чення согласно з дискретністю аналогом методу центру тяжіння:
y =? i=1 n c i щ i? i=1 n c i, (1.3)
де n - Кількість правил нечіткої продукції, в підвісновках якої фігурує ця лінгвістична змінна, ci - міра істінності підускладення продукційного правила, wi - чітке значення цієї лінгвістічної змінної, встановленного в консіквенті продукційного правила.
) спрощений алгоритм нечіткого виводу формально задається точно так, як и алгоритм Сугено, только при явному завданні чіткіх значення в консіквентах продукційніх правил вместо співвідношення w=е 1 a + е 1 b вікорістовується Явне Завдання безпосередно значення w. Таким чином, формирование бази правил системи нечіткого виводу здійснюється у виде впорядкованим погодження списку нечіткіх продукційніх правил у виде «IF A AND B THEN w=е», де антіціденті ядер правил нечіткої продукції побудовані з двох простих нечіткіх вісловлювань A, B помощью логічніх зв 'язок «І», w - чітке значення вихідний змінної, визначене для шкірного Укладення i -го правила, як дійсне число е i.
. 4 Адаптівні системи нейро-нечіткого виводу
До теперішнього годині предложено и Вівче велика Кількість варіантів и різновідів нейронних мереж [9].
Концептуальні засади и ськладової Частинами штучних нейронних мереж є так звань штучний нейрон, Який має Певнев внутрішню структуру (рис. 1.4) i правила превращение сігналів.
Малюнок 1.4 - Структура штучного нейрона
Штучний нейрон складається з помножувачів (сігналів), Суматор и нелінійного перетворювач. Синапси, что зображуються перекресленім гуртка, прізначені для зв язку нейронів между собою и множащимся вхідній сигнал x, на деяке постійне число. Це число wi, назівається вагою синапси, характерізує силу цього зв язку. Суматор Виконує складання усіх сігналів, что поступають на вхід нейрона від других нейронів, и ЗОВНІШНІХ вхідніх сігналів. Нелінійній перетворювач призначеня для нелінійної Зміни вхідного значення Суматор согласно деякої Функції від одного аргументу. Ця функція назівається функцією актівації або Передатна функцією нейрона [6].
Правила превращение сігналів визначаються математичность моделлю нейрона, яка может буті записана у форме Наступний аналітичних виразів:
(1.4)=f (s) (1.5)
де wi - вага синапси (i {1,2,., i});
i - значення зміщення;- Результат підсумовування;
- компонент вектору входу и вхідного сигналу ({1,2, ...,});- Вихідний сигнал нейрона;
- число входу нейронів;- Функція актівації (Передатна функція) нейрона, что є Деяк нелінійнім перетворенням. У загально випадка:,, R ({1,2, ...,}).
Сінаптічні зв'язки з позитивними вагамі R + ({1,2, ...,}) назіваються такими, что збуджуються, а з негативними вагамі R - ({1,2, ...,}) - что гальмують.
Таким чином, окремо взятий нейрон Повністю опісується своєю структурою (див. малий. 3) i математичность моделлю (1.3 и 1.4). отримавших вектор вхідного сигналу, нейрон відає деяке число y на своєму віході. У якості Функції актівації нейрона могут буті вікорістані Різні нелінійні превращение.
нейронних мереж є сукупністю ОКРЕМЕ нейронів. Взаємозв язаних между собою Деяк фіксованім чином. При цьом взаємозв язок нейронів візначається або задається структурою (топологією) нейронної мережі. З точки зору топології нейронні мережі могут буті повнозв'язнімі, багатошаровімі и слабозвязнімі. У загально випадка структура багатошарової або багаторівневої нейронної мережі может побути зображена таким чином (рис. 1.5).
Малюнок 1.5 - Структура багаторівневої нейронної мережі
Коженая з рівнів нейронної мережі назівається ее кулею. При цьом куля вхідного уровня назівається вхіднім кулею, куля уровня 1 і 2 - ПРИХОВАНЕ кулями, а куля уровня 3 - віхіднім кулею [9].
У свою черго багатошарові нейронні мережі могут буті Наступний тіпів:
Монотонні - КОЖЕН куля (окрім вхідного) додатково розбівається на два блоки: що збуджує и гальмує. Аналогічно розбіваються и зв'язки между блоками: на ті, что збуджуються и гальмують. При цьом в якості Функції актівації могут буті вікорістані только монотонні Функції (дів. Таблицю. 2).
- Нейронні мережі Із зворотнього зв'язку - інформація з подалі шарів может передаватіся в нейрони попередніх шарів.
Нейронні мережі без зворотніх зв язків - інформація з подалі шарів НЕ может передаватіся на нейрони попередніх шарів. Класичним варіантом багатошарової нейронної мережі є повнозв raquo Я відаю мережа прямого Поширення.
Процес побудова и использование нейро-мережевих моделей складається з Наступний етапів:
Вибір типу и Структури нейронної ...
