1. SCSIT
  2. All Volumes and Issues
  3. Volume 710, 2011
  4. Адаптивний вейвлет-фаззі-нейрон типу-2

Адаптивний вейвлет-фаззі-нейрон типу-2

SCSIT.
2011;
Volume 710
: 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.

type-2 wavelet-fuzzy-neuron
type-2 fuzzy-wavelet membership function
model reduction
prediction
identification
  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.