神经网络中的模糊性

人工神经网络（ANN）是一种高效计算系统的网络，其中心主题借鉴了生物神经网络的类比。人工神经网络也被称为“人工神经系统”、“并行分布式处理系统”、“连接主义系统”。人工神经网络获取大量单元，这些单元以某种模式互连，以允许单元之间进行通信。这些单元也称为节点或神经元，是并行操作的简单处理器。

每个神经元通过连接链路与其他神经元连接。每个连接链路与具有有关输入信号的信息的权重相关联。这是神经元解决特定问题最有用的信息，因为权重通常会抑制正在传递的信号。每个神经元都有其内部状态，称为激活信号。组合输入信号和激活规则后产生的输出信号可以被发送到其他单元。它还包含一个权重始终为 1 的偏差“b”。

神经网络模型

为什么在神经网络中使用模糊逻辑

正如我们上面所讨论的，人工神经网络中的每个神经元都通过连接链路与其他神经元连接，并且该链路与具有输入信号信息的权重相关联。因此我们可以说权重具有有关输入的有用信息来解决问题。

以下是在神经网络中使用模糊逻辑的一些原因 -

  • 模糊逻辑主要用于定义神经网络中模糊集的权重。

  • 当无法应用清晰值时，则使用模糊值。

  • 我们已经研究过，训练和学习有助于神经网络在意外情况下表现更好。那时模糊值将比清晰值更适用。

  • 当我们在神经网络中使用模糊逻辑时，值一定不能是清晰的，并且处理可以并行完成。

模糊认知图

它是神经网络中模糊性的一种形式。基本上，FCM 就像一个具有模糊状态（不仅仅是 1 或 0）的动态状态机。

在神经网络中使用模糊逻辑的困难

尽管有许多优点，但在神经网络中使用模糊逻辑也存在一些困难。困难与隶属规则有关，需要建立模糊系统，因为有时用给定的一组复杂数据来推导它很复杂。

神经训练模糊逻辑

神经网络和模糊逻辑之间的反向关系，即用神经网络来训练模糊逻辑也是一个很好的研究领域。以下是构建神经训练模糊逻辑的两个主要原因 -

  • 借助神经网络可以轻松学习新的数据模式，因此它可用于预处理模糊系统中的数据。

  • 神经网络由于能够学习与新输入数据的新关系，因此可用于细化模糊规则以创建模糊自适应系统。

神经训练模糊系统的示例

神经训练模糊系统正在许多商业应用中使用。现在让我们看一些应用神经训练模糊系统的例子 -

  • 位于日本横滨的国际模糊工程研究实验室（LIFE）拥有一个可导出模糊规则的反向传播神经网络。该系统已成功应用于外汇交易系统中，模糊规则约5000条。

  • 福特汽车公司开发了用于汽车怠速控制的可训练模糊系统。

  • NeuFuz 是美国国家半导体公司的软件产品，支持使用神经网络生成模糊规则以用于控制应用。

  • 德国AEG公司在其节水节能机器中采用了神经训练模糊控制系统。它总共有157条模糊规则。