بررسی سیستم های عصبی-فازی مختلف بر اساس الگوریتم یادگیری (گرادیان، هیبریدی، جمعیتی)

از شبکه عصبی و منطق فازی میتوان برای حل مشکلات غیر خطی و مشکلاتی که به درستی مشخص نشدهاند استفاده نمود،شبکه های عصبی برای بدست آوردن نتایج دقیق نیاز به داده های زیادی دارند،اما جمع آوری داده های مورد نیاز برای شبکه های عصبی، بسیار پر هزینه و زمان بر بوده واین شبکه ها شامل یک فرآیند یادگیری هستند که الگوریتمهای یادگیری را نیز در بر می گیرند و نیاز به اطالعات آموزشی دارند، از طرفی روش های فازی، به دلیل استفاده از اعداد فازی به جای اعداد قطعی، نسبت به سایر روش ها به داده های کمتری نیاز دارند، (ولی همیشه عملکرد رضایت بخشی ندارند)،منطق فازی این امکان را فراهم می نماید تا بر اساس اطلاعات نامشخص و یا مبهم تصمیم گیریهای قطعی انجام شود، در حالی که شبکه های عصبی تلاش دارند تا با مشارکت فرآیند تفکر انسانی مشکلات را بدون مدل سازی ریاضی آنها حل نمایند. برای بر طرف کردن محدودیت های شبکه عصبی و بدست آوردن نتایج دقیق تر، ترکیبی از شبکه عصبی- فازی پیشنهاد شده است.یک شبکه ترکیبی عصبی- فازی مزایای منطق فاازی و شابکه عصبی را با هم دارا می باشد. در این تحقیق به بررسی مجموعه ای متنوع از پژوهش های انجام شده بر روی سیستم های عصبی-فازی مبتنی بر گرادیان،هیبریدی و جمعیتی، پرداخته شده است.

کلیدواژه ها:

شبکه عصبی ، منطق فازی ، الگوریتم های یادگیری ، گرادیان ، شبکه های هیبریدی