سیستم استنتاج عصبی-فازی تطبیقی
سیستم استنتاج عصبی-فازی تطبیقی (ANFIS) مزایای شبکه های عصبی مصنوعی (ANN) و منطق فازی (FL) را در یک چارچوب واحد ترکیب می کند. ظرفیت یادگیری سریع و قابلیتهای تفسیر تطبیقی را برای مدلسازی الگوهای پیچیده و درک روابط غیرخطی فراهم میکند. ANFIS در حوزه های مختلف به کار گرفته شده و تمرین شده است و راه حل هایی را برای مشکلات متداول تکراری با بهبود پیچیدگی زمانی و مکانی ارائه کرده است. ANFIS استاندارد دارای محدودیت های خاصی مانند هزینه محاسباتی بالا، از دست دادن قابلیت تفسیر در ورودی های بزرگتر، نفرین ابعاد و انتخاب توابع عضویت مناسب است.
دامنه یادگیری ماشینی شامل مدلهای متنوعی بر اساس توانایی یادگیری، سازگاری، پیچیدگی و مقیاسپذیری است.
برخی از تکنیکهای محبوب عبارتند از:
منطق فازی
ماشین یادگیری شدید
تقویت
بگینگ
شبکههای عصبی مصنوعی و غیره.
بسیاری از محققان از الگوریتمهای یادگیری ماشین بر اساس این تکنیکها مانند رگرسیون، درختهای تصمیم، جنگل تصادفی، گرادیان تصادفی، پسگرهای بردار پشتیبانی (SVR) استفاده کردند. ) و غیره و مجموعه های آن سایر تکنیک های بهینه سازی [1]. ترکیبی از چنین تکنیکهایی پیشنهاد و توسعه یافتهاند که تمایل به رفع کاستیهای آنها و همچنین ارائه استحکام و قابلیتهای پیشبینی قدرتمند دارند. یکی از این تکنیکها با پتانسیل ذاتی شبکههای عصبی و سیستمهای فازی ANFIS [2] است که دقت تخمین بالایی را ارائه میکند، یعنی میانگین بزرگی خطای نسبی کم (MMRE) و پیشبینی بالا (PRED).
ANFIS محبوب ترین مدل عصبی فازی برای تقریب سیستم های بسیار پیچیده و غیرخطی است. جنبه های کلیدی ANFIS دقت استفاده از مدل سازی دقیق فازی و قابلیت تفسیر است که توانایی تعمیم آن را بهبود می بخشد. ANFIS به دلیل استحکام خود در مدلسازی مجموعههای فازی به ورودیهای واضح و ارائه خروجیهای واضح از قوانین فازی برای اهداف استدلالی، در بین محققان شهرت یافته است. از قضا، ANFIS باید بین دقت و تفسیرپذیری تعادل برقرار کند [3]. یافتن نوع و تعداد توابع عضویت متناسب با فرآیند یا سیستم در ANFIS اهمیت قابل توجهی دارد. ANFIS به طور کلی تا زمانی که تعداد ورودی ها کمتر از پنج باشد بسیار کارآمد است [4]. سیستم های مهندسی مدرن با افزایش پیچیدگی مشکل، ورودی های بیشتری دارند، به عنوان مثال، پردازش سیگنال در یک محیط بسیار آشفته، تشخیص حساسیت سیل در مدیریت آبخیز، هماهنگی دقیق سیستم های I&C در یک نیروگاه هسته ای و غیره.
در اصل ANFIS با استفاده از گرادیان نزول (GD) و برآورد حداقل مربعات (LSE) برای بهینه سازی پارامترهای آن طراحی شد. GD یک الگوریتم بهینه سازی بسیار محبوب است که معمولا برای آموزش شبکه های عصبی استفاده می شود. از روش پس انتشار برای محاسبه گرادیان استفاده می کند، بنابراین ساده ترین سیستم محاسبه را دارد. روش بهینه سازی LSE در مدل های مبتنی بر رگرسیون بسیار رایج است. کمترین مجموع مربعات خطاها را محاسبه می کند و ضرایب بهینه خطاها را پیدا می کند. با این حال، اینها برای مدلسازی وظایف مهندسی پیچیده که ماهیت بسیار غیرخطی دارند و نیاز به کنترل دقیق روی سیستمها دارند، کارآمد نیستند. سپس فرصتی برای بهبود قابلیت ANFIS فراهم می کند.
