Гибридные интеллектуальные системы

1. ЭС

2. Вероятностные вычисления(сети Баейса)

3. НЛ

4. НС

1. Объединение ГА и НС

COGANN(Combination of G.A. and N.N.)

Виды объединений:

1. Независимое

НС и ГА применяются ля решения одной и той же задачи классификации.

(многослойный персептрон, МП, SOM, ГА, KNN)

k- means nearest neighbour

2. Вспомогательное

Оба метода применяются последовательно, причем первый метод применяется для подготовки данных, которые затем используются во втором методе.

а) НС->ГА

НС используется для формирования исходной популяции

б) ГА->НС

ГА используется для инициализации весов и выбора скорости обучения

3. Равноправное

Один метод используется для реализации какого-либо другого метода

а) Применение ГА для обучения НС

Задача оптимизации, где решается путем применения ГА:

Достоинства:

1. Позволяет избежать “ловушек”

2. может применятся для функций, для которых градиент найти либо невозможно, либо сложно

б) ГА используется для выбора топологии(архитектуры сети)

В этом случае в качестве хромосомы выступает код архитектуры сети

Существует 2 способа кодирования:

1. Непосредственное.

Составляется матрица связей, на основании нее строится хромосома.

Недостаток: увеличение длины хромосомы при увеличении количества нейронов.

2. Косвенное

Кодируются важнейшие параметры архитектуры сети: количество нейронов и связи

2. НЭС с НС и ГА

Применяются для настройки параметров функции принадлежности, для извлечения правил.

ННС- нечеткие нейронные сети

Этот вид сетей предназначен для реализации нечетких правил на базе НС. Такой подход позволяет компенсировать один из главных недостатков НС, который состоит в том, что ответ НС является непрозрачным, сама НС- черный ящик: объяснить ответ невозможно.

Этот подход позволяет реализовать функцию объяснения для НС.

Идея:

Еслии, то

Либо деление интервала на подинтервал, либо -срез

ННС- это четкая НС прямого распространения сигнала, которая построена с использованием И, ИЛИ нейронов.

И нейрон:

ИЛИ нейрон:

Назначение ННС: извлечение знаний

3. Мягкая ЭС- это ЭС, которая обладает особенностями:

1. Используются статические данные, которые интерпретируются, как обучающие выборки для ННС

2. В этой ЭС знания представлены в виде:

   1. Лингвистической переменной

   2. Нечеткой продукции обученных НС

с) решается задача редукции, то есть оптимизация множества извлеченных правил с помощью ГА

МЭС = НЭС + ННС + ГА