کدهای شبکه عصبی Neuro-Fuzzy

نحوه ارتباط بین منطق فازی و شبکه عصبی باعث بوجود آمدن انواع مختلفی از سیستم‌ها شده است. بسیاری بر این باورند که اطلاق کلمه نوروفازی به تمامی این ترکیبات، درست نمی‌باشد؛ چراکه برخی از این ترکیبات ارتباطی تکمیلی با یکدیگر داشته و به جای هر یک از این اجزاء می‌توان سیستم‌های دیگری مانند درخت تصمیم، الگوریتم تکاملی و از این دست را جایگزین نمود. به عبارتی اختصار نوروفازی به سیستم ترکیبی حاصل از شبکه عصبی و سیستم استنتاجی فازی گفته شده که در آن شبکه عصبی به عنوان تعین کننده پارامترهای سیستم فازی مورد استفاده قرار می‌گیرد. منظور از تعیین پارامترهای سیستم فازی توسط شبکه عصبی، تعیین اتوماتیک پارامترهای فازی مانند قوانین فازی و یا توابع عضویت مجموعه‌های فازی است. در مقابل نوروفازی، شبکه‌ عصبی فازی قرار دارد که در آن از منطق فازی برای بهبود عملکرد شبکه عصبی استفاده می‌شود. در این شبکه‌‌ منطق فازی فرع بوده و تنها برای بهبود شرایط شبکه عصبی و یا اضافه نمودن مفهوم عدم قطعیت به شبکه مورد استفاده قرار می‌گیرد. تقسیم‌بندی زیر نحوه ارتباط بین منطق فازی و شبکه عصبی را با توجه به این دیدگاه بیان می‌نماید.

۱- Fuzzy Neural Network: منطق فازی برای بهبود کارایی شبکه و یا افزایش توان یادگیری شبکه عصبی مورد استفاده قرار می‌گیرد. در این شبکه‌ها افزودن قوانین فازی برای تغییر نرخ یادگیری و یا تغییر ورودی/ خروجی شبکه از حالت غیرفازی به فازی است. نمونه‌هایی از این دسته عبارتند از:FNN، FHSNN و GFNN.

۲- Concurrent Neuro-Fuzzy Models: شبکه عصبی و سیستم فازی بر روی یک کار واحد با یکدیگر کار می‌کنند اما تأثیری بر روی یکدیگر ندارند. هیچکدام برای تعیین پارامتر دیگری به کار نمی‌روند. معمولاً در این مدل، شبکه عصبی برای پیش پردازش ورودی و یا خروجی سیستم فازی به کار می‌رود.

۳- Cooperative Neuro_Fuzzy Models: شبکه عصبی برای تعیین پارامتر‌های سیستم فازی به کار می‌رود. این پارامترها شامل قوانین فازی، وزن قوانین و مجموعه‌های فازی است.

۴- Neural network-driven fuzzy reasoning systems: برخی این سیستم‌ها را جزء مدل‌های Cooperative می‌دانند. این مدل‌ها برای گسترش قوانین فازی مورد استفاده قرار می‌گیرند.

۵- Hybrid Neuro_Fuzzy Models: شبکه عصبی و سیستم فازی در یک ساختار هماهنگ با یکدیگر ترکیب می‌شوند. این مدل‌‌ را می‌توان شبکه عصبی با پارامتر فازی و یا یک سیستم فازی با یادگیری توزیع شده دانست. ANFIS، ANNBFIS، NEFClass و FLEXNFIS نمونه‌هایی از این مدل می‌باشند.

همان‌گونه که در تعاریف فوق مشخص است، دودسته عمده از ترکیبات شبکه عصبی و منطق فازی شامل شبکه‌های عصبی فازی و نوروفازی‌ها هستند. شبکه‌های عصبی فازی حاصل ترکیب شبکه عصبی و منطق فازی بوده و نوروفازی‌ها حاصل ترکیب شبکه عصبی و سیستم فازی می‌باشند. مجموعه حاضر، پکیج کاملی از کدهای شبکه عصبی نوروفازی است.

Recurrent Fuzzy Neural Network (RFNN) Library for Simulink

Dynamic, Recurrent Fuzzy Neural Network (RFNN) for on-line Supervised Learning
Neuro-Fuzzy and Soft Computing