Last edited time
Aug 20, 2024 03:09 AM
password
AI summary
type
status
date
slug
summary
tags
category
icon
这里写文章的前言:
一个简单的开头,简述这篇文章讨论的问题、目标、人物、背景是什么?并简述你给出的答案。
可以说说你的故事:阻碍、努力、结果成果,意外与转折。
📝 主旨内容
Neuro Fuzzy System
以下摘自wikipedia
神经模糊混合产生了一种混合智能系统,它将模糊系统的类人推理风格与神经网络的学习和联结结构相结合。神经模糊混合在文献中被广泛称为模糊神经网络(FNN)或神经模糊系统(NFS)。神经模糊系统(此后使用更流行的术语)通过使用模糊集和由一组 IF-THEN 模糊规则组成的语言模型,结合了模糊系统的类人推理风格。神经模糊系统的主要优势在于它们是通用逼近器,能够请求可解释的 IF-THEN 规则。
神经模糊系统的优势涉及模糊建模中的两个相互矛盾的要求:可解释性与准确性。在实践中,这两个属性之一占主导地位。模糊建模研究领域中的神经模糊建模分为两个领域:语言模糊建模,注重可解释性,主要是Mamdani模型;注重准确性的精确模糊建模,主要是 Takagi-Sugeno-Kang (TSK) 模型。
- 用于增加网络规模的模糊逻辑标准。
必须指出的是,Mamdani 型神经模糊系统的可解释性可能会丢失。为了提高神经模糊系统的可解释性,必须采取某些措施,其中还讨论了神经模糊系统可解释性的重要方面。[2]
最近的一项研究涉及数据流挖掘案例,其中神经模糊系统根据需要和动态地用新的传入样本顺序更新。因此,系统更新不仅包括模型参数的递归适应,还包括模型组件(神经元、规则)的动态演化和修剪,以充分处理概念漂移和动态改变系统行为,并保持系统/模型“随时更新”。对各种不断发展的神经模糊系统方法的综合调查可以在[3]和[3]中找到。[4]
基于伪外积的模糊神经网络[编辑]
基于伪外积的模糊神经网络( POPFNN ) 是一类基于语言模糊模型的神经模糊系统。[5]
文献中存在 POPFNN 的三个成员:
- POPFNN-AARS(S)
,基于近似类比推理方案[6]
- POPFNN-CRI(S)
,基于普遍接受的模糊组合推理规则[7]
- POPFNN-TVR
,基于真值限制
“POPFNN”架构是一个五层神经网络,其中第 1 至 5 层称为:输入语言层、条件层、规则层、结果层、输出语言层。输入的模糊化和输出的去模糊化分别由输入语言层和输出语言层执行,而模糊推理由规则层、条件层和结果层共同执行。
POPFNN的学习过程分为三个阶段:
- 模糊隶属度生成
- 模糊规则识别
- 监督微调
可以使用各种模糊隶属度生成算法:学习矢量量化 (LVQ)、模糊 Kohonen 分区 (FKP) 或离散增量聚类 (DIC)。一般采用POP算法及其变体LazyPOP来识别模糊规则。
观点2
引用的话语
🤗 总结归纳
总结文章的内容
📎 参考文章
- 一些引用
- 引用文章
有关Notion安装或者使用上的问题,欢迎您在底部评论区留言,一起交流~
- 作者:迷途
- 链接:blog.ortech.us.kg/article/fnn
- 声明:本文采用 CC BY-NC-SA 4.0 许可协议,转载请注明出处。