Адаптивные нейронечеткие системы инференции (ANFIS)

Введение

Различные типы интеллектуальных систем имеет свои осо­бенности, например, по возможностям обучения, обобщения и вы­работки результатов, что делает их наиболее пригодными для ре­шения одних классов задач и менее пригодными для других.

Например, нейронные сети хороши для задач идентификации объектов, но весьма неудобны для объяснения, как они такую идентификацию осуществляют. Они могут автоматически приобре­тать знания, но процесс их обучения зачастую происходит доста­точно медленно, а анализ обученной сети весьма сложен (обучен­ная сеть представляет обычно черный ящик для пользователя). При этом какую-либо априорную информацию (знания эксперта) для ускорения процесса ее обучения в нейронную сеть ввести не­возможно.

Системы с нечеткой логикой, напротив, хороши для объяс­нения получаемых с их помощью выводов, но они не могут авто­матически приобретать знания для использования их в меха­низмах вывода. Необходимость разбиения универсальных мно­жеств (универсумов) на отдельные области, как правило, ограничивает количест­во входных переменных в таких системах небольшим значением.

Вообще говоря, теоретически, системы с нечеткой логикой и искусственные нейронные сети подобны друг другу, однако, в со­ответствии с изложенным выше, на практике у них имеются свои собственные достоинства и недостатки. Данное соображение лег­ло в основу создания аппарата нечетких нейронных сетей, в кото­рых выводы делаются на основе аппарата нечеткой логики, но соответствующие функции принадлежности подстраиваются с ис­пользованием алгоритмов обучения нейронных сетей, например, алгоритма обратного распространения ошибки. Такие системы не только используют априорную информацию, но могут приобретать новые знания, являясь логически прозрачными.

Рассмотрим нечеткие нейронные сети, которые в англоязычной литературе получили название ANFIS (Adaptive Neuro-Fuzzy Inference System). ANFISимеет структуру, которая по своим функциям эквивалентна нечеткой системе логического вывода, построенной с помощью нечетких базовых правил типа Сугено. Грубо говоря, ANFISявляется методом для настройки сформулированных базовых правил, точнее параметров соответствующих этим правилам функций принадлежности, с помощью алгоритмов обучения, основанных на комплекте обучающих (образцовых) данных. Такие алгоритмы позволяют адаптировать (приспосабливать) базовые правила к обучающим данным.