برخی از کاربردهای سیستم های فازی- عصبی

اولین  کاربردهای شبکه های عصبی- فازی برای کالاهای مربوط به مصرف کنندگان در بازارهای کره و ژاپن در سال 1991 پدیدار شد . برخی از نمونه های اینگونه کالا ها عبارتند از : تهویه کننده هوا ، فرشهای الکتریکی ، پنکه های الکتریکی ، دیگ حرارتی الکتریکی ، بخاری های الکتریکی رومیزی ، بخاری های بادبزن نفتی دودکش دار ، اجاق مایکرویو ، یخچالها ، پلوپز ، جاروبرقی ، ماشینهای لباسشویی ، خشک کننده لباس ، ماشین فتوکپی ، کلمه پردازها .

ایده استفاده از شبکه های عصبی برای طراحی توابع عضویت توسط تاکاگی و هایاشی پیشنهاد گردید و این ایده توسط توسط کاربردهایی از روش گرادیان نزولی برای تنظیم پارامترها ، که شکل و موقعیت توابع عضویت را تعریف می کرد ، دنبال شد . این روش به طور گسترده برای توابع عضویت مثلثی ، توابع عضویت گوسین ، توابع عضویت حلقوی و توابع عضویت زنگوله شکل مورد استفاده قرار میگیرد .شکل های ساده توابع عضویت همچون مثلثی ها بیشتر برای تولیدات واقعی به کار می روند . مرکز و پهنا توابع عضویت بوسیله روش گرادیان تنظیم می شود و خطای بین خروجی سیستم فازی واقعی و خروجی دلخواه را کاهش می دهد . شکل زیر یک نمونه از این نوع کابردهای شبکه های عصبی را نشان می دهد.

طراحی سیستم های فازی- عصبی با استفاده از روش آموزش گرادیان نزولی :

در روش جدول جستحو توابع تعلق در مرحله اول ثابت بودند و به زوج های ورودی- خروجی بستگی نداشتند بدین معنی که توابع تعلق با توجه به زوج های ورودی- خروجی به شکل بهینه ای بدست نمی آیند . در این بخش ما روش دیگری برای طراحی سیستم های فازی معرفی می کنیم که در آن توابع تعلق بر اساس معیارهایی به شکل بهینه انتخاب خواهند شد .

در اینجا پنج گام برای طراحی سیستم فازی با استفاده از جدول جستجو معرفی می کنیم :

گام اول : مجموعه های فازی را تعریف کنید که زوجهای ورودی- خروجی را پوشش دهد.

گام دوم : تولید  یک قاعده از روی یک زوج ورودی- خروجی .

گام سوم : یک درجه به هر قاعده تولید شده در گام دوم نسبت دهید .

  از آنجا که معمولاً تعداد زوجهای ورودی- خروجی زیاد است و با هر زوج یک قاعده تولید می شود ، این اختمال وجود دارد که قواعد متضادی وجود داشته باشند (قواعدی با بخش اگر یکسان و بخش آنگاه متفاوت). برای حل این تضاد ، ما به هر قاعده تولید شده در گام دوم یک درجه نسبت می دهیم و از بین قواعد متضاد تنها آن قاعده ای که بالاترین درجه را دارد ، نگاه می داریم . به این ترتیب نه تنها مشکل قواعد متضاد حل شده بلکه تعداد قواعد نیز بسیار کاهش می یابد .

گام چهارم : پایگاه قواعد فازی را ایجاد کنید .

پایگاه قواعد شامل سه مجموعه از قواعد زیر است :

·         قواعد تولید شده در گام دوم که با هیچیک از قواعد دیگر تضاد ندارند.

·         قاعده ای که از بین یک گروه قواعد متضاد دارای بالاترین درجه است .

·         قواعد زبانی از دانش انسانهای خبره (بواسطه دانش خودآگاه) .

گام پنجم  : ساخت سیستم فازی بر اساس پایگاه قواعد فازی

از جمله کاربردهای روش جدول جستجو مسائل کنترل کامیون باری و پیشگویی سری زمانی می باشند .

طراحی سیستم های خبره فازی از روی داده های ورودی خروجی:

سیستم های فازی برای فرموله کردن دانش بشری لستفاده می شوند. بنابراین یک سوال مهم این است که : دانش بشری معمولاً چه شکلی است ؟ بصورت عامیانه ، دانش بشری را در زمینه یک مسئله فنی خاص می توان به دو دسته تقسیم کرد : دانش خودآگاه و دانش ناخودآگاه .

 در دانش خودآگاه ، منظور ما این است که دانش را می توان به صورت صریح و روشن در قالب کلمات بیان کرد و در دانش ناخودآگاه منظور ما وضعیت هایی است که انسانهای خبره می دانند چه کاری انجام می دهند ولی نمی توانند آن را به طور دقیق در قالب کلمات بیان کنند .