GD یک الگوریتم بهینه سازی اساسی است که با افزایش غیرخطی بودن سیستم آسیب می بیند. از این رو، ممکن است در یافتن بهینه جهانی شکست بخورد و در حداقل های محلی گیر افتاده باشد. برای مجموعه داده های بزرگ، محاسبات اضافی برای همان مجموعه داده های آموزشی انجام می شود که همگرایی را کند می کند. هزینه محاسباتی بالایی دارد، هنگام به روز رسانی مکرر وزن شبکه عصبی، منابع محاسباتی را هدر می دهد.
LSE یک روش بهینه سازی ابتدایی است که به مقادیر پرت بسیار حساس است. عملکرد آن زمانی تحت تأثیر قرار می گیرد که داده ها به طور معمول توزیع نشده باشند، که در بیشتر موارد منجر به بیش از حد برازش می شود. همچنین، LSE از نظر محاسباتی گرانتر از GD است و با افزایش پیچیدگی سیستم کندتر می شود.
ANFIS گرفتار مسائلی است که در ساختار بنیادی آن نهفته است. الگوریتمهای بهینهسازی که در نتیجه استفاده میشوند در تغییر عملکرد ANFIS مؤثر هستند. تکنیک های فراابتکاری به ANFIS در جستجوی راه حل هایی برای پیش بینی های بهینه و دقیق کمک می کند. تکنیکهای فراابتکاری مجموعهای از دستورالعملهای سطح بالا و مستقل از مسئله را برای توسعه تکنیکهای بهینهسازی ارائه میکنند. این تکنیک ها نسبت به تکنیک های سنتی بهینه سازی برتری یافته اند. هدف آنها محاسبه یک راه حل “به اندازه کافی خوب” در زمان محاسباتی “به اندازه کافی کوچک” است که در معرض انفجار ترکیبی قرار نگرفته است [5]. از این رو، راه حل بهدستآمده سریع و کارآمد است و بهینهسازی تعریف مسئله را ممکن میسازد. مقالات تحقیقاتی مختلفی که بررسی شدهاند، معماری استاندارد ANFIS را ترکیب کردهاند تا چنین الگوریتمهای فراابتکاری را برای بهینهسازی فرضیه ANFIS و پارامترهای متعاقب آن در بر گیرند [6]. این تکنیک های بهینه سازی می توانند معماری ANFIS استاندارد را بهبود بخشند [7، 8].
منابع
- -S. Yang, “Nature-inspired optimization algorithms: challenges and open problems,” Journal of Computational Science, vol. 46, Article ID 101104, 2020.
- -S. Roger Jang, “ANFIS: adaptive-network-based fuzzy inference system,” IEEE Transactions on Systems, Man, and Cybernetics: Systems, vol. 23, no. 3, 1993.
- Rajab, “Handling interpretability issues in ANFIS using rule base simplification and constrained learning,” Fuzzy Sets and Systems, vol. 368, pp. 36–58, 2019.
- Najib, M. Salleh, N. Talpur, and K. Hussain, “Adaptive neuro-fuzzy inference system: overview, strengths, limitations, and solutions,” Data Mining and Big Data,Lecture Notes in Computer Science, Springer, Berlin, Germany, 2017.
- Azad, S. Farzin, H. Sanikhani, H. Karami, O. Kisi, and V. P. Singh, “Approaches for optimizing the performance of adaptive neuro-fuzzy inference system and least-squares support vector machine in precipitation modeling,” Journal of Hydrologic Engineering, vol. 26, no. 4, Article ID 04021010, 2021.
- Azad, H. Kashi, S. Farzin et al., “Novel approaches for air temperature prediction: a comparison of four hybrid evolutionary fuzzy models,” Meteorological Applications, vol. 27, no. 1, 2019.