سیستم‌های هوشمند و قابلیت یادگیری

دانلود پایان نامه
  • بنابر این پایگاه قواعد در دو ساختارکوچکتراز نظر تعداد قوانین و ساده ترازنظر حجم محاسبات و تعبیر پذیری قوانین، بررسی می شود. در جدول (4-1)، این دو ساختار طبق نوع آرایش ورودی ها نشان داده شده است.
    قوانین برای ساختار اول، طبق جدول های (4-2) و (4-3) تعریف شده اند و برای ساختار دوم طبق جدول های (4-4) و (4-5) می باشند.
    در نوشتن قوانین به این نکته توجه شده است که طبق مدل سیستم تاثیر خطاهای جابجایی زاویه ای مفصل و انحراف انتهای بازوی انعطاف پذیر، از ورودی سیستم بر عکس یکدیگر است. به همین علت قوانین در ساختار اول، برای خطای جابجایی زاویه ای مفصل و مشتق آن، عکس قوانین برای خطای انحراف انتهای بازوی انعطاف پذیر و مشتق آن است. در ساختار دوم نیز وقتی خطاهای جابجایی زاویه ای مفصل و انحراف انتهای بازوی انعطاف پذیر، هر دو هم علامت هستند، باید ولتاژ ورودی سیستم صفر باشد و وقتی مختلف العلامت باشند، ولتاژ مثبت یا منفی به سیستم داده شود.

    هر کدام از این ساختار ها شامل دو مجموعه قوانین مستقل با 32 قانون هستند که با هم یک پایگاه قوانین با 32×2 قانون را تشکیل می دهند. ساختار کنترل حلقه بسته در شکل (4-4) دیده می شود.

