توضیحات
ABSTRACT
In this paper, a Sequential Adaptive Fuzzy Inference System called SAFIS is developed based on the functional equivalence between a radial basis function network and a fuzzy inference system (FIS). In SAFIS, the concept of “Influence” of a fuzzy rule is introduced and using this the fuzzy rules are added or removed based on the input data received so far. If the input data do not warrant adding of fuzzy rules, then only the parameters of the “closest” (in a Euclidean sense) rule are updated using an extended kalman filter (EKF) scheme. The performance of SAFIS is compared with several existing algorithms on two nonlinear system identification benchmark problems and a chaotic time series prediction problem. Results indicate that SAFIS produces similar or better accuracies with less number of rules compared to other algorithms.
INTRODUCTION
It is well known that Fuzzy Inference Systems (FIS) can be used to approximate closely any nonlinear input output mapping by means of a series of if–then rules . In the design of FIS, there are two major tasks, viz., the structure identification and the parameter adjustment. Structure identification determines the input– output space partition, antecedent and consequent variables of if–then rules, number of such rules, and initial positions of membership functions. The second task of parameter adjustment involves realizing the parameters for the fuzzy system structure determined in the previous step . Recently, the functional equivalence between a RBF neural network and a FIS (under certain conditions ) have been exploited by many researchers for carrying out the above two tasks . These schemes utilize the learning capabilities of the RBF for changing the rules as well as adjusting the parameters since the hidden neurons of the RBF networks are related to the fuzzy rules. These methods can be broadly divided into two classes namely batch learning schemes and sequential learning schemes. In batch learning, it is assumed that the complete training data are available before the training commences.
چکیده
در این مقاله یک سیستم استنتاج فازی تطبیقی به نام SAFIS بر اساس همبستگی عملکردی بین یک شبکه تابع پایه شعاعی و سیستم استنتاج فازی (FIS) توسعه داده شده است. در SAFIS، مفهوم “تأثیر” یک قانون فازی معرفی شده است و با استفاده از این قوانین فازی اضافه شده یا بر اساس داده های ورودی دریافت شده تا کنون اضافه شده است. اگر داده های ورودی اضافی قوانین فازی را تأیید نکنند، فقط پارامترهای “نزدیکترین” (به معنای اقلیدس) با استفاده از یک طرح فیلتر کالمن (EKF) به روز می شوند. عملکرد SAFIS با چندین الگوریتم موجود بر روی دو مسئله معیار شناسایی سیستم غیرخطی و یک مسئله پیش بینی سری حادثه ای مقایسه شده است. نتایج نشان می دهد که SAFIS تطابق مشابه یا بهتر را با تعداد کمتری از قوانین نسبت به الگوریتم های دیگر تولید می کند.
مقدمه
به خوبی شناخته شده است که سیستم های استنتاج فازی (FIS) می تواند برای نزدیک شدن هر گونه نقشه برداری خروجی ورودی غیر خطی با استفاده از یک سری از قوانین اگر و سپس استفاده شود. در طراحی FIS، دو وظیفه اصلی، یعنی شناسایی ساختار و تنظیم پارامتر وجود دارد. شناسایی ساختار، پارتیشن فضای ورودی / خروجی را تعیین می کند، متغیرهای پیشین و پس از آن قوانین، اگر و پس از آن، تعدادی از چنین قواعد، و موقعیت های اولیه از توابع عضویت است. دومین کار تنظیم پارامتر شامل شناخت پارامترهای ساختار سیستم فازی که در مرحله قبل تعیین شده است. اخیرا، همسان سازی عملکرد بین یک شبکه عصبی RBF و یک FIS (تحت شرایط خاص) توسط بسیاری از محققان برای انجام دو وظیفه فوق مورد بهره برداری قرار گرفته است. این طرحها از قابلیت یادگیری RBF برای تغییر قوانین و همچنین تنظیم پارامترها استفاده می کند، زیرا نورونهای پنهان شبکه های RBF با قوانین فازی مرتبط هستند. این روش ها را می توان به طور گسترده ای به دو دسته تقسیم کرد: برنامه یادگیری دسته ای و طرح یادگیری پیوسته. در یادگیری دسته ای، فرض می شود که داده های آموزش کامل قبل از شروع آموزش در دسترس هستند.
Year: 2006
Publisher : ELSEVIER
By : Hai-Jun Rong, N. Sundararajan , Guang-Bin Huang, P. Saratchandran
File Information: English Language/ 16 Page / size: 234 KB
Only site members can download free of charge after registering and adding to the cart
سال : 1385
ناشر : ELSEVIER
کاری از : چی Jun Rong، N. Sundararajan، Guang-Bin Huang، P. Saratchandran
اطلاعات فایل : زبان انگلیسی / 16 صفحه / حجم : KB 234
نقد و بررسیها
هنوز بررسیای ثبت نشده است.