АДАПТИВНИЙ ПОДВІЙНИЙ НЕО-ФАЗЗІ НЕЙРОН ТА ЙОГО КОМБІНОВАНЕ НАВЧАННЯ
Ключові слова:
швидка класифікація даних, класифікація в онлайн режимі, нечітка класифікація, коротка вибірка, нео-фаззі нейрон, комбіноване навчання
Анотація
Предметом вивчення в статті є процес класифікації даних за умов нечіткості та обмеженого об’єму навчальної вибірки. Метою є удосконалення подвійного нео-фаззі нейрона в рамках вирішення задачі класифікації даних із обмеженнями щодо об’єму тренувальної вибірки, часу обробки, а також нечіткості та не стаціонарності вхідних даних. Завдання: удосконалення подвійного нео-фаззі нейрона для покращення апроксимаційних властивостей системи, а також розробка комбінованого методу навчання системи для забезпечення швидкої в онл айн режимі. Використовуваними підходами є: ліниве навчання, навчання з учителем та самонавчання. Отримані наступні результати. Модифіковано подвійний нео-фаззі нейрон, запропоновано метод комбінованого навчання, що забезпечує оптимальну швидкість при налаштуванні синоптичних ваг та автоматичне формування функцій належності в онлайн-режимі за умов обмеженої навчальної вибірки. Висновки. Удосконалено подвійний нео-фаззі нейрон шляхом введенням стискаючої активаційної функції на виході, що створює умови для побудови нео-фаззі мережі з можливістю адаптації до нестаціонарних вхідних даних за умови роботи в онлайн режимі, а також уникнути проблеми зникаючого градієнту. Запропоновано комбінований метод навчання подвійного нео-фаззі нейрону, який передбачає паралельне використання лінивого навчання, навчання з учителем та самонавчання за правилом «Переможець забирає все» з подальшим автоматичним формуванням функцій належності, що дає можливість швидкої класифікації в режимі онлайн за умови наявності викидів у вхідних даних.Завантаження
Дані про завантаження поки що недоступні.
Посилання
1. Aggarwal CC (2018) Neural networks and deep learning: a textbook. Springer, Cham, Switzerland
2. Bengio Y, Cun YL, Hinton G (2015) Deep learning. Nature 521:436–444
3. Goodfellow I, Bengio Y, Courville A (2016) Deep Learning. MIT Press
4. Cybenko G (1989) Approximation by superpositions of a sigmoidal function. Math Control Signal Systems 2:303–314. https://doi.org/10.1007/BF02551274
5. Bodyanskiy YV, Tyshchenko OK (2020) A hybrid cascade neural network with ensembles of extended neo-fuzzy neurons and its deep learning. Advances in Intelligent Systems and Computing 945:164–174
6. Yamakawa J, Uchino E, Miki J, Kusanagi H (1992) A neo-fuzzy neuron and its application to system identification and prediction of the system behavior. In: Proceedings of the 2nd International Conference on Fuzzy Logic & Neural Networks. Iizuka, Japan
7. Miki T (1999) Analog Implementation of Neo-Fuzzy Neuron and Its On-board Learning
8. Zurita D, Delgado M, Carino JA, et al (2016) Industrial Time Series Modelling by Means of the Neo-Fuzzy Neuron. IEEE Access 4:6151–6160. https://doi.org/10.1109/ACCESS.2016.2611649
9. Bodyanskiy YV, Kokshenev I, Kolodyazhniy V (2003) An adaptive learning algorithm for a neo fuzzy neuron. In: Wagenknecht M, Hampel R (eds) Proceedings of the 3rd Conference of the European Society for Fuzzy Logic and Technology, Zittau, Germany, September 10-12, 2003. University of Applied Sciences at Zittau/Görlitz, Germany, pp 375–379
10. Perfilieva I (2006) Fuzzy transforms: Theory and applications. Fuzzy Sets and Systems 157:993–1023. https://doi.org/10.1016/j.fss.2005.11.012
11. Bodyanskiy Dr.-Ing. habil. Y, Gorshkov M.Sc. Y, Kolodyazhniy Dr.-Ing. V, et al (2007) Evolving network based on double neo-fuzzy neurons. Computer science meets automation: 52 IWK, Internationales Wissenschaftliches Kolloquium ; proceedings ; 10 - 13 September 2007; Volume I 52, 2007, Vol. 1:35–40
