2) Навчання в нейро-фаззі-системах

На прикладі властивості ТІЛЬКИ — ЧИ (Exclusiv-Oder) цифрових схем,буде

далі пояснена застосовувана процедура. Для початку навчання потрібно наявність

двох предметів: "порожньої" фаззі-системи, що представляє вихідну структуру

навчальної системи, а також прикладів, по яких проводиться тренування.

П риклади тренування для алгоритму ТІЛЬКИ — ЧИ

Рис. 5.10. Можливі комбінації вхідних сигналів для цифрового рішення ВИКЛЮЧЕННЯ, ЧИ при тренуванні фаззі системи

Оскільки на даному прикладі фаззі-система повинна вивчити спосіб поводження

ВИКЛЮЧЕННЯ — ЧИ, доцільно можливі варіанти сполучень у цьому співвідношенні

застосовувати як дані тренування. Якщо розраховувати ТІЛЬКИ — ЧИ по двох

входах х, в і одному виходу z то можливі 4 комбінації (рис. 5.10.). Щоб вивчити

цей зміст, необхідно задати "порожню" фаззі-систему, у якій поки відсутні

правила. Лінгвістичні змінні вхідних і вихідних величин ідентичні двом елементам

"вірно" і "не вірно", а безліч правил охоплює безліч усіх можливих правил. Тому що

ваги правил тут дорівнюють нулю, усі правила не діють і база правил є "порожня".

Д ля супроводу розпорядження по навчанню можливі різні підходи. Одним з них

може бути пасивне спостереження того, при яких

прикладах які модифікації

правил відбудуться в нейро-фаззі-системі. Цим

підходом з'явиться безпосереднє спостереження

співвідношень вхід-вихід по характеристичному полю.

На рис. 5.11.. показане характеристичне поле "порожньої" фаззі-системи.

Після закінчення навчання фаззі-система цілком готова до відтворення чотирьох

прикладів і вона здатна виконати апроксимацію у всьому діапазоні. Персональний

комп'ютер РС-486 на описаний процес навчання затратить приблизно 0,1 с

обчислювального часу. Звичайно, для більш великої системи час обчислень

часто виявляється значно великим.

Вивчення чотирьох комплектів тренувальних даних у прикладі "des Exklusiv-Oder

" виконується з залишковою помилкою, рівної нулю. Це означає, що в даному

найпростішому випадку по закінченні навчання всі приклади будуть оброблені

фаззі-системою безпомилково.

На практиці ситуація найчастіше виглядає складніше. Потрібна наявність

досвіду тренування нейро-фаззі-систем. Істотною проблемою при застосуванні

цієї технології є якість наявних комплектів даних. До тому ж практично дуже

важко заздалегідь оцінити чи досить вивчене необхідне поводження фаззі-системи

на підставі наявних комплектів даних, використаних у прикладах для навчання.

Білет20

1) Прямоспрямовані нейронні сітки

Розрізняють два основних типи сіток: сітки зі зворотним зв'язком, у яких вихідний

сигнал подається назад на вхід сітки, і сітки, у яких для кожного вхідного вектора

розраховується вихідний вектор, що зчитується з вихідних нейронів.

Тут відсутні зворотні зв'язки й у цьому сенсі має місце

прямоспрямований потік інформації. Сітки з такою структурою називають також

"feed forward Networks" чи "hetero assoziative Networks". Нижче будуть розглянуті в

першу чергу сітки без зворотних зв'язків.

Розглянуті вище одношарові сітки можуть описуватися в матричній формі

,

де ; і — вхідний і вихідний вектори; f— активаційна функція.

2) Динамічні архітектури нейронних сіток

Вище було показано, що статичні архітектури ІНС здатні апроксимувати великомірні,

нелінійні статичні функції. Ідентифікація динамічних систем, навпаки, вимагає моделі з

елементами запам'ятовування. Тому статичні прямонаправленні сітки повинні розширюватися

динамічними структурами.

Однієї з можливостей динамічного розширення є додавання зовнішніх фільтрів, що реалізують

динамічну модель поза сіткою. До таких сіток із зовнішньою динамікою відносяться (рис. 4.16):

•    нелінійні моделі зі зворотним зв'язком з виходу (NDE/NARX);

•    нелінійні моделі з кінцевою імпульсною відповіддю (NFIR);

•    нелінійні ортогональні моделі базисних функцій (NOBF).

Зазначені три варіанти розрізняються тим, що реалізуються відповідними зовнішніми фільтрами.

На відміну від цього, включення елементів запізнювання і рекурентних зв'язків у саму

структуру сітки приводить до неміцних моделей із внутрішньою динамікою. Для сіток із

внутрішніми динамічними елементами можна виділити три класи архитектур (рис. 4.15):

•    цілком зрощена структура (1);

•    частково рекурентні сітки (2);

•                локально рекуррентні глобальні прямонаправлені сітки

•                (LRGF — Lokal Rekurrente Global Feedforward Netze).

Рис. 4.15. Огляд динамічних ІНС	Рис.4.16. ІНС із зовнішньою динамікою

Хопфілд-моделі і інші рекурсивні сітки також характеризуються динамічними режимами роботи,

однак представляє цікавість тільки  їхня збіжність до стійкого стану і показність. Враховуючи це

обмеження по динаміці, типи даних сіток за способом їх роботи є статичними.

Білет21