Νέες Τεχνικές Επιβλεπόμενης Μάθησης Για Δομημένα Νευρο-ασαφή Δίκτυα.

Abstract

Ο βασικός στόχος της εργασίας αυτής είναι η περιγραφή κάποιων νέων τεχνικών επιβλεπόμενης μάθησης για νευρο-ασαφή δίκτυα. Οι εφαρμογές των δικτύων αυτών είναι προβλήματα αναγνώρισης προτύπων αλλά και ελέγχου. Η αρχιτεκτονική των δικτύων τα οποία χρησιμοποιούνται έχει βασισθεί σε ένα ήδη υπάρχον δίκτυο, το FALCON-ART(C.J. Lin, C.T. Lin 1997). Έχουν όμως γίνει οι απαραίτητες δομικές αλλαγές ώστε να μπορούν να εφαρμοσθούν οι προτεινόμενοι αλγόριθμοι μάθησης. Η εργασία αρχίζει με μία εισαγωγή στα ευφυή συστήματα, στην συνέχεια περιγράφονται τα δίκτυα FALCON-H και FALCON-ART και τέλος τα προτεινόμενα δίκτυα. Οι νέες προτάσεις είναι τρείς: (α) Το FALCON-NOTAR στο οποίο έχει αντικατασταθεί ο αλγόριθμος αυτοοργανούμενης μάθησης Fuzzy-ART που χρησιμοποιείται στο FALCON-ART με έναν νέο πολύ πιο αποτελεσματικό αλγόριθμο επιβλεπόμενης μάθησης, τον Fuzzy-μART. (β) Η δεύτερη πρόταση βασίζεται στην χρήση της κανονικής κατανομής σαν συνάρτηση συμμετοχής αντί της τραπεζοείδούς. Ο αλγόριθμος μάθησης που προτείνεται πάσχει από πολύ υψηλή υπολογιστική πολυπλοκότητα πράγμα το οποίο βελτιώνεται στην (γ) τρίτη τροποποίηση η οποία διατηρεί όμως την χρήση της κανονικής συνάρτησης κατανομής.The main purpose of this thesis is the presentation of some novel supervised learning techniques suitable for neuro-fuzzy networks. The applications of those networks are pattern recognition and control problems. The architecture of the networks proposed in this thesis is based upon the neuro-fuzzy network FALCON-ART (C.J. Lin, C.T. Lin 1997) but with the necessary structural modifications which allow it to work with the new learning algorithms. The thesis begins with an introduction to intelligence systems, after the networks FALCON-H and FALCON-ART are described and in the end the proposed networks. Three proposed networks are included: (a) The FALCON-NOTAR, which uses the very effective Fuzzy-μART supervised learning algorithm instead of the self-organizing Fuzzy-ART. (b) The second proposal uses an algorithm that trains a network with Gaussian membership functions instead of trapezoidal. The problem of this algorithm is its high complexity but (c) it is solved in the third proposal where the Gaussian membership function is also used.