The preference of Fuzzy Wavelet Neural Network to ANFIS

توضیحات

ABSTRACT

This paper presents a Fuzzy Wavelet Neural Network (FWNN) for identification of a system with fast local variation. The FWNN combines wavelet theory with fuzzy logic and neural networks. An effective clustering algorithm is used to initialize the parameters of the FWNN. Learning fuzzy rules in this FWNN is based on gradient decent method. The performance of the FWNN structure is illustrated by applying to a nonlinear dynamic plant which has fast local variation then compared with Adaptive Neuro-Fuzzy Inference System (ANFIS) model. Simulation results indicate remarkable capabilities of the proposed identification method for plants with fast local variation.

 

INTRODUCTION

  The techniques of artificial intelligence based on fuzzy logic and neural networks are frequently applied together , . The reasons to combine these two paradigms come out of the difficulties and inherent limitations of each isolated paradigm. Generally, when they are used in a combined way, they are called Neuro-Fuzzy Systems. Numerous different neural and fuzzy structures are proposed for solving identification problems . A well known structure is Adaptive Neuro-Fuzzy Inference System (ANFIS) . In ANFIS, initial membership functions can be set up intuitively. Then, a set of fuzzy If-Then rules is generated by learning process to approximate a desired data set. In ANFIS model, the number of membership functions assigned to each input variable is chosen empirically, i.e., by examining the desired data set and/or by trial and error. Therefore, there are no simple ways to advance determining of the minimal number of hidden nodes, necessary to achieve a desired performance level. On the other hand, the ANFIS generates a complete rule base and therefore, suffers from the curse of dimensionality . Most of Neuro-Fuzzy systems utilize the backpropagation algorithm in learning step. The back-propagation algorithm that implements a nonlinear gradient optimization procedure can be trapped at a local minimum and converges slowly. On the other hand wavelet transform reveals properties of the function in localized regions of the joint time-frequency space. Wavelet neural network (WNN) can avoid local minimum.

 

 

چکیده

این مقاله یک شبکه عصبی فاجعه ای (FWNN) برای شناسایی یک سیستم با تنوع سریع محلی ارائه می دهد. FWNN ترکیبی از نظریه موجک با منطق فازی و شبکه های عصبی است. یک الگوریتم خوشه بندی موثر برای تنظیم پارامترهای FWNN استفاده می شود. قوانین فازی یادگیری در این FWNN مبتنی بر روش شایسته است. عملکرد ساختار FWNN با استفاده از یک گیاه پویای غيرخطی که دارای تغییرات محلی سریع است، در مقایسه با مدل استنتاج نوری – فازی (ANFIS) مقایسه شده است. نتایج شبیه سازی نشان می دهد قابلیت های قابل توجهی از روش شناسایی پیشنهاد شده برای گیاهان با تغییرات محلی سریع است.

 

مقدمه

تکنیک های هوش مصنوعی مبتنی بر منطق فازی و شبکه های عصبی اغلب با هم به کار می روند. دلایل ترکیب این دو پارادایم از مشکلات و محدودیت های ذاتی هر پارادایم جدا می شود. به طور کلی، زمانی که آنها به صورت ترکیبی مورد استفاده قرار می گیرند، آنها سیستم های فورج Neuro-Fuzzy نامیده می شوند. ساختارهای متعدد عصبی و فازی برای حل مشکلات شناسایی پیشنهاد شده است. ساختار شناخته شده سیستم استنتاج سازگار با سیستم عصبی فازی (ANFIS) است. در ANFIS، تابع عضویت اولیه می تواند به طور مستقیم راه اندازی شود. سپس، مجموعه اي از قوانين فازي If-Then توسط فرآيند يادگيري براي تقريب مجموعه داده هاي مورد نظر توليد مي شود. در مدل ANFIS، تعداد تابع عضویت که برای هر متغیر ورودی اختصاص داده شده، بصورت تجربی انتخاب می شود، یعنی با بررسی مجموعه داده های مورد نظر و / یا آزمایش و خطا. بنابراین، راه های ساده ای برای پیشبرد تعیین حداقل تعداد گره های پنهان، لازم برای دستیابی به یک سطح عملکرد دلخواه وجود ندارد. از سوی دیگر، ANFIS یک پایگاه قانون کامل ایجاد می کند و از این رو از لعن ابعاد رنج می برد. اکثر سیستم های عصبی فازی از الگوریتم برگشت ضرب در مرحله یادگیری استفاده می کنند. الگوریتم عقبگردانی که یک روش بهینه سازی شیب غیر خطی را پیاده سازی می کند می تواند در حداقل محلی به دام افتاده و به آرامی هماهنگ شود. از سوی دیگر، تبدیل ویولت نشان دهنده خواص عملکرد در مناطق محلی فضای فرکانس مشترک است. شبکه عصبی موجک (WNN) می تواند از حداقل محلی جلوگیری کند.

 

 

Year: 2010

Publisher : Eighteenth International Energy Conference of Iran

By :  Mehrnoosh Davani poor ,Maryam Zekri, Farid Sheikholeslam

File Information: English Language/ 5 Page / size: 734 KB

Download

سال :1389

ناشر : هجدهمین کنفرانس بین المللی برق ایران

کاری از : مریم نور داوین فقیر، مریم زکری، فرید شیخ الاسلام

اطلاعات فایل : زبان انگلیسی / 5 صفحه / حجم : KB 734

لینک دانلود