Анализ особенностей системы Neural-Network-Driven Fuzzy Reasoning (NNDFR) и рассмотрение вариантов ее оптимизации. Разработка программного модуля для реализации алгоритма системы NNDFR. Применение системы для решения задач регрессионного прогнозирования.
При низкой оригинальности работы "Разработка гибридной системы типа NNDFR, основанной на нечетком и нейросетевом подходе, в среде MATLAB", Вы можете повысить уникальность этой работы до 80-100%
Федеральное государственное автономное образовательное учреждение высшего образования Выпускная квалификационная работа студента образовательной программы бакалавриата «Информационные системы и технологии» по направлению 090302 Информационные системы и технологии Разработка гибридной системы типа NNDFR, основанной на нечетком и нейросетевом подходе, в среде MATLABОбъединение нечеткого подхода и технологии нейронных сетей обеспечивает более высокую эффективность систем нечеткого логического вывода. Такие системы применяются при решении задач управления в автоматизации технологических процессов, прогнозирования и принятия решений в сфере бизнеса и финансов. Настоящая работа посвящена гибридной системе NNDFR (Neural-Network-Driven Fuzzy Reasoning), реализующей нечеткий логический вывод с использованием нейронных сетей. В данной системе, в отличие от многих других гибридных систем, отсутствует необходимость субъективного выбора функции принадлежности. В NNDFR построение многомерной функции принадлежности с помощью нейронной сети обеспечивает более высокую эффективность работы системы в задачах с зависимыми входными переменными.Нечеткие продукционные системы используют для описания и анализа сложных моделей и слабо формализуемых процессов. Нечеткие модели основаны на базе продукционных правил вида ЕСЛИ , ТО , оперирующих с нечеткими множествами. Нечеткое множество представляет собой множество пар , где - элемент, - степень принадлежности элемента множеству А. Поскольку для реальных систем часто характерна неопределенность данных, нечеткая логика, обобщающая классическую бинарную логику, позволяет моделировать более широкий круг задач. Благодаря концепции нечеткого множества, нечеткая логика предоставляет возможность работать с лингвистическими переменными.Кроме того, нечеткость в системе вывода может быть введена на разных уровнях (четкий логический вывод на нечетких множествах, нечеткие веса и функции принадлежности в логическом выводе). По таким критериям можно выделить следующие типы архитектур гибридных систем [2]: · Нечеткие модели с настройкой параметров правил вывода (параметров функций принадлежности нечетких множеств, весов правил, функций активации) в результате обучения нейронных сетей на обучающей выборке данныхСреди гибридных продукционных моделей одну из наиболее распространенных архитектур представляют системы типа ANFIS (Adaptive Neuro-Fuzzy Inference System), разработанные Янгом [3]. Структура ANFIS представляет собой многослойную сеть, каждый слой которой реализует определенный этап нечеткого вывода. Настоящая система адаптивна, она обучается на обучающих выборках с помощью градиентных методов. Для системы ANFIS, реализующей схему нечеткого вывода Сугено, с двумя входными переменными X и Y и выходной переменной Z (рис.1) правила вывода имеют следующий вид: Правило 1: ЕСЛИ x есть A1 и y есть B1, TO Элементы каждого слоя сети выполняет свою функцию в реализации нечеткого вывода: Слой 1.Среди наиболее распространенных можно выделить Fuzzy Logic Toolbox в среде MATLAB, FUZZYTECH и Wolfram Mathematica Fuzzy Logic. В среде компьютерной математики MATLAB, разработанной компанией MATHWORKS Inc., для работы с нечеткими системами предназначен пакет Fuzzy Logic Toolbox. Он включает в себя большое количество встроенных функций, позволяющих проектировать различные системы нечеткого вывода, в том числе с использованием нейронных сетей. Fuzzy Logic Toolbox предоставляет широкие возможности по моделированию нечетких систем и позволяет разрабатывать свои системы на основе встроенных функций.Сеть ANFIS обеспечивает эффективное решение многих задач управления, но в то же время имеет ряд недостатков. Как и большинство систем, основанных на нечетком логическом выводе, она требует априорного задания вида функции принадлежности. Система NNDFR (Neural-Network-Driven Fuzzy Reasoning), предложенная Такаги и Хаяши [4] не предполагает изначального задания вида функции принадлежности и строит многомерную функцию принадлежности с помощью нейронной сети.Гибридные системы на основе нечеткой логики и нейронных сетей представляют собой эффективный инструмент для решения различных задач.Модель NNDFR (Neural-Network-Driven Fuzzy Reasoning) производит нечеткий вывод, отдельные стадии которого выполняются с помощью нейронных сетей. Разбиение пространства входных векторов на кластеры, соответствующие разным правилам. Модель представляет собой систему нейронных сетей: сеть NNMEM определяет функцию принадлежности входных векторов, сети NNI вычисляют значение управления для каждого правила (рис.Для этого в нейронную сеть подаются все вектора обучающей выборки, сеть обучается, и вычисляется суммарная квадратичная ошибка. Затем из векторов обучающей выборки исключается x1, вычисляется суммарная квадратичная ошибка для этой сети. Если ошибка сети с исключенной переменной сопоставима с ошибкой сети с полным набором переменных, то такая переменная считается несущественной и может быть отброшена.
План
Содержание
Abstract
Введение
Глава 1. Обзор предметной области и постановка задачи
1.1 Гибридные системы
1.2 Архитектуры гибридных систем
1.3 Система ANFIS
1.4 Программное обеспечение для работы с нечеткими моделями
1.5 Постановка задачи. Система NNDFR
Выводы
Глава 2. Система NNDFR
2.1 Алгоритм NNDFR
2.2 Анализ модели NNDFR
2.3 Обзор методов кластеризации
Выводы
Глава 3. Реализация системы NNDFR в среде MATLAB
3.1 MATLAB
3.2 Обучение нейронной сети
3.3 Модуль NNDFR
Выводы
Глава 4. Применение системы NNDFR для решения практических задач
