Адаптивний вейвлет-фаззі-нейрон типу-2

2011;
: pp. 175 - 181
Authors: 

Є. Бодянський, О. Винокурова, О. Харченко

Харківський національний університет радіоелектроніки, проблемна науково-дослідна лабораторія АСУ

Запропоновано архітектуру вейвлет-фаззі-нейрона типу-2 та алгоритм навчання усіх його параметрів. Також запропоновано метод редукції моделі, що дає змогу проводити інтелектуальну обробку даних в on-line режимі при високій швидкості надходження даних. Проведено низку комп’ютерних експериментів на реальних даних, що підтверджують доцільність підходу, що розвивається.

In the paper the architecture of type-2 wavelet-fuzzy neuron and learning algorithm its of all-parameters are proposed. The type-reduction model method which allows data mining in on-line mode under high speed feeding of data is proposed too. The computational experiments confirm to effectiveness of developed approach.

  1. Wang L. Adaptive Fuzzy Systems and Control. Design and Stability Analysis. – New Jersey: Prentice Hall, 1994. – 352 p.
  2. Jang J.-S. R., Sun C.-T., Muzutani E. Neuro-Fuzzy and Soft Computing: A Computational Approach to Learning and Machine Intelligence. – Upper Saddle River, N.J.: Prentice Hall, Inc., 1997. – 614 p.
  3. Abiyev R.H., Kaynak O. Fuzzy wavelet neural networks for identification and control of dynamic plants – A novel structure and a comparative study // IEEE Trans. on Industrial Electronics. – 2008. – 55(8). – P. 3133–3140.
  4. Bodyanskiy Ye., Pliss I., Vynokurova O. Hybrid wavelet- neuro-fuzzy system using adaptive W-neurons // Wissenschaftliche Berichte, FH Zittau/Goerlitz, 2010. – 106, N 2454–2490. – S. 301–308.
  5. Бодянський Є.В., Винокурова О.А. Інтелектуальна обробка даних на основі гібридної вейвлет-нейро-фаззі системи на адаптивних W-нейронах // Наукові праці. Комп’ютерні технології. – Миколаїв: Вид-во ЧДУ ім. Петра Могили, 2009. – 104 (117). – C. 88–98.
  6. Винокурова Е.А. Гибридные адаптивные нейро-фаззи и вэйвлет-нейро-фаззи системы вычислительного интеллекта в задачах обработки сигналов при наличии помех // Адаптивные системы автоматического управления. – Днепропетровск: Системные технологии. – 2009. – 15(35). – C. 113–120.
  7. Zadeh L.A. The concept of linguistic variable and its application to approximate reasoning // Information Science. – 1975. – 8. – P. 199-249.
  8. John R., Coupland S. Type-2 fuzzy logic: A historical view // IEEE Computational Intelligence Magazine. – 2007. – 2(1). – P. 57–62.
  9. Karnik N.N., Mendel J.M. Application of type-2 fuzzy logic systems to forecasting of time-series // Information Sciences.– 1999. – 120. – P. 89-111.
  10. Singh M., Srivastava S., Hanmandlu M., Gupta J.R.P. Type-2 fuzzy wavelet networks (T2FWN) for system identification using fuzzy differential and Lyapunov stability algorithm // Applied Soft Computing. – 2009. – 9(3). – P. 977-989.
  11. Wu H., Mendel J.M. Uncertainty bounds and their use in the design of interval type-2 fuzzy logic system // IEEE Tran. on Fuzzy Systems. – 2002. – 10 (5). – P. 622-639.
  12. Mendel J. Uncertain Rule-Based Fuzzy Logic Systems: Introduction and New Directions // Upper-Saddle River, NJ: Prentice Hall, 2001. – 555 p.
  13. Бодянский Е.В., Винокурова Е.А. Вэйвлет-нейро-фаззи система типа-2 и алгоритм ее обучения в задачах интеллектуальной обработки информации // Адаптивные системы автоматического управления. – К.: НТУУ «КПИ», 2010. – 17(37). – C. 139–148.
  14. Бодянский Е.В., Винокурова Е.А., Харченко А.А. Прогнозирующая вэйвлет-нейро-фаззи-система типа-2 // Матеріали міжнародної наукової конференції «Інтелектуальні системи прийняття рішень та проблеми обчислювального інтелекту», Херсон. – 2011. – Т. 1. – С. 215–220.
  15. Бодянский Е.В., Винокурова Е.А. Адаптивный вэйвлет-нейронный предиктор // Проблемы бионики. – 2003. – Вып. 58. – С. 10-17.
  16. Yamakawa T., Uchino E., Miki T., Kusanagi H. A neo-fuzzy neuron and its application to system identification and prediction of the system behavior // Proc. 2nd Int. Conf. on Fuzzy Logic and Neural Networks, IIZUKA-92, Iizuka, Japan, 1992. – vol. II. – P. 477–483.
  17. Mitaim S., Kosko B. Adaptive joint fuzzy sets for function approximation // Proc. Int. Conf. on Neural Networks. – 1997. – P. 537–542.
  18. Shepherd A. J. Second-Order Methods for Neural Networks – London: Springer–Verlag, 1997. – 145 p.
  19. Бодянський Є. В., Михальов О. І., Плісс І. П. Адаптивне виявлення розладнань в об’єктах керування за допомогою штучних нейронних мереж. – Дніпропетровськ: Системні технології, 2000. – 140 c.
  20. Otto P., Bodyanskiy Ye., Kolodyazhniy V. A new learning algorithm for a forecasting neuro-fuzzy network // Integrated Computer- Aided Engineering. – 10. – N4. – Amsterdam: IOS Press, 2003. – P. 399–409.