न्यूरो फजी
कृत्रिम बुद्धिमत्ता के क्षेत्र में, न्यूरो-फ़ज़ी शब्द, कृत्रिम तंत्रिका नेटवर्क और फजी तर्क के संयोजन को संदर्भित करता है।
संक्षिप्त विवरण
न्यूरो-फ़ज़ी संकरण के परिणामस्वरूप एक हाइब्रिड इन्टेलिज़ेन्ट प्रणाली बनती है जो तंत्रिका नेटवर्क की सीखने और संयोजन संरचना के साथ फजी तंत्र के मानव-जैसी तर्क शैली को संदर्भित करती है। न्यूरो-फ़ज़ी हाइब्रिडाइज़ेशन को साहित्य में व्यापक रूप से फ़ज़ी तंत्रिका-नेटवर्क (एफएनएन) या न्यूरो-फ़ज़ी प्रणाली (एनएफएस) कहा जाता है। न्यूरो-फ़ज़ी प्रणाली, फजी समुच्चय के उपयोग के माध्यम से फ़ज़ी तंत्र की मानव-जैसी तर्क शैली को सम्मिलित करता है और एक भाषाई प्रारूप जिसमें इफ-देन फ़ज़ी नियमों का एक समुच्चय सम्मिलित होता है। न्यूरो-फ़ज़ी प्रणाली की मुख्य विशेषता यह है कि वे सार्वभौमिक सन्निकटनकर्ता हैं जिनमें इफ-देन नियमों की व्याख्या करने की क्षमता होती है।
न्यूरो-फ़ज़ी प्रणाली की विशेषता में फ़ज़ी प्रारूपण की दो विरोधाभासी आवश्यकताएं सम्मिलित हैं: व्याख्याशीलता बनाम सटीकता। व्यवहार में, दो गुणों में से एक प्रबल होता है। फ़ज़ी प्रारूपण अनुसंधान क्षेत्र में न्यूरो-फ़ज़ी को दो क्षेत्रों में विभाजित किया गया है: भाषाई फ़ज़ी प्रारूपण जो व्याख्यात्मकता पर केंद्रित है, मुख्य रूप से ममदानी मॉडल; और सटीक फ़ज़ी प्रारूपण जो सटीकता पर केंद्रित है, मुख्य रूप से ताकागी-सुगेनो-कांग (टीएसके) मॉडल।
यद्यपि सामान्यतः संयोजनकर्ता नेटवर्क को फ़ज़ी प्रणाली के रूप में संदर्भित किया जाता है, इस शब्द का उपयोग कुछ अन्य समाकृति का वर्णन करने के लिए भी किया जाता है:
- प्रशिक्षित त्रिज्यीय आधार फलन नेटवर्क से फ़ज़ी नियम प्राप्त करना।
- तंत्रिका नेटवर्क प्रशिक्षण मापदंडों की फ़ज़ी तर्क आधारित समस्वरण।
- नेटवर्क आकार बढ़ाने के लिए फ़ज़ी तर्क मानदंड।
- स्वयं संगठित मानचित्रों और तंत्रिका नेटवर्क में अप्रशिक्षित शिक्षण में क्लस्टर विश्लेषण विधिकलन के माध्यम से फ़ज़ी सदस्यता फलन को साकार करना।
- बहु-परत फीड-फॉरवर्ड संयोजनकर्ता नेटवर्क के माध्यम से फजीकरण, फ़ज़ी अनुमान और विफ़ज़ीकरण का प्रतिनिधित्व करना।
यह बताया जाना चाहिए कि ममदानी-प्रकार के न्यूरो-फ़ज़ी प्रणाली की व्याख्या लुप्त हो सकती है। न्यूरो-फ़ज़ी प्रणाली की व्याख्या में सुधार के लिए कुछ उपाय किए जाने चाहिए, जिसमें न्यूरो-फ़ज़ी प्रणाली की व्याख्या के महत्वपूर्ण बिन्दुओ पर भी चर्चा की जाए।[2]
एक हालिया शोध पंक्ति डेटा स्ट्रीम खनन विषय को संबोधित करती है, जहां न्यूरो-फ़ज़ी प्रणाली को मांग पर और ऑन-द-फ्लाई नए आने वाले प्रारूपों के साथ क्रमिक रूप से अपडेट किया जाता है। इस प्रकार, प्रणाली अपडेट में न केवल प्रारूप मापदंडों का पुनरावर्ती अनुकूलन सम्मिलित है, बल्कि अवधारणा बहाव और गतिशील रूप से परिवर्तित प्रणाली व्यवहार को पर्याप्त रूप से संभालने और प्रणाली को बनाए रखने के लिए प्रारूप घटकों (न्यूरॉन्स, नियम) का गतिशील विकास भी सम्मिलित है।
विभिन्न विकसित न्यूरो-फ़ज़ी प्रणाली दृष्टिकोणों के व्यापक सर्वेक्षण यहां प्राप्त किए जा सकते हैं [3]।[4]
आभासी बाह्य-परिणाम आधारित फ़ज़ी न्यूरल नेटवर्क
आभासी बाह्य-परिणाम-आधारित फ़ज़ी न्यूरल नेटवर्क (पीओपीएफएनएन) न्यूरो-फ़ज़ी प्रणाली का एक समूह है जो भाषाई फ़ज़ी प्रारूप पर आधारित हैं।[5]
साहित्य में पीओपीएफएनएन के तीन सदस्य उपलब्ध हैं:
- पीओपीएफएनएन-एएआरएस(एस), जो अनुमानित अनुरूप तर्क योजना पर आधारित है[6]
- पीओपीएफएनएन-सीआरआई(एस), जो सामान्यतः स्वीकृत फजी कंपोजीशनल रूल ऑफ इंट्रेंस पर आधारित है[7]
