Нейро-нечёткие системы: различия между версиями
| [отпатрулированная версия] | [отпатрулированная версия] |
Это не машинный перевод, что видно из истории правок |
Rotondus (обсуждение | вклад) источники |
||
| Строка 5: | Строка 5: | ||
* лингвистическое нечёткое моделирование, которое ориентировано на интерпретируемость, в основном, в модели Мамдани; |
* лингвистическое нечёткое моделирование, которое ориентировано на интерпретируемость, в основном, в модели Мамдани; |
||
* точное нечёткое моделирование, которое ориентировано на точность, в основном, в модели Такаги-Сугено-Канга (ТСК). |
* точное нечёткое моделирование, которое ориентировано на точность, в основном, в модели Такаги-Сугено-Канга (ТСК). |
||
== Литература == |
|||
* Abraham A., «Adaptation of Fuzzy Inference System Using Neural Learning, Fuzzy System Engineering: Theory and Practice», Nadia Nedjah et al. (Eds.), ''Studies in Fuzziness and Soft Computing'', Springer Verlag Germany, {{ISBN|3-540-25322-X}}, Chapter 3, pp. 53-83, 2005. [http://www.springeronline.com/sgw/cda/frontpage/0,11855,5-40109-22-48660080-0,00.html information on publisher’s site]. |
|||
* Ang, K. K., & Quek, C. (2005). «RSPOP: Rough Set-Based Pseudo Outer-Product Fuzzy Rule Identification Algorithm». ''Neural Computation'', 17(1), 205—243. |
|||
* Kosko, Bart (1992). ''Neural Networks and Fuzzy Systems: A Dynamical Systems Approach to Machine Intelligence''. Englewood Cliffs, NJ: Prentice Hall. {{ISBN|0-13-611435-0}}. |
|||
* Lin, C.-T., & Lee, C. S. G. (1996). ''Neural Fuzzy Systems: A Neuro-Fuzzy Synergism to Intelligent Systems''. Upper Saddle River, NJ: Prentice Hall. |
|||
* A. Bastian, J. Gasós (1996): «Selection of input variables for model identification of static nonlinear systems», Journal of Intelligent and Robotic Systems, Vol. 16, pp. 185—207. |
|||
* Quek, C., & Zhou, R. W. (2001). «The POP learning algorithms: reducing work in identifying fuzzy rules.» ''Neural Networks'', 14(10), 1431—1445. |
|||
== Ссылки == |
== Ссылки == |
||
* [http://www.soft-computing.de/detail1.html Определение |
* [http://www.soft-computing.de/detail1.html Определение интерпретируемости нечетких систем] |
||
[[Категория:Искусственный интеллект]] |
[[Категория:Искусственный интеллект]] |
||
Версия от 09:26, 24 ноября 2019
 | Для улучшения этой статьи желательно:
|
Нейро-нечёткие системы или Нечёткие нейронные сети — это системы из области искусственного интеллекта, были предложены Ж. С. Р. Чангом, которые комбинируют методы искусственных нейронных сетей и систем на нечёткой логике. Нейро-нечёткие системы являются результатом попытки создания гибридной интеллектуальной системы, которая бы давала синергетический эффект этих двух подходов путём комбинирования человекоподобного стиля рассуждений нечётких систем с обучением и коннекционистской структурой нейронных сетей. Основная сила нейро-нечётких систем состоит в том, что они являются универсальными аппроксиматорами со способностью запрашивать интерпретируемые правила ЕСЛИ-ТО.
Преимущество нейро-нечётких систем включает в себя две противоречивые необходимости нечёткого моделирования: интерпретируемость и точность. На практике, одно из них всегда преобладает. Нейро-нечёткие системы в исследовательской сфере нечёткого моделирования разделены на две зоны:
- лингвистическое нечёткое моделирование, которое ориентировано на интерпретируемость, в основном, в модели Мамдани;
- точное нечёткое моделирование, которое ориентировано на точность, в основном, в модели Такаги-Сугено-Канга (ТСК).
Литература
- Abraham A., «Adaptation of Fuzzy Inference System Using Neural Learning, Fuzzy System Engineering: Theory and Practice», Nadia Nedjah et al. (Eds.), Studies in Fuzziness and Soft Computing, Springer Verlag Germany, ISBN 3-540-25322-X, Chapter 3, pp. 53-83, 2005. information on publisher’s site.
- Ang, K. K., & Quek, C. (2005). «RSPOP: Rough Set-Based Pseudo Outer-Product Fuzzy Rule Identification Algorithm». Neural Computation, 17(1), 205—243.
- Kosko, Bart (1992). Neural Networks and Fuzzy Systems: A Dynamical Systems Approach to Machine Intelligence. Englewood Cliffs, NJ: Prentice Hall. ISBN 0-13-611435-0.
- Lin, C.-T., & Lee, C. S. G. (1996). Neural Fuzzy Systems: A Neuro-Fuzzy Synergism to Intelligent Systems. Upper Saddle River, NJ: Prentice Hall.
- A. Bastian, J. Gasós (1996): «Selection of input variables for model identification of static nonlinear systems», Journal of Intelligent and Robotic Systems, Vol. 16, pp. 185—207.
- Quek, C., & Zhou, R. W. (2001). «The POP learning algorithms: reducing work in identifying fuzzy rules.» Neural Networks, 14(10), 1431—1445.