 به عنوان مثال رانندگان با تجربه کامیون می دانند که در شرایط سخت چگونه رانندگی کنند ولی نمی توانند عملکردشان را در قالب کلمات بیان کنند (آنها دارای دانش ناخودآگاه هستند.) در دانش خودآگاه ما خیلی ساده می توانیم از انسان خبره بخواهیم رفتار خود را در قالب عبارتهای اگر- آنگاه فازی بیان کرده و آن را در سیستمهای فازی قرار دهیم .

در دانش ناخوداگاه آنچه که ما می توانیم انجام دهیم این است که از انسان خبره بخواهیم رفتار خود را نمایش دهد. هنگامی که خبره در حال نمایش است ما او را به دید جعبه سیاه نگریسته و ورودی ها و خروجی های او را می سنجیم . یعنی ما مجموعه ای از داده های ورودی- خروجی را جمع آوری کنیم . در این حالت دانش ناخودآگاه به مجموعه ای از داده های ورودی- خروجی تبدیل می شود .

بنابراین مسئله اساسی و مهم ساخت سیستم های فازی از روی زوج های ورودی – خروجی است .

دو مدل ممکن برای سیستم های فازی- عصبی عبارتند از :

1. در پاسخ به عبارات زبان شناختی ، بلوک رابط کاربری فازی یک مسیر ورودی به داخل یک شبکه عصبی چند لایه ای را فراهم می کند ، شبکه عصبی می تواند تطبیق(آموزش) داده شود تا اینکه تصمیمات یا خروجی ها مورد دلخواه را نتیجه دهد .

2. یک شبکه عصبی چند لایه مکانیسم موتور استنتاج فازی را راهبری می کند.

یکپارچگی منطق فازی و شبکه های عصبی

سیستم های هوشمند پیوندی که از ترکیب منطق فازی و شبکه های عصبی تشکیل شده است . در حال اثبات کردن تاثیراتشان در یک پهنه وسیعی از مسایل دنیای واقعی هستند.

منطق فازی و شبکه های عصبی خصوصیات محاسباتی ویژه ای دارند که آنها را برای مسائل خاصی مناسب می سازد. برای مثال در حالیکه شبکه های عصبی برای تشخیص الگو خوب هستند برای شرح اینکه چطور تصمیم گیری می کنند خوب نیستند. سیستم های فازی که می توانند با اطلاعات مبهم استدلال کنند برای این کار یعنی تشریح چگونگی تصمیم سازی مناسبند اما به طور اتو ماتیک نمی توانند قوانین را که برای این تصمیم گیری استفاده می کنند را بدست آورند . این محدودیت ها یک نیروی محرک اصلی در پشت ایده ایجاد سیستمهای ترکیبی هوشمند بود که دو یا بیشتر از دو تکنیک در یک روش ترکیب شوند تا اینکه بر محدودیت های هر یک از این تکنیک ها بتوان غلبه کرد. سیستم های پیوندی همچنین موقعی اهمیت دارند که در طبیعت متنوع حوزه های کاربردی در نظر گرفته می شوند. بسیاری از حوزه های پیچیده تعداد زیادی مسائل جزئی متفاوت دارند که هر کدام ممکن است به انواع متفاوتی از فرایندها نیاز داشته باشند.

استفاده از سیستم های هوشمند ترکیبی با موفقیت برنامه های کاربردی در حوزه هایی که شامل پردازش فرایند ، طراحی مهندسی ، تجاری- مالی ، ارزش افزوده ، تشخیص پزشکی و شبیه سازی شناختی به سرعت در حال رشد است .

هنگامی که منطق فازی، یک ماشین استنتاج تحت عدم قطعیت شناختی به وجود آورد ، شبکه های عصبی محاسباتی فواید مهیجی از قبیل یادگیری ، تطبیق ، تحمل خطا ، تقارن و تعمیم دهی را پیشنهاد می کنند .

برای توانا ساختن یک سیستم برای پرداختن به عدم قطعیت های شناختی در روشی مشابه انسانها بایستی مفاهیم منطق فازی را با شبکه های عصبی ترکیب نمود .

تصور می شود که سیستم های فازی عصبی برای فرایندهای محاسباتی راهگشا باشند و این کار با توسعه یک نرون فازی بر اساس فهمی که از ساختار شناسی نرونهای بیولوژیکی بدست می آید شروع می شود و به دنبال آن ماشینهای یادگیرنده ایجاد می شوند که این اعمال منجر به سه مرحله در یک فرایند محاسباتی فازی- عصبی می شود که در ذیل آورده شده است:

·        توسعه مدلهای فازی عصبی که به وسیله نرونهای بیولوژیکی برانگیخته می شوند.

·        مدلهای ارتباطی سیناپسی که فازی سازی را در داخل شبکه های عصبی ترکیب می کنند.

·        توسعه الگوریتم های یادگیرنده (که در این مرحله وزن های سیناپسی تعدیل می گردند.)