دانلود مقاله ترجمه شده الگوریتم یادگیری جدید برای یک سیستم استنتاج فازی-عصبی کاملآ همبند

1-مقدمه

سیستم عصبی-فازی برای بسیاری از برنامه‌های کاربردی مهندسی در دهه‌های مربوط به تشخیص الگو، کنترل تطبیقی هوشمند، تخمین رگرسیون و تراکم، مدل‌سازی سیستمی، و غیره [1]-[6] بکارگرفته شدند. یک سیستم عصبی فازی، خصیصه‌های شبکه عصبی (NN)، توصیف زبانی و کنترل منطقی را پردازش می‌کند. اگرچه پیشرفت‌های مهمی توسط ترکیب الگوریتم‌های یادگیری یا سیستم عصبی-فازی ایجادشده است، هنوز مسائلی وجود دارند که برای پیاده‌سازی‌های عملی برای نمونه، یافتن نسبت یادگیری بهینه برای هردو بخش قضیه و نتیجه برای افزایش سرعت همگرایی، یا ارتقای پارامترهای توابع عضو (MF) نیازمند حل‌شدن هستند. در یک سیستم عصبی-فازی، به طور عمومی، لایه قاعده یک لایه حاصل به جای یک لایه جمع در یک NN پیشخور معمولی است. در نتیجه،  بکاربردن الگوریتم‌های یادگیری در تبدیل پارامترهای قضیه مختصر نیست. بنابراین، برای طراحی یادگیری سیتماتیک سیستم عصبی-فازی، یک سیستم فازی-عصبی به عنوان یک NN سه لایه کاملآهمبند دوباره فرمول‌بندی شده‌است، برای مثال، سیستم استنتاج فازی کاملآهمبند (F-CONFIS).  اگرچه یکسری از نوشته‌ها اثبات کرده‌اند که هم‌ارزی‌های کاربردی بین سیستم‌فازی و یک NN، غیرسازنده است. F-CONFIS یک مرحله سازنده را برای ایجاد هم‌ارزی بین یک سیستم عصبی-فازی و NN ارائه‌می‌دهد. F-CONFIS با NN چند لایه کلاسیک توسط وزن لینک‌های تکرارشده‌اش، تفاوت پیدا کرده‌است. با یکسری از آرگومان‌های خاص، می‌توانیم الگوریتم‌های یادگیری را از F-CONFIS مشتق‌کنیم، بنابراین برای یک سیستم عصبی-فازی کارآمد و موثر است...