FALCON模糊類神經網路

類神經網路與模糊邏輯結合之概念
簡 介


(一)本實驗室所發展的類神經模糊系統曾經過三次重大的變革,但是其基本架構

  皆是源於圖(一)的五層類神經模糊網路,首先就這五層網路架構的功能描述

  如下:



  (1) 第一層架構:負責將輸入變數直接傳送進入網路裡的第二層架構。



  (2) 第二層架構:表示各個輸入變數所各自對應的模糊歸屬函數

          (Fuzzy Membership Function)。



  (3) 第三層架構:負責形成模糊邏輯法則的前件部運算,也就是

          模糊且閘運算(Fuzzy AND Operation)



  (4) 第四層架構:在此層架構裡,有二種運算模式被操作:



    (i)  down-up傳輸模式:負責形成模糊邏輯法則的後件部運算,

               也就是模糊或閘運算(Fuzzy AND Operation)



    (ii) up-down傳輸模式:如同第二層架構裡的運算,負責表示輸出變數

               所各自對應的模糊歸屬函數

                              (Fuzzy Membership Function)



  (5) 第五層架構:這層架構亦形成兩種運算模式:



    (i)  down-up傳輸模式:此處形成解模糊化的動作(Defuzifier),

               一般採重心法(Center of Gravity)達此目的。



    (ii) up-down傳輸模式:如同第一層架構裡的運算,將外界所欲達到的

               輸出變數直接傳送進入網路的第四層架構。



        


(二)第一代的類神經模糊網路,由C. T. Lin在1990年於美國普渡大學念Ph. D時

  所創先提出的,基本上C. T. Lin是國內外少數幾位率先將類神經網路與模糊

  系統成功結合之人,其主要特色我們將以應用方向不同,分別描述如下:



  (1) 應用於監督式學習(supervised learning)上:

    (i) 源由:對於了解所獲取資料所代表的意義,常是欲成功控制一未知

      系統之人所碰到的難題;因此想利用類神經網路裡所提出的監督式

      學習方式,共只需要輸入及輸出的資料,而不必了解資料所代表的

      真實意義。

    (ii)需求條件:須外界環境提供大量的輸入及輸出資料。

    (iii)目的:藉由外界所提供的輸入及輸出資料,網路適當的調整其架

       構與參數,而成功的映射出輸入與輸出間的關係或是達到所要控

             制的效果。

    (iv)做法與特色:C. T. Lin提出了on-line監督式之架構及參數學習方

      式;推導出模糊相似度量測法則(fuzzy similarity measure)用來

            形成網路的架構學習,這架構學習主要有二大作用:



      (1) 再第四層架構中,決定適當數目的output term nodes

            (2) 決定在第三層與第四層網路之間的連接方式。



            再來應用倒傳遞法則(back-propagation)來形成參數學習,這是用

            來進一部調整第二層與第四層網路裡的參數。而由於這種on-line

            之架構/參數學習,將可大量減少所需求的網路參數,這正是一般

            類神經網路最為人所詬病的問題。



    (2) 應用於加強式學習(reinforcement learning)

        (i) 源由: 在監督式學習方面裡,唯一最大缺點,就是輸入/輸出資料

            ,常因環境因素的變動,取得不易,這資料的不完整性,將嚴重影

            響到學習系統的效能;因此提出了加強式學習方式,這種學習方式

            將減低學習系統對環境資料的依賴度。

        (ii)需求條件: 只需外界提供好(0)或壞(-1)的評估訊號即可。

        (iii)目的:藉由外界提供的簡單評估訊號,網路適當的調整其架構與

             參數,而達成所欲控制的效果。

        (iv)作法與特色: 應用加強式學習方式於類神經模糊系統之作法如圖

            (二)所示,其架構分為兩大網路:



            (1)Critic Network;

            (2)Action Network;



            這兩大網路的基本架構仍是源於圖(一)之五層網路。首先由於外

            界只簡單提供的評估訊號,且這評估訊號的獲得是不連續,也就

            是說可能要經過一段時間才能獲得一個新的評估訊號,因此

            Critic Network被提出來解決這問題,這critic network將外界

            給的評估訊號轉換成一連續信號,用來預測未來外界所會給的評

            估訊號;而Action Network就拿這一預測而得的連續信號來做網

            路架構與參數的調整,期許從錯誤(失敗)的過程中學習而得經驗

            ,達到最終的成功控制效果。

        
[ 回上一頁 ]