N.J.: Prentice Hall, - 1994. - 256p.
15. Bodyanskiy Ye. Generalized regression neuro-fuzzy network / Bodyanskiy Ye., Teslenko N. - Proc. XIII-th Int. Conf. “Information Reaserch & Application”, i. TECH 2007. - V. 1. - Varna. 2007. - P. 219-225.
16. Bodyanskiy Ye.Nonliner process identification and modeling using general regression neuro-fuzzy network / Bodyanskiy Ye., Otto P., Pliss I, Teslenko N. // “Computer Science Meets Automation.”: proceedings of the 52th International Conference - TU Ilmenau (Thuer.) - 2007. - P. 23-27.
17. Bodyanskiy Ye. General regression neuro-fuzzy network for identification of nonstationary plants. / Bodyanskiy Ye., Teslenko N. // Int. J. Informaion Technologies and Knowledge, - 2008. - Vol. 2. - №2 - P. 136 - 142.
18. Bishop C. M. Neural Networks for Pattern Recognition. / Bishop C. M. // Oxford: Clarendon Press, - 1995. - 482 p.
19. Vapnik V. N. The Nature of Statistical Learning Theory. / Vapnik V. N. // N.Y.: Springer, - 1995. - 188 p.
20. Vapnik V. N. Statistical Learning Theory: Adaptive and Learning Systems. / Vapnik V. N. // N.Y.: John Wiley & Sons, - 1998. - 736 p.
21. Suykens J.A.K. Least Squares Support Vector Machines. / Suykens J.A.K., Gestel T.V., Brabanter J.D., Moor B.D., Vandewalle J. // Singapore: World Scientific, - 2002. - 294p.
22. Lin Ch.-F. Fuzzy Support Vector Machines. / Lin Ch.-F., Wang Sh.-D. // IEEE Trans. on Neural Networks. - 2002. - T. 13. - №2. - P. 646-471.
23. Tsujinishi D. Fuzzy Least Squares Support Vector Machines for multiclass problems. / Tsujinishi D., Abe S. // Neural Networks, - 2003 - Vol. 16. - P. 785-792.
24. Hansen L. K. Neural networks ensembles / Hansen L. K., Salamon P. // IEEE Trans. on Pattern Analysis and Machine Intelligence, - 1990. - Vol. 12. - P. 993 - 1000
25. Sharkey A. J. C. On combining artificial neural nets / Sharkey A. J. C. // Connect. Sci, 1996. - Vo;. 8. - P. 299 - 313.
26. Hashem S. Optimal linear combination of neural networks / Hashem S. // Neural Networks, - 1997. - Vol. 10. - P. 599-614.
27. Naftaly U. Optimal ensemble averaging of neural networks / Naftaly U., Intrator N., Horn D. // Network: Comput. Neural Syst, 1997. - Vol. 8. - P. 283-296.
28. Бодянський Є.В. Адаптивне виявлення розладнань в об‘єктах керування за допомогою штучних нейронних мереж. / Бодянський Є.В., Михальов О.І., Плісс І.П. // Дніпропетровськ: Системні технології, - 2000. - 140 c.
29. Поляк Б. Т. Введение в оптимизацию. / Поляк Б. Т // М: Мир, - 1984. - 541 с.
30. Бодянский Е.В. Адаптивное обобщенное прогнозирование многомерных случайных последовательностей. / Бодянский Е.В., Плисс И.П., Соловьева Т.В. // Доклады АН УССР. - 1989. - А. - №9. - С. 73-75.
Размещено на .ru
Вы можете ЗАГРУЗИТЬ и ПОВЫСИТЬ уникальность своей работы