- पीओपीएफएनएन-टीवीआर, जो सत्य मूल्य प्रतिबंध पर आधारित है
पीओपीएफएनएन संरचना एक पांच-परत तंत्रिका नेटवर्क है जहां 1 से 5 तक की परतों को निविष्ट भाषाई परत, स्थिति परत, नियम परत, परिणामी परत, निर्गत भाषाई परत कहा जाता है। निविष्ट का फ़ज़ीकरण और निर्गत का विफ़ज़िकरण क्रमशः निविष्ट भाषाई और निर्गत भाषाई परतों द्वारा किया जाता है, जबकि फ़ज़ी अनुमान सामूहिक रूप से नियम, स्थिति और परिणाम परतों द्वारा किया जाता है।
पीओपीएफएनएन की सीखने की प्रक्रिया में तीन चरण होते हैं:
- फ़ज़ी सदस्यता निर्माण
- फ़ज़ी नियम पहचान
- पर्यवेक्षित फाइन-ट्यूनिंग
विभिन्न फ़ज़ी सदस्यता निर्माण विधिकलन का उपयोग किया जा सकता है: लर्निंग वेक्टर क्वांटाइज़ेशन (एलवीक्यू), फ़ज़ी कोहोनेन विभाजन (एफकेपी) या असतत वृद्धिशील क्लस्टरिंग (डीआईसी) आदि। सामान्यतः, पीओपी विधिकलन और इसके संस्करण लेजीपीओपी का उपयोग फ़ज़ी नियमों की पहचान करने के लिए किया जाता है।
टिप्पणियाँ
- ↑ Jang, Sun, Mizutani (1997) - Neuro-Fuzzy and Soft Computing - Prentice Hall, p. 335-368, ISBN 0-13-261066-3
- ↑ Y. Jin (2000). Fuzzy modeling of high-dimensional systems: Complexity reduction and interpretability improvement. IEEE Transactions on Fuzzy Systems, 8(2), 212-221, 2000
- ↑ E. Lughofer (2011). Evolving Fuzzy Systems: Methodologies, Advanced Concepts and Applications. Springer Heidelberg
- ↑ N. Kasabov (2007). Evolving Connectionist Systems: The Knowledge Engineering Approach - Second Edition. Springer, London
- ↑ Zhou, R. W., & Quek, C. (1996). "POPFNN: A Pseudo Outer-product Based Fuzzy Neural Network". Neural Networks, 9(9), 1569-1581.
- ↑ Quek, C., & Zhou, R. W. (1999). "POPFNN-AAR(S): a pseudo outer-product based fuzzy neural network." IEEE Transactions on Systems, Man, and Cybernetics, Part B, 29(6), 859-870.
- ↑ Ang, K. K., Quek, C., & Pasquier, M. (2003). "POPFNN-CRI(S): pseudo outer product based fuzzy neural network using the compositional rule of inference and singleton fuzzifier." IEEE Transactions on Systems, Man, and Cybernetics, Part B, 33(6), 838-849.
संदर्भ
- Abraham A., "Adaptation of Fuzzy Inference System Using Neural Learning, Fuzzy System Engineering: Theory and Practice", Nadia Nedjah et al. (Eds.), Studies in Fuzziness and Soft Computing, Springer Verlag Germany, ISBN 3-540-25322-X, Chapter 3, pp. 53–83, 2005. information on publisher's site.
- Ang, K. K., & Quek, C. (2005). "RSPOP: Rough Set-Based Pseudo Outer-Product Fuzzy Rule Identification Algorithm". Neural Computation, 17(1), 205-243.
- Kosko, Bart (1992). Neural Networks and Fuzzy Systems: A Dynamical Systems Approach to Machine Intelligence. Englewood Cliffs, NJ: Prentice Hall. ISBN 0-13-611435-0.
- Lin, C.-T., & Lee, C. S. G. (1996). Neural Fuzzy Systems: A Neuro-Fuzzy Synergism to Intelligent Systems. Upper Saddle River, NJ: Prentice Hall.
- A. Bastian, J. Gasós (1996): "Selection of input variables for model identification of static nonlinear systems", Journal of Intelligent and Robotic Systems, Vol. 16, pp. 185–207.
- Quek, C., & Zhou, R. W. (2001). "The POP learning algorithms: reducing work in identifying fuzzy rules." Neural Networks, 14(10), 1431-1445.
