Fuzzy neural networks: A survey

توضیحات

ABSTRACT

In this paper a fuzzy neural network will be a layered, feedforward, neural net that has fuzzy signals and/or  fuzzy weights. We survey recent results on learning algorithms and applications for fuzzy neural networks.

INTRODUCTION

In this section we will first describe what we mean by a neural net, hybrid neural net, fuzzy neural net, and hybrid fuzzy neural net. Then we introduce notation that will be used in the rest of the paper. Consider the three layered, feedforward, neural net shown in Fig. 1. For simplicity we have assumed only two input   neurons, one hidden layer, and one output neuron. We begin by having the signals and weights of all real numbers. All neurons have a transfer function f which translates input to output. Usually the input neurons have y = f ( x ) = x (no change in input) and all the other neurons have the sigmoidal function y = f ( x ) = ( 1 + e – X ) -1. However, the transfer function, in general, can be any mapping f from the  real numbers into the real numbers. Also, we will usually not use a bias term in the sigmoidal function.In this section we will have f ( x ) = x in the two input neurons and the sigmoidal function in all other neurons. If the input signals are xl and x2 (see Fig. 1), then the output from neuron # 1 (# 2) in the input layer is xl (x2).  

چکیده

در این مقاله یک شبکه عصبی فازی یک شبکه عصبی لایه ای است که دارای سیگنال های فازی و / یا وزن فازی است. ما نتایج اخیر در الگوریتم های یادگیری و برنامه های کاربردی برای شبکه های عصبی فازی را بررسی می کنیم.

مقدمه

در این بخش ابتدا ما را از طریق یک شبکه عصبی، شبکه عصبی ترکیبی، شبکه عصبی فازی و شبکه عصبی فازی هیبریدی معرفی خواهیم کرد. سپس ما علامت گذاری می کنیم که در بقیه مقاله استفاده می شود. به نظر می رسد سه شبکه عصبی لایه ای، فیدر، نشان داده شده در شکل 1. برای سادگی، ما تنها دو نورون ورودی، یک لایه پنهان و یک نورون خروجی را فرض کرده ایم. ما با داشتن سیگنال ها و وزن از تمام اعداد واقعی شروع می کنیم. همه نورون ها یک تابع انتقال f دارند که ورودی را به خروجی ترجمه می کند. معمولا نورونهای ورودی y = f (x) = x (بدون تغییر در ورودی) و تمام نورون های دیگر دارای عملکرد sigmoidal هستند y = f (x) = (1 + e – X) -1. با این حال، تابع انتقال، به طور کلی، می تواند هر گونه نقشه برداری f از اعداد واقعی به اعداد واقعی باشد. همچنین، معمولا از یک اصطلاح تعصب در عملکرد sigmoidal استفاده نمی کنیم. در این بخش، f (x) = x در دو نورون ورودی و تابع sigmoidal در همه نورون های دیگر وجود دارد. اگر سیگنال های ورودی xl و x2 باشد (نگاه کنید به شکل 1)، خروجی از نورون # 1 (# 2) در لایه ورودی xl (x2) است.

Year: 1994

Publisher : ELSEVIER

By : James J . Buckley , Yoichi Hayashi

File Information: English Language/ 13 Page / size: 811 KB

Only site members can download free of charge after registering and adding to the cart

Download tutorial

سال : 1373

ناشر : ELSEVIER

کاری از : جیمز جی باکی، یوشی هیاشی

اطلاعات فایل : زبان انگلیسی / 13 صفحه / حجم : KB 811

فقط اعضای سایت پس از ثبت نام و اضافه کردن به سبد خرید می توانند دانلود رایگان کنند.خوشحال می شویم به ما پبیوندید

آموزش دانلود