ارائه روشی نوین مبتنی بر قوانین فازی و شبکه عصبی در تقریب توابع غیرخطی با ابعاد بالا

در این مقاله ما روشهای مختلفی را برمبنای شبکه عصبی فازی به منظور تقریب توابع غیرخطی به وسیله افزودن قوانین فازی بررسی می نمائیم. روشهای شعاعی، ابتدا و انتها، کلاسترینگ از جمله روشهایی می باشند که جهت تقریب توابع غیرخطی به وسیله قوانین فازی در این پروژه استفاده شده اند. بطوریکه تفاوت این شبکه های عصبی فازی در مجموعه های فازی اولیه در نظر گرفته شده توسط آنها می باشد. بعد از درنظر گرفتن مجموعه های فازی اولیه، در هر مرحله از تکرار فرآیند آموزشی شبکه، به منظور تقریب توابع غیرخطی، قانون جدیدی به منظور کاهش خطای آموزشی به شبکه افزوده می گردد بطوریکه محل قانون جدید بر اساس ماکزیمم خطای داده های آموزشی معین می گردد در پایان با مقایسه روش های ارائه شده به این نتیجه می رسیم که هرچند استفاده از anfis در تقریب توابع با ابعاد پائین می تواند مفید باشد اما استفاده از این روش در تقریب توابع با ابعاد بالا نیازمند زمان طولانی و حافظه بالا می باشد و شبکه عصبی معمولی نیز دارای سرعت همگرائی بالا بوده و احتمال گیر کردن در مینیمم محلی نیز در این روش وجود دارد اما استفاده از روشهای پیشنهاد شده هم در تقریب توابع با ابعاد بالا بسیار مناسب بوده و هم دارای سرعت همگرائی مناسب می باشند بطوریکه از بین این روشها، روش شعاعی به دلیل افزودن قوانین در محلهایی که تابع دارای تغییرات محلی است بهترین پاسخ را جهت تقریب تابع می دهد.

کلیدواژه ها:

شبکه عصبی ، سیستم فازی ، تقریب تابع غیرخطی