Fuzzificarea setului de date pentru cresterea performantei unei retele neuronale

Extras din proiect:

1. Introducere

Acesta este o prezentare a articolului stintific ce descrie o noua abordare care utilizeaza o histograma pentru variabilele fuzzificate folosind o expresie lingvistica pentru a compune un vector de iesire ca set de formare.

Metoda propusa a fost verificata de autori pe un set de date real si s-a determinat ca adaptarea unei retele neuronale prin vectori de iesire fuzzificati are o rata de eroare de predictie considerabil mai mica in comparatie cu alta retea fara o astfel de transformare.

Un alt avantaj al abordarii fuzzificate este ca o singura retea neuronala poate fi utilizata pentru mai multe seturi de date cu valori scalabile diferite, avand o gama larga de atribute de date (unitati, mii, milioane)

Imbunatatirile propuse cresc performanta retelelor neuronale rezultand o eroare de predictie semnificativ mai mica.

Logica fuzzy si retelele neuronale au caracteristici speciale care pot fi utilizate pentru a rezolva anumite probleme, dar aceste proceduri nu pot fi aplicate tuturor problemelor in general, de exemplu, retelele neuronale sunt potrivite pentru sarcini de clasificare si sarcini de recunoastere a modelelor, desi nu sunt in masura sa explice decizia lor, iar pe de alta parte, sistemele logice fuzzy functioneaza cu informatii inexacte, dar isi pot explica deciziile.

Regulile folosite pentru a gasi o solutie nu sunt generate automat, ele trebuie create de un expert, ambele limitari au avut o rezonanta majora pentru a dezvolta sisteme hibride inteligente care combina mai multe tehnici pentru a depasi limitarile lor individuale.

Spre deosebire de sistemul conventional, modelul propus este capabil sa gestioneze variabila de intrare intr-o forma lingvistica, acesta putand clasifica modele neclare.

Au existat mai multe lucrari de cercetare care sugereaza ca diferite forme de utilizari combinate ale logicii fuzzy si ale retelelor neuronale sunt abordari eficiente. Conceptul fundamental al unor astfel de sisteme hibride este de a completa reciproc punctele slabe, creand astfel noi abordari pentru rezolvarea problemelor.

Procesul computational incepe cu dezvoltarea "unui neuron fuzzy", a carui adaptare provine din

principiile morfologiilor neuronale biologice.

Un astfel de model hibrid creat functioneaza in urmatorii pasi:

Propunerea de modele neuronale bazate pe abordarea fuzzy, inspirandu-se din modele neuron biologice.

Propunerea conexiunii dintre neuroni, care aduce fuzzificarea in reteaua neuronala.

Propunere de algoritmi de adaptare care permit modificarea greutatilor sinaptice.

O retea neuronala fuzzy reprezinta un model de aplicare si deducere a regulilor "neclare".

Bibliografie:

Training set fuzzification based on histogram to increase the performance of a neural network - ScienceDirect

An Improved Fuzzy Neural Network for Traffic Speed Prediction Considering Periodic Characteristic

ANFIS: adaptive-network-based fuzzy inference system | IEEE Journals & Magazine | IEEE Xplore

Fundamentals of Computational Intelligence: Neural Networks, Fuzzy Systems

Download proiect

Primești proiectul în câteva minute,
cu sau fără cont

Alte informații:
Tipuri fișiere:
pptx
Diacritice:
Da
Nota:
8/10 (1 voturi)
Anul redactarii:
2021
Nr fișiere:
1 fisier
Pagini (total):
20 pagini
Marime:
763.64 KB (arhivat)
Nivel studiu:
Facultate
Tip document:
Proiect
Domeniu:
Automatica
Data publicare:
05.06.2021
Structură de fișiere:
  • Fuzzificarea setului de date pentru cresterea performantei unei retele neuronale.pptx
Predat:
la facultate
Specializare:
Ingineria Sistemelor Automate
Materie:
Sisteme de conducere inteligenta
An de studiu:
I

Ai gasit ceva în neregulă cu acest document?

Te-ar putea interesa și:
CAPITOLUL 1 INTRODUCERE Fiabilitatea este o disciplina din domeniul ingineriei care utilizeaza...
1.1. Aspecte definitorii ale metodologiei de diagnosticare Realizarea oricarui studiu diagnostic,...
In rezolvarea problemelor utilizind strategii de cautare neinformata numarul de stari investigate...
Sus!