AN IMPROVED LEARNING ALGORITHM OF FUZZY INFERENCE SYSTEMS USING VECTOR QUANTIZATION

2016 ◽  
Vol 21 (1) ◽  
pp. 59-77 ◽  
Author(s):  
Hirofumi Miyajima ◽  
Noritaka Shigei ◽  
Kazuya Kishida ◽  
Yusuke Akiyoshi ◽  
Hiromi Miyajima
Keyword(s):  
Vector Quantization ◽  
Fuzzy Inference ◽  
Learning Algorithm ◽  
Fuzzy Inference Systems ◽  
Improved Learning ◽  
Inference Systems

Λήψη αποφάσεων και ασαφής λογική

2020 ◽  
Author(s):  
Ελένη Βλάμου
Keyword(s):  
Fourier Transform ◽  
Fast Fourier Transform ◽  
Vector Quantization ◽  
Fuzzy Inference System ◽  
Fuzzy Inference ◽  
Back Propagation ◽  
Fuzzy Inference Systems ◽  
Inference System ◽  
Neuro Fuzzy ◽  
Inference Systems

Η ασαφής λογική αποτελεί μια θεωρία της οποίας οι εφαρμογές έχουν σκοπό να παρέχουν βελτιωμένες λύσεις σε προβλήματα με υψηλό βαθμό αβεβαιότητας. Η θεωρία, η τεχνολογία και οι εφαρμογές της ασαφούς λογικής έχουν σημειώσει τα τελευταία χρόνια ταχύτατη ανάπτυξη και έχουν καταστεί αξιόπιστο και εύχρηστο εργαλείο σε πολλές επιστημονικές και ερευνητικές περιοχές. H παρούσα διατριβή εστιάζει στην κατανόηση των δομών της ασαφούς λογικής, και στην ανάλυση των ασαφών κανόνων και συστημάτων. Γίνεται μια ολοκληρωμένη παρουσίαση της θεωρίας ασαφών συνόλων με έμφαση στην κατανόηση των ασαφών συστημάτων (Fuzzy Inference Systems). Σκοπός είναι η ανάλυση της αποτελεσματικότητας της εφαρμογής της ασαφούς λογικής σε ποικίλα ασαφή συστήματα. Επιπλέον εστιάζει στην ανάδειξη της σπουδαιότητας της ασαφούς λογικής και των ασαφών συστημάτων λήψεως αποφάσεων, η χρήση των οποίων παρουσιάζει σημαντικά πλεονεκτήματα αναφορικά με την αποτελεσματικότητά τους. Ειδικότερα, η μίξη των τεχνητών νευρωνικών δικτύων και ασαφών συστημάτων επιτρέπει στους ερευνητές να διαμορφώνουν προβλήματα με την ανάπτυξη των έξυπνων και προσαρμοστικών συστημάτων. Έτσι γίνεται η περιγραφή του μοντέλου του ασαφούς νευρωνικού δικτύου και παρουσιάζονται εκπαιδευτικοί αλγόριθμοι (όπως ο Back-Propagation) που χρησιμοποιείται για τη βελτίωση της απόδοσης του δικτύου. Η βελτιωμένη αποδοτικότητα των εκπαιδευμένων ασαφών δικτύων επιβεβαιώνεται με την εφαρμογή και οπτικοποίηση του αλγορίθμου Back-Propagation στην Matlab. Επιπλέον γίνεται ανάλυση της εφαρμογής των ασαφών συστημάτων με σκοπό την αναγνώριση προτύπων και ανάλυση εγκεφαλογραφικού σήματος. Έτσι, γίνεται περιγραφή των γραμμικών μεθόδων αναγνώρισης προτύπων για την ανάλυση του σήματος του εγκέφαλου (όπως οι μετασχηματισμοί Fast Fourier transform, μετασχηματισμός Wavelet και μετασχηματισμός Vector Quantization) με σκοπό την προβολή της υπεροχής των ασαφών νευρωνικών δικτύων (SOMF), των συστημάτων ασαφών ταξινομητών και των ταξινομητών προσαρμοσμένων ασαφών νευρωνικών συστημάτων (ANFIS-Adaptive Neuro-Fuzzy Inference System). Επιπλέον, αναλύεται η εφαρμογή των ασαφών δικτύων αναφορικά με τη διάγνωση της επιδημιολογίας η οποία ενισχύεται με την παρουσίαση διαφορετικών επιδημιολογικών μοντέλων (όπως τα στοχαστικά επιδημιολογικά μοντέλα, π.χ. το μοντέλο SI και SIS, και τα ντετερμινιστικά επιδημιολογικά μοντέλα όπως το μοντέλο SIR) με σκοπό να αναδείξει την υπεροχή των ασαφών μεθόδων σε αυτήν την περίπτωση. Η περιγραφή των ασαφών μοντέλων SI και SIS αναδεικνύει την υπεροχή τους που ενισχύεται με την ανάλυση των ασαφών πιθανοτήτων για τη λήψη αποφάσεων στον τομέα της επιδημιολογίας. Επιπλέον, παρουσιάζεται η εφαρμογή των ασαφών συστημάτων σε θέματα βελτίωσης της απόδοσης των γενετικών αλγορίθμων. Γίνεται η ανάλυση των βασικών αρχών και χαρακτηριστικών των γενετικών αλγορίθμων, η περιγραφή των προσαρμοζόμενων πιθανοτήτων διέλευσης και μετάλλαξης και η ανάλυση των γενετικών παραγόντων που οδηγούν στην ανάπτυξη της εξέλιξης των αισθητήρων (EGP). Με αυτό τον τρόπο υποστηρίζεται η βελτιωμένη απόδοση και η αποτελεσματικότητα των ασαφών γενετικών αλγορίθμων.

Sign in / Sign up

Export Citation Format

Share Document