    در ابتدا از موتور استنتاج مینیمم وفازی ساز گوسین و غیر فازی ساز مرکز ثقل استفاده می شود. با تغییر مرکز دسته و پهنای گوسین های ورودی و با ثابت نگه داشتن توابع تعلق خروجی که توابع مثلثی هستند، در یک توزیع یکنواخت، سعی می کنیم تا بهترین عملکرد را در خروجی سیستم حلقه بسته به دست آوریم. پس از به دست آوردن نتیجه مطلوب در شبیه سازی آن را روی بازوی انعطاف پذیر Quanser پیاده سازی کرده و پاسخ عملی را به دست می آوریم.
    از آنجا که با استفاده از استنتاج ضرب، دستیابی به شبکه فازی عصبی تطبیقی مشکل است، بنابر این همین کار را را با استفاده از موتور استنتاج مینیمم وفازی ساز گوسین و غیر فازی ساز مرکز ثقل دوباره تکرار می کنیم.
    استنتاج ضرب به دلیل اینکه هیچ اطلاعاتی را حذف نمی کند و از همه داده های موجود استفاده می کند، بسیار رایج و پر طرفدار است. از این گذشته استفاده از آن باعث ساده تر شدن الگوریتم آموزش عاطفی که در فصل بعد توضیح داده می شود، خواهد شد.
    اما نتایج شبیه سازی حاکی از آن بود که با استنتاج ضرب بدون تغییر در توابع تعلق خروجی نمی توان عملکرد دقیقی از سیستم حلقه بسته انتظار داشت.
    4-4- شبکه‌های عصبی- فازی
    پس از معرفی تئوری فازی توسط پرفسور زاده در سال 1965 تحقیقات وسیعی بر روی کاربردهای این شیوه جدید آغاز شد و امروزه در بسیاری از حوزه‌ها، دارای کاربردهای به اثبات رسیده می‌باشد. سیستم‌های فازی در یک نگاه کلی مجموعه‌ای از قواعد شرطی فازی هستند که توسط شخص خبره طراحی شده و با استفاده از قواعد (متنوع) استنتاج فازی قادر به ارائه تصمیم‌گیری و پاسخ می‌باشند. نقش شخص خبره در طراحی یک سیستم فازی انکار‌ناپذیر است و کیفیت نهایی سیستم طراحی شده شدیدا وابسته به نحوه طراحی آن توسط شخص خبره است و در واقع یکی از اصلی‌ترین مشکلات در طراحی سیستم‌های فازی از همین وابستگی ناشی می‌شود. در بحث طراحی کنترل کننده با استفاده از سیستمهای فازی، توابع تعلق ورودی و خروجی و در دیدگاه کلی تر، قواعد فازی در یک نقطه کار طراحی و اجرا می شوند. حال اگر نقطه کار سیستم به یکباره عوض شود اینکه قواعد تعریف شده در نقطه کار قبلی چقدر کارائی دارند جای بحث می باشد و بایست برای این نقطه کار جدید قوانین و توابع تعلق را دوباره تنظیم کرد.
    برای حل این مشکل غالبا از روش‌هایی نظیر تنظیم قواعد با استفاده از روش آزمون و خطا، روشهای بهینه‌سازی (مانند الگوریتم ژنتیکی) و یا تکنیکهای یادگیری استفاده می‌گردد [17 ، 22 و 23]. ما نیز در مرتفع ساختن این مشکل، از رویکرد تکنیکهای یادگیری کمک می‌گیریم و با اضافه کردن شبکه‌های عصبی به سیستم‌های فازی از مزایای قابلیت یادگیری نیز بهره‌مند می‌شویم [24 و 25]. پس با افزودن خاصیت یادگیری شبکه های عصبی به سیستمهای فازی به ساختار شبکه های عصبی- فازی دست خواهیم یافت. در حالت کلی برای ترکیب سیستم‌های فازی با شبکه‌های عصبی دو روش کلی وجود دارد که عبارتند از:
    الف- مجموعه‌های فازی بر پایه شبکه‌های عصبی ، یعنی از عملیات و مجموعه‌ها و اعداد فازی در شبکه‌های عصبی استفاده کرده (مثلا در آموزش) و تا حدی قابلیت استنتاج تقریبی را به شبکه‌های عصبی اضافه نماییم [26].
    ب- سیستم‌های فازی را به صورت شبکه‌های عصبی تحقق بخشیم و در واقع شبکه ‌عصبی بر پایه سیستم‌فازی قرار می‌گیرد . در این حالت یک تقسیم فازی که دارای خواص شبکه‌های عصبی است به دست می‌آوریم. در این رویکرد علاوه بر قابلیت استنتاج فازی، سادگی و قابلیت تفسیر نیز به خواص شبکه عصبی اضافه می‌شود و در صورت نیاز، شخص خبره به راحتی می‌تواند تغییرات لازم را در ساختار و پارامتر‌های سیستم (با برخورداری از ساختار شفاف) اعمال کند [27، 28 و 29].
    روش دوم در بحث سیستم‌های هوشمند بسیار مورد استفاده قرار گرفته است و ما نیز از این نوع استراتژی ترکیبی در ادامه استفاده می‌کنیم. انواع بسیار متنوعی از ساختا‌رهای مختلف در این استراتژی ترکیبی وجود دارند که بر حسب نوع سیستم فازی (مثلا فازی خالص، تکاگی-سوگنو-کانگ، سیستم فازی با فازی‌ساز و غیر‌فازی‌ساز)، نوع ساختار شبکه عصبی (چند لایه پیشرو، برگشتی و…)، نوع روش آموزشی (با سرپرست، تقویتی و …) تقسیم می‌گردند. ما در ادامه به معرفی شبکه عصبی- فازی مدل ممدانی خواهیم پرداخت.
    4-4-1- شبکه عصبی- فازی ممدانی
    ساختار شبکه عصبی- فازی ممدانی با پنج لایه و دارای دو ورودی و یک خروجی در شکل (4-4) نشان داده شده است. در این ساختار لایه اول به عنوان لایه ورودی مطرح است. لایه دوم وظیفه فازی کردن ورودی ها را بر عهده دارد. لایه سوم نشان دهنده ی قوانین فازی است. لایه چهارم برای نرمال سازی مورد استفاده قرار می گیرد که وجود نرمال سازی در این لایه همگرائی پارامترهای شبکه را بهبود می بخشد و بالاخره لایه پنجم لایه غیر فازی ساز نامیده می شود.

      تحقیق درباره ADHD و مشکلات یادگیری

    برای روشن شدن بیشتر چگونگی عملکرد شبکه عصبی- فازی، لایه ها را بصورت جداگانه توضیح می دهیم. همچنین در ادامه از عبارات برای بیان ورودی گره i – ام در لایه k- ام و از برای بیان خروجی گره i – ام در لایه k- ام استفاده خواهیم کرد.
    لایه اول
    در بعضی مراجع، در شمارش لایه‌ها، این لایه را به حساب نمی‌آورند و در واقع وظیفه اصلی این لایه انتقال ورودیها به داخل شبکه است. وزن نرون‌ها در این لایه همگی ثابت و برابر واحد در نظر گرفته می‌شوند.
    (4-2)
    که برابر با ورودی اعمالی به شبکه هستند.

    این نوشته در مقالات و پایان نامه ها ارسال شده است. افزودن پیوند یکتا به علاقه‌مندی‌ها.