Thuật toán REFuNN ( relus extraction from a fuzzy neural network)

Thuật toán REFuNN ( Relus Extraction from a fuzzy neural Network) Khái niệm Các buớc thực hiện thuật toán VD Thuật toán REFuNN ( Relus Extraction from a fuzzy neural Network) Thuật toán REFuNN ( Relus.

Trang 1

 Khái niệm

 Các buớc thực hiện thuật toán

 VD

( RELUS EXTRACTION FROM A FUZZY NEURAL NETWORK)

-( RELUS EXTRACTION FROM A FUZZY NEURAL NETWORK)

Trang 2

-( RELUS EXTRACTION FROM A FUZZY NEURAL NETWORK)

-* Khái niêm:

Thuật toán REFuNN (rules extraction from a fuzzy neural network) là một phương thức kết nối đơn giản cho việc trích chọn các luật mờ có trọng số và các luật mờ có dạng :

Trong đó : Aji, Bi (i = 1, 2, ,n;j = 1, 2, ,k) là các biến mờ

DIji : là mức độ quan trọng được gán với các thành phần điều kiện trong luật

CFi : là độ tin cậy của luật

Trang 3

Luật đựơc mô tả như sau:

 R1: IF x1 is A1(DI1,1) and x2 is B1(DI2,1), THEN y is C1(CF1)

 R2: IF x1 is A2(DI1,2) and x2 is B2(DI2,2), THEN y is C2(CF2)

Trang 4

 Thuật toán REFuNN gồm 5 bước :

 B1: Khởi tạo một FuNN

 B2 : Huấn luyện FuNN

 B3: Trích một tập các luật có trọng số sau khi đã huấn luyện

 B4: Kết hợp các luật thành luật mới

 B5: Trích các luật mờ từ luật có trọng số

Trang 5

- Bước 1: Khởi tạo một FuNN: Một mạng MLP

đầy đủ được khởi tạo

VD:

Trang 6

- Bước 2: Huấn luyện FuNN

Có nhiều phương pháp huấn luyện FuNN

+ Lan truyền Tiến : tính toán các giá trị kích hoạt cho các tầng

+ Lan truyền ngược : giảm tối đa hàm lỗi.

kiểm soát thích nghi và lãng quên trong huấn luyện :

Trang 7

-TÌM KIẾM ANH

 Bước 3: Trích một tập các luật có trọng số sau khi đã huấn luyện mạng ở bước 2:

THUẬT TOÁN REFUNN

-THUẬT TOÁN REFUNN

-R1: [SH(0,57)& RG(0.42)&CG(1,44)]2,19->DA R2: [SH(0,6)& RG(0.57)&CG(1,37)]-0,05->DA R3: [ SL(0.05)&RB(-0,2)&CB(-1,31)]2.19->D A R4: [SL(0)&RB(-0,32)&CB(-1,77)]-0.05->DA

Trang 8

 Chú ý:

+ Tất cả các quy tắc có đóng góp nhất

định(trên một ngưỡng nhất định) cho việc

kích hoat các nút ở tầng hoạt động và các

nút ở tầng luật đựoc gom nhóm lại với nhau + Các diều kiện Ci hỗ trợ cho nút ở tầng luật Rj

sẽ đựoc sử dụng trong mỗi phần của luật

+ Các trọng số Ci kết nối các tầng điều kiện và tầng luật Rj được lấy như giá trị tương đối

của cá mệnh đề mờ

+ Các trọng số kết nối giứ tầng luật và tầng

hoath đông sẽ xác địng giá trị cho độ tin cậy CFi

Trang 9

- Bước 4 : Kết hợp các luật có thành phần giống

nhau thành các luật mới

+ Trong số các tập luật được rút ra có một số luật có cùng điều kiện và cùng một kết quả đầu ra Chỉ

khác nhau trọng số Thì gom nhóm tổng hợp thành một quy tắc duy nhất

 VD: R1: [SH(0,57)& RG(0.42)&CG(1,44)]2,19->DA

R2: [SH(0,6)& RG(0.57)&CG(1,37)]-0,05->DA

R3: [ SL(0.05)&RB(-0,2)&CB(-1,31)] 2.19->D A

R4: [SL(0)&RB(-0,32)&CB(-1,77)]-0.05->DA

Thành 2 luật:

