ESI 8 - Instytut Sterowania i Systemów Informatycznych

Uniwersytet Zielonogórski
Wydział Elektrotechniki, Informatyki i
Telekomunikacji
Instytut Sterowania i Systemów Informatycznych
ELEMENTY SZTUCZNEJ INTELIGENCJI
Laboratorium nr 8
SYSTEMY NEURO-ROZMYTE
Prowadzący: …………………………………………………..
Zakres ćwiczeń:
1. Budowa systemów neuro-rozmytych
2. Dobór struktury systemów neuro-rozmytych
3. Metody uczenia systemów neuro-rozmytych
Wstęp teoretyczny
Systemy neuro-rozmyte są układami łączącymi własności sieci neuronowych (zdolność
uczenia się) oraz systemów rozmytych (zdolność do opisu i przetwarzania wiedzy
jakościowej). Zaletą systemów neuro-rozmytych jest możliwość wykorzystania w procesie
dostrajania parametrów zarówno wiedzy jakościowej jak i ilościowej. Dodatkowo nie ma
potrzeby opracowywania nowych algorytmów uczących ponieważ bez większych modyfikacji
można zaadaptować procedury uczące znane dla sieci neuronowych lub algorytmy
klasteryzacji danych. Możliwe jest również wprowadzenie do systemu neuro-rozmytego
wiedzy pochodzącej od eksperta. System neuro-rozmyty nie musi być rozpatrywany jako
czarna skrzynka ponieważ jej parametry posiadają interpretację w postaci reguł rozmytych.
Proces doboru odpowiedniej struktury można częściowo zautomatyzować wykorzystując w
tym celu algorytmy klasteryzacji. System neuro-rozmyty można przedstawić jako strukturę
składającą się z trzech części. Część pierwsza odpowiedzialna jest za rozmywanie danych
wejściowych, cześć druga - za przeprowadzenie operacji wnioskowania oraz część trzecia - za
wyostrzenie wyników. Wiedza zakodowana w postaci parametrów rozmytej sieci
neuronowej może być rozpisana na reguły rozmyte. W zależności od typu reguł rozmytych
można mówić o układzie neuro-rozmytym typu Mamdaniego lub Takagi-Sugeno.
Zadania:
1. Zapoznać się z dokumentacją systemu ANFIS (ang. Adaptive Neuro-Fuzzy Inference
System)
2. Wczytać dane demonstracyjne z systemu ANFIS następnie zdefiniować strukturę
systemu neuro-rozmytego i przeprowadzić uczenie metodą wstecznej propagacji
błedów.
3. Przetestować nauczony
demonstracyjnych
system
neuro-rozmyty
z
wykorzystaniem
danych
4. Powtórzyć proces uczenia wykorzystując algorytm klasteryzacji w zadaniu generacji
struktury systemu neuro-rozmytego. W zadaniu uczenia systemu wykorzystać
algorytm gradientowy największego spadku do wyznaczenia parametrów zbiorów
rozmytych opisujących przesłanki reguł rozmytych oraz algorytm najmniejszych
kwadratów do wyznaczenia parametrów konkluzji reguł.
5. Przetestować nauczony
demonstracyjnych.
system
neuro-rozmyty
z
wykorzystaniem
danych
6. Wykonać aproksymację funkcji nieliniowej (zadanej przez prowadzącego) za pomocą
systemu neuro-rozmytego
Literatura:
1. Rutkowska D.,Piliński M., Rutkowski L.: Sieci neuronowe. Algorytmy genetyczne i
systemy rozmyte, PWN, Warszawa, 1997.
2. Rutkowska D.: Inteligentne systemy obliczeniowe, Akademicka Oficyna Wydawnicza,
Warszawa, 1997.
3. Piegat A.: Modelowanie i sterowanie rozmyte, Akademicka Oficyna Wydawnicza PLJ,
Warszawa, 1998.
4. Korbicz J., Obuchowicz A., Uciński D.: Sztuczne sieci neuronowe. Podstawy i
zastosowanie, Warszawa 1994.
5. Yager R.R., Filev D.P.: Podstawy modelowania i sterowania rozmytego, WNT,
Warszawa, 1995