Izplūdušā loģika un neironu tīkli

Izplūdušā loģika

Izplūdušā loģika koncentrējas uz fiksētu un aptuvenu spriešanu pretstatā fiksētai un precīzai spriešanai. Izplūdušās loģikas mainīgais var iegūt patiesības vērtību diapazonu no 0 līdz 1, pretstatā patieso vai nepatieso uztveršanai tradicionālajās binārajās kopās. Tā kā patiesības vērtība ir diapazons, tā var rīkoties ar daļēju patiesību. Izplūdušās loģikas sākums tika atzīmēts 1956. gadā, kad Lotfi A. Zadeh ieviesa izplūdušās kopas teoriju. Izplūdušā loģika nodrošina metodi noteiktu lēmumu pieņemšanai, pamatojoties uz neprecīziem un neviennozīmīgiem ievades datiem. Izplūdušo loģiku plaši izmanto lietojumprogrammās vadības sistēmās, jo tā ļoti līdzinās tam, kā cilvēks pieņem lēmumu, bet ātrāk. Izmanto procesu kontrolē, inženierzinātnēs, finanšu operācijās, kredītreitingos, medicīniskajā diagnostikā. Vienkāršu noteikumu piemēri: "Ja klientiem tika piešķirts pieticīgs aizdevuma termiņš, tad pārdošana būs tā saukta." "Ja klientiem tiek piedāvāta pienācīga atlaide, tad pārdošanas apjomi būs labi." Pēc uzdevuma noteikšanas noteikumiem skaidras nosacījumu vērtības (aizdevuma termiņš dienās un procentuālā atlaide) tiek pārveidotas izplūdušajā formā (liels, mazs utt.). Tad tos apstrādā, izmantojot loģiskas operācijas un apgrieztu pārveidi par skaitliskajiem mainīgajiem (paredzamais pārdošanas līmenis ražošanas vienībās).[1]


Neirona Tīkls

Neironu tīklu tehnoloģija imitē bioloģisko mehānismu, kas spēj atrast sakarības, tieši tāpat kā to darām savās smadzenēs. Atšķirībā no tradicionālajām IT sistēmām, kurās mēs precīzi definējam likumus, neironu tīklu sistēmas mēs tikai apmācām, ļaujot sistēmai pašai atrast šīs sakarības. Mācību procesam nepieciešami mācību dati. Algoritma izvēle ir arī svarīga, jo daži mācību algoritmi darbojas labāk ar noteikta veida datiem. Daudzfunkcionālais tīkls ātri kļūst par drošu, stabilu un uzticamu platformu, kur var attīstīt, izvietot un pārvaldīt lietojumprogrammas, procesus un citas tehnoloģijas.


Izplūdušā loģika un neironu tīkli

Izplūdušā loģika ļauj pieņemt konkrētus lēmumus, pamatojoties uz neprecīziem vai neskaidriem datiem, turpretīm mākslīgais neirona tīkls risina cilvēka domāšanas procesa problēmas. Mākslīgo neironu tīkla tehnoloģija tiek izmantota kā domāšanas procesu cilvēka smadzenēs, lai atrisinātu problēmas un ietver mācību procesu, algoritmus un apmācības datus. Apvienojot šīs metoded var izveidot hibrīdtīklu.[2]


Hibrīdtīkls

Izmantojot šīs divas metodes-tiek izveidots izplūdušo neironu tīkls. Izplūdušo neironu tīkla vai neiro-fuzzy sistēma ir mācīšanās mašīna, kas atrod parametrus izplūdušas sistēmas (ti, izplūdušo komplekti, izplūdušo noteikumi), izmantojot tuvināšanas metodes, no neironu tīkliem. Gan neironu tīkliem, gan izplūdušajām sistēmām ir dažas kopīgas lietas. Tos var izmantot problēmas risināšanai (piemēram, modeļa atpazīšana, regresija vai blīvuma novērtēšana), ja dotās problēmas matemātiskā modeļa nav. Neironu tīkli var darboties tikai tad, ja ir daati no kā mācīties. Novērojumi tiek izmantoti, lai apmācītu neirona tīklu. Savukārt izzplūdušajai sistēmai nepieciešami valodu noteikumi, nevis jāapgūst piemēri kā iepriekšējas zināšanas. Turklāt ieejas un izejas mainīgie jāapraksta lingvistiski. Ja zināšanas ir nepilnīgas, nepareizas vai pretrunīgas, tad izplūdušā sistēma ir jāsaskaņo. Tā kā tai nav oficiālas pieejas, noskaņošana tiek veikta heiristiskā veidā. Tas parasti prasa daudz laika un rada kļūdas. Atkārtots neironu tīkls ( RNN ) ir mākslīgo neironu tīklu, ļauj parādīt dinamisku uzvedību laika secībā. Atšķirībā no sākotnējiem neironu tīkliem, RNN var izmantot atmiņu, lai apstrādātu ieeju secības. Tas padara tos piemērojamus tādiem uzdevumiem kā nesadalīta, savienota rokraksta atpazīšana vai runas atpazīšana. Termins "atkārtots neironu tīkls" tiek lietots , lai apzīmētu divas plašas tīklu klases ar līdzīgu vispārējo struktūru, kur viena ir ierobežots impulss, bet otra ir bezgalīgs impulss. Abas tīkla klases uzrāda dinamisku dinamiku laikā. Ierobežots impulsu atkārtots tīkls ir novirzīts aciklisks grafiks, kuru var atritināt un aizstāt ar stingri paātrinātu neironu tīklu, savukārt bezgalīgs impulsa atkārtots tīkls ir virzīts ciklisks grafiks, kuru nevar atritināt. Gan ierobežotajiem impulsiem, gan bezgalīgajiem impulsu atkārtotajiem tīkliem var būt papildu stāvoklis, un glabāšanu var tieši kontrolēt neironu tīkls. Krātuvi var aizstāt arī ar citu tīklu vai diagrammu, ja tajā ir iekļauti atgriezeniskās saites cilpas. Šādus kontrolētus stāvokļus dēvē par slēgtu stāvokli vai ar ierobežotu atmiņu, un tie ir daļa no ilgtermiņa īstermiņa atmiņas tīkliem (LSTM) un atkārtotām vienībām.[3] Ātrās mācīšanās algoritmi un uzkrāto zināšanu interpretācija - šie faktori ir padarījuši izplūdušos neironu tīklus par vienu no daudzsološākajiem un efektīvākajiem mīksto skaitļošanas rīkiem mūsdienās.[1]

Atsauces

  1. 1,0 1,1 subcase.ru subcase.ru. «Ģenētiskie algoritmi un izplūdušā loģika. Mīkstie aprēķini. Neironu tīkli un izplūdušā loģika. Trīsstūrveida normu piemēri», 2020. Skatīts: 2020.05.16.
  2. mort-sure mort-sure. «Atšķirība starp izplūdušo loģiku un neironu tīklu», 22-02-2020. Skatīts: 2020.05.16.
  3. Ahmad Mubashir. «What is the difference between the fuzzy neural network and Recurrent Neural Network?», 10th Feb, 2019. Skatīts: 2020.16.05.