We propose two relatively simple and effective procedures for creating neuro-fuzzy Takagi-Sugeno-Kang model and for tuning of TSK model parameters together with the rule-base structure optimisation. The main advantage of the first method is that the initial structure and parameters are set properly, so we need a few training iterations for the neural network representation of our model to converge. In the second approach the most important is rule reduction procedure -annihilation and fusion incorporated in a genetic optimisation algorithm. Numerical examples are provided.
PL
Zaproponowano dwie proste metody tworzenia neuro - rozmytych modeli typu Tkagi-Sudeno-Kanga, strojenia ich parametrów i optymalizacji bazy reguł decyzyjnych. Pierwsza metoda pozwala na utworzenie wyjściowej struktury modelu obarczonej stosunkowo niewielkim błędem, co znacznie zmniejsza liczbę koniecznych iteracji algorytmu uczącego. W drugim podejściu wykorzystano operatory redukcji reguł - anihilację i fuzję wkomponowane w pseudo-bakteryjny algorytm genetyczny optymalizacji modelu. Przedstawiono przykłady ilustrujące właściwości obu metod.
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.