وبلاگ

تمایل جدیدی که در جهت عینی شدن، اخیرأ مطرح شده است استفاده از منطق فازی در ترکیب با محاسبات عصبی و الگوریتم ژنتیک می باشد.عمومأ منطق فازی ،شبکه های عصبی و الگوریتم ژنتیک به عنوان پایه و اساس تشکیل دهنده می باشد.انچه که به عنوان محاسبات نرم دیده می شود، به حساب می ایند.بر خلاف روشهای متداول قدیمی که محاسبه سخت به شمار می روند، محاسبات نرم با هدف به کاربردن تولرانس برای موارد عدم دقت در دنیای واقعی سازمان دهی شده است.اصول راهنمای محاسبات نرم عبارتند از در نظر گرفتن تولرانس برای عدم دقت،عدم اطمینان و تا حدی درست،به منظور دستیابی به توانایی ردیابی ،مقاوم بودن و همچنین راه حل ارزان و سریع می باشد،در بین ترکیبات مختلفمربوط به محاسبات نرم ،موردی که بیش از بقیه در این زمان مورد توجه است ترکیب منطق فازی و محاسبات عصبی می باشد که تحت نام سیستمهای عصبی – فازی شناخته می شوند.در منطق فازی چنین سیستمهایی نقش بسیار مهمی را در تاثیر پذیری قوانین از مشاهدات بازی می کنند.
تحقیقات شبکه های نوروفازی جدید می باشد و اولین کتاب احتمالا توسط kasko (1992 بوده است.

شبکه های عصبی این توانایی را دارا می باشند که یک تابع را تخمین بزنند .ولی غیر ممکن است که نتایج را بصورت زبان محاوره ای طبیعی بیان کنند.در ساخت مستقیم یک شبکه عصبی، اطلاعات مورد نیاز جهت اموزش ارائه می گرددو مدلهای مات و مبهم و غیر قابل درک بوجود می اید.ولی یک سیستم فازی به شما اجازه می دهد که از تجربه افراد خبره که سیستم راتجربه کرده اند استفاده نمایید. قوانین فازی شامل بیانی از جملات می باشد که تقریبا به زبان طبیعی می باشند اما نمی توانند قوانینشان را یاد بگیرند.
ترکِیب شبکه عصبی و منطق فازیدر مدلهای نورو فازی یادگیری را به خوبی با قابیت خواندن تهیه می کند. مهندسان کنترل این فایده را پیدا می کنند زیرا مدلها می تواند با پردازش اپراتور بیان و تکمیل شوند.
سیستمهای استنتاج فازی بدلیل انعطاف، شفافیت ساختار و قابلیت یادگیری بسیار مورد توجه قرار گرفته اند، بطوریکه در دو دهه اخیر روشهای بسیاری برای آموزش آنها توسعه یافته اند. از آنجمله میتوان به روش تطبیقی که تاکاگی و سوگنو برای مدل فازی عصبیشان ارائه کرده اند، مدلسازی B-spline تطبیقی توسط (ASMOD) Kavli، سیستم استنتاج فازی عصبی تطبیقی (ANFIS) توسط Jang و آموزش قواعد فازی با الگوریتم ژنتیکی (FUREGA) توسط Nelles اشاره کرد. همة این روشها برای آموزش مدل فازی عصبی تاکاگی و سوگنو طراحی شده و در کاربردهای مختلفی مانند شناسایی، تخمین، کنترل، پردازش سیگنال و پیشبینی بکار رفته اند. در این بخش ایده یادگیری عاطفی برای این مدل طراحی شده و مورد آزمایش قرار گرفته است. در زیر شرح مختصری از روشها ی مختلف یادگیری نوروفازی اورده شده است.