MẠNG NƠRON mờ ( fuzzy neural network)

MẠNG NƠRON MỜ ( Fuzzy Neural Network) MẠNG NƠRON MỜ ( Fuzzy Neural Network) NỘI DUNG 1 Neo fuzzy neuron 2 Mạng nơron mờ 2 1 Giới thiệu 2 2 Mô hình FuNN 2 2 1 Kiến trúc của FuNN 2 2 2 Thuật toán huấn l.

MẠNG NƠRON MỜ ( FUZZY NEURAL NETWORK)

NỘI DUNG

1 Neo-fuzzy neuron

2 Mạng nơron mờ

2.1 Giới thiệu

2.2 Mô hình FuNN

2.2.1 Kiến trúc của FuNN

2.2.2 Thuật toán huấn luyện

FuNN

1 Neo-fuzzy neuron

 Neo-fuzzy neuron là sự phát triển đầy đủ

của nơron mờ (fuzzy neuron)

2 Mạng nơron mờ

 2.1 Giới thiệu

 Mạng nơron mờ (Fuzzy neural network (FNN)) là một mô hình kết nối

(connectionist model) cho sự thể hiện và suy luận các luật mờ (fuzzy rules

implementation and inference) Trong

FNN có nhiều thay đổi về kiến trúc cũng như chức năng

 Cấu trúc (Structural): một tập các luật

được sử dụng để khởi tạo cấu trúc của

mạng Có hai kiến trúc mạng hay được sử dụng là: (a) multilayer perceptrons

(MLPs), and (b) radial-basis functions

networks

 Hàm, tham số (Functional, parametric): sau khi định nghĩa cấu trúc mạng và khả năng học của chúng, một vài tham số sẽ được huấn luyện Các tham số sau khi

được huấn luyện có thể được sử dụng để trích ra các luật

2.2 Mô hình FuNN

 FuNN là một mô hình của mạng nơron

mờ Nó làm cho dễ dàng trong việc học từ

dữ liệu mẫu, trích rút các luật mờ FuNN

sử dụng kiến trúc MLP và thuật toán huấn luyện lan truyền ngược (backpropagation training algorithm) FuNN là mạng nơron

mờ có hàm thành phần của các thuộc

tính mờ, cũng như các luật mờ và chúng

có thể thay đổi trong khi huấn luyện

2.2.1 Kiến trúc của FuNN

2.2.2 Thuật toán huấn luyện

FuNN

 Trong phần này trình bày thuật toán lan truyền ngược để huấn luyện FuNN Thuật toán này gồm hai giai đoạn

 Lan truyền tiến: tính output của các

nơron

 Lan truyền ngược: Thay đổi trọng số của các cung, dùng thông tin gradient của

hàm lỗi

Lan truyền tiến

 Layer 1(Input Layer): tầng này chỉ truyền các biến tới trực tiếp các tầng mà không

sự bất cứ sự thay đổi nào

 Layer 2 (Condition Layer): đầu ra của

hàm trong nút này là mức độ phụ thuộc của đầu vào với hàm thành phần Các

hàm thành phần là các hình chữ nhật đều nhau Giá trị của hàm kích hoạt tại nút i là:

 Layer 3 (Rule Layer): Các trọng số kết nối của tầng này ban đầu được khởi tạo ngẫu nhiên, sau đó chúng được điều chỉnh

trong quá trình huấn luyện mạng

 Layer 4 (Action Layer): Giá trị net và giá trị kích họa được tính qua công thức

 Layer 5 (Output Layer): Tầng này thực hiện defuzzification để cung cấp đầu ra cứng