Проверяемый текст
Комарцова, Людмила Георгиевна; Исследование нейросетевых и гибридных методов и технологий в интеллектуальных системах поддержки принятия решений (Диссертация 2003)
[стр. 102]

102 Из представленной таблицы 3.1, например, можно извлечь следующее правило: IF IE есть положительное малое (PS) AND НЕ есть положительное большое (РВ), THEN Ah есть отрицательное малое (NS).
Далее по правилам нечеткой логики, зная вид функции принадлежности нечеткой переменной
Ah и используя дефазификацию, извлекается числовое значение приращения h.
Аналогично формируется база нечетких правил для .
Схема вычисления искомого значения приращения соответствующего параметра обучения
(рис.3.6), например, для параметра h соответствует базовой схеме нечеткого контроллера [99].
Рис.
3.6.
Схема вычисления Ah Разработанный модифицированный алгоритм обучения ВР с использованием нечеткой логики для коррекции параметров обучения h и
тс представляет собой алгоритм,, в котором имеются изменения на этапе определения длины шага обучения.
Перед запуском алгоритма необходимо установить начальные значения параметров обучения h,
я: и числа итераций г, на которых осуществляется проAw^”) верка условия изменения знака, а перед вычислением у по формуле (3.4) < в текущей итерации на ш.2 проводятся следующие действия: .
подсчитывается сумма Sum (Var), по значению которой определяется факт изменения знака
IE и НЕ, который влияет на выбор правил вычисления параметров обучения;
[стр. 198]

(4.4).Swm(Far(/)) = ^ Var(m), m=t-r где г задается пользователем.
Если Бит =0, то изменений знака не происходило, в противном случае знак менялся на последних г+1 итерациях.
Это условие определяет необходимость изменения направления спуска.
Значения переменных ЛИ и Ак могут быть как четкими, так и нечеткими.
Фрагмент нечетких правил для определения нечетких ЛИ, заданных экспертом, который может быть использован в нечетком алгоритме ВР, представлен в таблице 4.1.
Таблица 4.1 \ 1 Е ИЕЧ NB NS ZE PS РВ NB NS NS NS NS NS NS NS ZE PS ZE NS ZE ZE PS PS PS ZE PS NS ZE PS ZE NS РВ NS NS NS NS NS Из представленной таблицы 4.1, например, можно извлечь следующее правило: IF IE есть положительное малое (PS) AND НЕ есть положительное большое (РВ), THEN Ah есть отрицательное малое (NS).
Далее по правилам нечеткой логики, зная вид функции принадлежности нечеткой переменной
197

[стр.,199]

АИ и используя дефазификацию, извлекается числовое значение приращения к.
Аналогично формируется база нечетких правил для Дл.
Схема вычисления искомого значения приращения соответствующего параметра обучения
(рис.4.3), например, для параметра Ь соответствует базовой схеме нечеткого контроллера [133].
Рис.
4.3.
Схема вычисления Ah Разработанный модифицированный алгоритм обучения ВР с использованием нечеткой логики для коррекции параметров обучения h ип
представляет собой алгоритм (представленный в главе 2 ), в котором имеются изменения на ш.
2 и ш.
3.
Перед запуском алгоритма необходимо установить начальные значения параметров обучения h,
к и числа итераций г, на которых осуществляется 198

[стр.,200]

проверка условия изменения знака, а перед вычислением 4 ° по формуле (4.1) в текущей итерации на ш.2 проводятся следующие действия: 1) подсчитывается сумма Sum (Var), по значению которой определяется факт изменения знака Ш и НЕ, который влияет на выбор правил вычисления параметров обучения; 2) по вычисленным по формуле (4.3) значениям изменения градиента ошибки Е(1Е) на текущей итерации и приращения IE (НЕ) осуществляется фазификация IE и НЕ (рис.
4.3.); 3) из таблиц, интерпретирующих нечеткие правила (с учетом значения Sum (Var)), в зависимости от реализуемой версии алгоритма, либо сразу извлекаются четкие значение Ah и Ал, либо производится извлечение нечетких приращений параметров обучения (табл.
4.1) с последующей дефазификацией нечетких Ah и Ал.
Аналогичные действия проводятся на ш.
3.
В конкретной реализации модифицированного алгоритма BP (ВР2) с коррекцией параметров обучения h и л [228] использовалось три нечетких множества: NS, ZE, PS.
Результаты моделирования стандартного ВР и модифицированных ВР1 (алгоритм ВР с динамическим выбором шага обучения) и ВР2 при выборе топологии корпоративной сети [136] представлены на рис.
4.4.
Проведенные эксперименты показали, что алгоритмы ВР1 и ВР2 с нечетким управлением обеспечивают существенно более быструю сходимость, чем классический ВР.
199

[Back]