Алгортм обучения гибридного нейронечёткого классификатора

Для обучения нейронечёткого классификатора можно использовать алгоритмы наискорейшего спуска и алгоритм обратного распространения ошибки. В этом случае в качестве операции T-нормы следует использовать алгебраическое произведение, иначе возникнут сложности при вычислении производной функции активации.

Пусть задана обучающая выборка, состоящая из множества примеров где , значения входных переменных, - эталонные значения выходных переменных в t-ом примере.

Настраиваемыми параметрами для данной сети являются параметры функции принадлежности входных переменных нечётким множествам и параметры функций принадлежности нечетких множеств заключений (i=1,2,..,m; j=1,2,…,n).

Шаг 1. Для каждого примера из обучающей выборки по значениям входных переменных (t=1,2,…,P) нечёткая сеть рассчитывает значения выходных переменных .

Шаг 2. Вычисляется функция ошибки для всех примеров обучающей выборки:

. (8.114)

В данном случае функция ошибки может быть представлена как функция, зависящая от следующих аргументов:

(8.115)

Шаг 3. Корректируются значения и по каждому примеру обучающей выборки по следующим формулам:

,

, (8.116)

,

,

где t – номер итерации обучения, - коэффициент обучения.

Шаги 1-3 повторяются довыполнения условий завершения:

· либо значение функции ошибки по каждому примеру обучающей выборки не превышает некоторого установленного порога:

; (8.117)

· либо оценка средней суммарной погрешности по всем примерам обучения не превышает некоторого установленного порога:

(8.118)