12. Hu Z, Bodyanskiy YV, Tyshchenko OK, Samitova VO (2017) Fuzzy clustering data given on the ordinal scale based on membership and likelihood functions sharing. International Journal of Intelligent Systems and Applications 9:1–9
13. Kaczmarz S (1993) Approximate solution of systems of linear equations. International Journal of Control 57:1269–1271. https://doi.org/10.1080/00207179308934446
14. Widrow B, Hoff ME (1960) Adaptive Switching Circuits. IRE WESCON Convention Record
15. Bodyanskiy Y, Kolodyazhniy V, Stephan A (2001) An Adaptive Learning Algorithm for a Neuro-fuzzy Network. Computational Intelligence Theory and Applications Fuzzy Days 2206:68–75
16. Zahirniak DR, Chapman R, Rogers SK, et al (1990) Pattern recognition using radial basis function network. Aerospace Application of Artificial Intelligence 249–260
2. Bengio Y, Cun YL, Hinton G (2015) Deep learning. Nature 521:436–444
3. Goodfellow I, Bengio Y, Courville A (2016) Deep Learning. MIT Press
4. Cybenko G (1989) Approximation by superpositions of a sigmoidal function. Math Control Signal Systems 2:303–314. https://doi.org/10.1007/BF02551274
5. Bodyanskiy YV, Tyshchenko OK (2020) A hybrid cascade neural network with ensembles of extended neo-fuzzy neurons and its deep learning. Advances in Intelligent Systems and Computing 945:164–174
6. Yamakawa J, Uchino E, Miki J, Kusanagi H (1992) A neo-fuzzy neuron and its application to system identification and prediction of the system behavior. In: Proceedings of the 2nd International Conference on Fuzzy Logic & Neural Networks. Iizuka, Japan
7. Miki T (1999) Analog Implementation of Neo-Fuzzy Neuron and Its On-board Learning
8. Zurita D, Delgado M, Carino JA, et al (2016) Industrial Time Series Modelling by Means of the Neo-Fuzzy Neuron. IEEE Access 4:6151–6160. https://doi.org/10.1109/ACCESS.2016.2611649
9. Bodyanskiy YV, Kokshenev I, Kolodyazhniy V (2003) An adaptive learning algorithm for a neo fuzzy neuron. In: Wagenknecht M, Hampel R (eds) Proceedings of the 3rd Conference of the European Society for Fuzzy Logic and Technology, Zittau, Germany, September 10-12, 2003. University of Applied Sciences at Zittau/Görlitz, Germany, pp 375–379
10. Perfilieva I (2006) Fuzzy transforms: Theory and applications. Fuzzy Sets and Systems 157:993–1023. https://doi.org/10.1016/j.fss.2005.11.012
11. Bodyanskiy Dr.-Ing. habil. Y, Gorshkov M.Sc. Y, Kolodyazhniy Dr.-Ing. V, et al (2007) Evolving network based on double neo-fuzzy neurons. Computer science meets automation: 52 IWK, Internationales Wissenschaftliches Kolloquium ; proceedings ; 10 - 13 September 2007; Volume I 52, 2007, Vol. 1:35–40
12. Hu Z, Bodyanskiy YV, Tyshchenko OK, Samitova VO (2017) Fuzzy clustering data given on the ordinal scale based on membership and likelihood functions sharing. International Journal of Intelligent Systems and Applications 9:1–9
13. Kaczmarz S (1993) Approximate solution of systems of linear equations. International Journal of Control 57:1269–1271. https://doi.org/10.1080/00207179308934446
14. Widrow B, Hoff ME (1960) Adaptive Switching Circuits. IRE WESCON Convention Record
15. Bodyanskiy Y, Kolodyazhniy V, Stephan A (2001) An Adaptive Learning Algorithm for a Neuro-fuzzy Network. Computational Intelligence Theory and Applications Fuzzy Days 2206:68–75
16. Zahirniak DR, Chapman R, Rogers SK, et al (1990) Pattern recognition using radial basis function network. Aerospace Application of Artificial Intelligence 249–260
Опубліковано
2023-09-15
Як цитувати
Bodyanskiy Yevgeniy Адаптивний подвійний нео-фаззі нейрон та його комбіноване навчання / Yevgeniy Bodyanskiy, Olha Chala // Системи управління, навігації та зв’язку. Збірник наукових праць. – Полтава: ПНТУ, 2023. – Т. 3 (73). – С. 70-74. – doi:https://doi.org/10.26906/SUNZ.2023.3.070.
Розділ
Інформаційні технології
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
