Главная > Нейронные сети для обработки информации
НАПИШУ ВСЁ ЧТО ЗАДАЛИ
СЕКРЕТНЫЙ БОТ В ТЕЛЕГЕ
<< Предыдущий параграф Следующий параграф >>
Пред.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
След.
Макеты страниц

Распознанный текст, спецсимволы и формулы могут содержать ошибки, поэтому с корректным вариантом рекомендуем ознакомиться на отсканированных изображениях учебника выше

Также, советуем воспользоваться поиском по сайту, мы уверены, что вы сможете найти больше информации по нужной Вам тематике

ДЛЯ СТУДЕНТОВ И ШКОЛЬНИКОВ ЕСТЬ
ZADANIA.TO

11.6. Модель вывода Такаги-Сугено-Канга

Наибольшую популярность среди нечетких систем адаптивного типа приобрела модель вывода Такаги-Сугено-Канга (TSK) [153]. В этой модели функция заключения определяется нечетким, но точечным образом. Благодаря

этому дефуззификатор на выходе системы не требуется, а модель вывода значительно упрощается. Общая форма модели TSK может быть представлена в виде

В векторной записи ее можно записать еще проще:

где - четкая функция. В этой зависимости часть, относящаяся к условию, точно такая же, как и в модели Мамдани-Заде. Принципиальное отличие касается заключения, которое представляется в форме функциональной зависимости, чаще всего - в виде полиномиальной функции нескольких переменных. Классическое представление этой функции, чаще всего используемое на практике, - это полином первого порядка

в котором коэффициенты - это цифровые веса, подбираемые в процессе адаптации (обучения). Еще более простая модель вывода TSK получается, если применять функцию в виде полинома первого порядка, в котором

В этом случае значение можно отождествить с центром заключения с, модели Мамдани-Заде, присутствующим в формуле (11.35).

Если в модели вывода TSK используется несколько правил, то выход системы определяется как их средневзвешенное. Приписывая каждому правилу вес получим выходной сигнал, представленный в виде

или

Необходимо отметить, что в выражении (11.41) веса отвечают условию нормализации: Если для каждого правила (где реализуется функция TSK первого порядка

то можно получить описание выходной функции модели TSK в форме

которая линейна относительно всех входных переменных системы для

Веса присутствующие в формуле (11.43), являются нелинейными параметрами функции у. В адаптивных системах они подвергаются обучению для достижения наилучшей приспособленности модели к заданным значениям, тоща как в неадаптивных системах они уточняются для определения уровня активации условия в правиле вывода непосредственно в процессе анализа данных. Подбор этих уровней - это результат агрегирования правил, соответствующих конкретным компонентам вектора х условия; он выполняется с использованием логического или алгебраического произведения так же, как это имело место в модели Мамдани-Заде.

ПРИМЕР 11.6

Этот пример (рис. 11.11) иллюстрирует модель TSK с двумя правилами вывода для системы с двумя входными переменными (аналогично примеру 11.3

Рис. 11.11. Иллюстрация системы вывода TSK

для модели Мамдани-Заде). Левая часть рисунка относится к условию. Уровень активации в этом примере определяется как логическое произведение (минимум) от . Веса которые учитываются при агрегировании обоих правил вывода в модели TSK, соответственно равны: . В правой части рисунка представлены соответствующие формы линейной функциональной зависимости TSK, описывающей заключения обоих правил вывода. Таким образом, окончательный (агрегированный) результат вывода по этой модели TSK в соответствии с (11.43) можно представить в виде

где Следует отметить, что в отличие от модели Мамдани-Заде выражение, описывающее выходной сигнал, является четким и соответственно отсутствует необходимость дефуззификации.

1
Оглавление
email@scask.ru