1 / 10

Algorithme Hybride Neuro-Flou

Algorithme Hybride Neuro-Flou. Plan. Réseaux adaptatifs Modèles ANFIS-CANFIS. Réseaux adaptatifs - Notation. Réseau supervisé à propagation directe avec des nœuds qui réalisent différentes fonctions: Nœuds carrés : fonctions paramétrées Nœuds ronds : fonctions non paramétrées

lizina
Download Presentation

Algorithme Hybride Neuro-Flou

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Algorithme Hybride Neuro-Flou

  2. Plan • Réseaux adaptatifs • Modèles ANFIS-CANFIS

  3. Réseaux adaptatifs - Notation • Réseau supervisé à propagation directe avec des nœuds qui réalisent différentes fonctions: • Nœuds carrés : fonctions paramétrées • Nœuds ronds : fonctions non paramétrées • Comportement global : déterminé par l’ensemble des paramètres • Méthode d’entraînement : Rétropropagation d’erreur x z y

  4. Modèle ANFIS - Réseau RBF (Moody & Darken, 1988) Couche 1 Couche 2 Couche 3 Couche 4 Couche 5 x y A 1 _ _ _ w w 1 P 1 w f x A N 1 1 2 S f y B N P _ _ _ 1 w 2 w w f 2 2 2 B 2 x y Réseau ANFIS à 2 entrées et 1 sortie (modèle flou Sugeno du premier ordre)

  5. Modèle ANFIS (Adaptive Neuro-Fuzzy Inference System) RF1 : Si x est A1 et y est B1 , alors f1 = p1x + q1y + r1 RF2 : Si x est A2 et y est B2 , alors f2 = p2x + q2y + r2 • A(x) = MF(x;a,b,c) = ; • A = {A1, A2 , B1 , B2} est l’ensemble flou; • {ai , bi , ci} sont les paramètres des antécédents; • {pi , qi , ri} sont les paramètres des conséquents; • fi : fonction d’inférence floue, i.e. la sortie désirée.

  6. Modèle ANFIS Description des couches Couche 1 : Adaptation des paramètres des antécédents (MF) O1,i = Ai (x) , i = 1, 2 ; = Bi-2 (y) , i = 3, 4 Couche 2 : Force de déclenchement de la règle O2,i = wi = Ai (x) Bi (y) , i = 1, 2 Couche 3 : Normalisation des forces de déclenchement _ O3,i = wi = wi /( w1 + w2) , i = 1, 2 Couche 4 : Adaptation des paramètres des conséquents _ _ O4,i = wifi = wi (pix + qiy + ri) Couche 5 : Sortie finale _ O5 = iwifi = iwi(pix + qiy + ri) / iwi

  7. Modèle ANFIS Algorithme d’entraînement Paramètres non linéaires Paramètres linéaires A1 w1 w1*z1 P x A2 Swi*zi S B1 / z P w2*z2 y B2 S Swi w2 Propagation Rétropropagation Coefficients antécédents Valeurs initiales Descente de gradient Coefficients conséquents Moindres carrés Valeurs déterminées

  8. Modèle CANFIS (CoActive Neuro-Fuzzy Inference System) x y _ w f 1 1 A 1 _ w x A N O P S 1 _ w 2 1 1 w f 2 1 _ _ P w f y B N O S 1 2 1 2 w w 2 2 B 2 _ w f 2 2 x y Réseau CANFIS à 2 entrées et 2 sorties

  9. Modèle CANFIS avec règles d’inférence sigmoïdes implantées par des MLP

  10. Référence JANG J-S. R, SUN C-T, MIZUTANI E. “Neuro-Fuzzy and Soft Computing”, 1997, Prentice All, inc. ISBN 0-13-261066-3 http://neural.cs.nthu.edu.tw/jang/book/

More Related