R1: [SH(1.2)& RG(1)&CG(2)] -> DA

R3: [ SL(0.05)&RB(-0,5)&CB(-3,0)] ->D A

Trang 10

- Bước 5: Trích các luật mờ đơn giản từ các

luật mờ có trọng số: Từ các luật có trọng số

ta rút ra các luật đơn giản không có trọng số

 Điều này đựợc thực hiện bằng cách loại bỏ

cá trọng số Diij

 - Tuy nhiên ở một số điều kiện các trọng số

có đủ độ lớn ( trên ngưỡng đã chọn) có thể tạo ra một số quy tắc mà không cần hỗ trợ của các trọng ố điều kiện

Trang 11

- Vd: có luật :

R:IF ( x1 is A(8,3) and x2 is B(1,2) then y is C

Trong đó khi ta đặt ngưỡng riêng biệt là 5,0

ta sẽ có 2 luật đơn giản :

If x1 is A and x2 is B then y is C

If x1 is A then y is C

Trang 12

- Kết hợp mỗi một nút ở lớp luật ( rule layer) với một quy tắc mờ.

yếu tố điều kiện

hơn một yếu tố kết quả.

 VD:IF <input1 is A, 2.88> and <input1 is not B, 5.69> and <input2 is not A, 1.57>

and <input2 is B, 1.66> and <input2 is not C,

1.06>

THEN <output1 is not A, 2.21> and <output1 is not B, 3.98> and <output1 is C,

2,08>

2 KHAI THÁC QUY TẮC MỜ BẰNG CÁCH TIẾP CẬN KHÁC

-2 KHAI THÁC QUY TẮC MỜ BẰNG CÁCH TIẾP CẬN KHÁC

Trang 13

-Xác định vị trí phù hợp cho một sân golf ở New Zealand Có 4 yếu tố đựợc đưa ra là Nhiệt độ, lượng mưa,độ cao và khoảng cách đến 4 trung tâm lớn của New Zealand

Để đánh giá đúng thì các ứng cử viên đưa ra 4 thuộc tính trên Và dựa vào một cơ chế đánh giá dựa trên một bộ quy tắc

Giá trị đầu vào là bộ dữ liệu dồm 4 yếu tố

trên Giá trị đầu ra có thể có 5 giá trị : 0 ( rất không phù hợp), 1( không phù hợp),2 ( gần phù hợp ),3( Phù hợp) ,4 ( rất phù hợp).

3 VD

Trang 14

 Trong ví dụ này người ta đã chỉ ra rằng :

 Với việc sử dụng quy tắc triết xuất REFuNN

và phương phấp suy luận Min_Max thì có tới

254 luật được thiết lập và khả năng phân loại 40% của các khối chính xác và 50 % khác

được chỉ ra bởi một lớp thành viên

 Với việc sử dụng quy tắc phức tạp thì chỉ

20 quy tắc được thiết lập nhưng chỉ áp dụng đựợc 61% các khối và độ chính xác là 28%

Trang 15

-THUẬT TOÁN HUẤN LUYỆN

ZEROING

 Đây là thuật toán dùng để huấn luyện khả năng thích nghi và lãng quên đuợc dùng

trong các mạng noron dùng cho học tập thích nghi dự đoán

Tai sao? :

 Laọi bỏ thông tin

 Loại bỏ thành phần trọng số thấp

 Giữ lại quy tắc mờ cơ bản

Trang 16

PHƯƠNG PHÁP ĐÁNH GIÁ CHUNG

CHO TT ZEROING

 Một tập sữ liệu được chia thành các nhiều

đoạn Sau đó chọn lựa các bộ dữ liệu này

.VD A,B,C …

 Khởi tạo mô hình mạng Thiết lập các thông thông số từu bộ dữ liệu A, và thiết lập tương ứng bộ dữ liệu B

Tính toán tham số lỗi Etrain and Egener

o Các mô hình tiếp tục được đào tạo và thiết lập B (Ead.train )và thử nghiệm lại trên A (E forget )

o Hệ số của sự thích nghi được tính theo công thức CAD = E gener / E ad.train ); CFR = E forget / E train

Trang 17

(TIẾP )

 Các bước 3 và 4 dược lặp lại với các bộ dữ

liệu tiếp theo

 Chú ý : công thức tính hàm lỗi ( như tính hàm lỗi trong mạng MLP)

Định dạng
Số trang	17
Dung lượng	180,9 KB