神經網路中的模糊性

人工神經網路 (ANN) 是一種高效的計算系統網路，其核心思想借鑑了生物神經網路的類比。ANN 也被稱為“人工神經系統”、“並行分散式處理系統”、“連線主義系統”。ANN 擁有大量相互連線的單元，這些單元以某種模式連線，以便單元之間可以進行通訊。這些單元，也稱為節點或神經元，是簡單的並行執行的處理器。

每個神經元都透過連線鏈路與其他神經元連線。每個連線鏈路都與一個權重相關聯，該權重包含有關輸入訊號的資訊。這是神經元解決特定問題最有用的資訊，因為權重通常會抑制正在傳遞的訊號。每個神經元都有其內部狀態，稱為啟用訊號。輸出訊號是在組合輸入訊號和啟用規則後產生的，可以傳送到其他單元。它還包含一個偏置“b”，其權重始終為 1。

為什麼在神經網路中使用模糊邏輯

正如我們上面所討論的，ANN 中的每個神經元都透過連線鏈路與其他神經元連線，並且該鏈路與一個包含有關輸入訊號資訊的權重相關聯。因此，我們可以說權重包含解決問題的有用輸入資訊。

以下是在神經網路中使用模糊邏輯的一些原因：

• 模糊邏輯主要用於在神經網路中從模糊集定義權重。

• 當無法應用清晰值時，使用模糊值。

• 我們已經學習過，訓練和學習有助於神經網路在意外情況下表現更好。那時，模糊值比清晰值更適用。

• 當我們在神經網路中使用模糊邏輯時，值不必是清晰的，並且可以並行進行處理。

模糊認知圖

這是神經網路中的一種模糊形式。基本上，FCM 就像一個具有模糊狀態（不僅僅是 1 或 0）的動態狀態機。

在神經網路中使用模糊邏輯的困難

儘管模糊邏輯具有許多優點，但在神經網路中使用它也存在一些困難。困難與隸屬規則有關，需要構建模糊系統，因為有時很難根據給定的複雜資料集推匯出它。

神經網路訓練的模糊邏輯

神經網路和模糊邏輯之間的反向關係，即使用神經網路訓練模糊邏輯也是一個很好的研究領域。構建神經網路訓練的模糊邏輯的兩個主要原因如下：

• 藉助神經網路可以輕鬆學習新的資料模式，因此它可以用於預處理模糊系統中的資料。

• 神經網路由於其學習新輸入資料新關係的能力，可以用來改進模糊規則以建立模糊自適應系統。

神經網路訓練的模糊系統的示例

神經網路訓練的模糊系統正在許多商業應用中使用。現在讓我們看幾個應用神經網路訓練的模糊系統的例子：

• 日本橫濱的國際模糊工程研究實驗室 (LIFE) 擁有一個反向傳播神經網路，可以推匯出模糊規則。該系統已成功應用於外匯交易系統，大約有 5000 條模糊規則。

• 福特汽車公司已經為汽車怠速控制開發了可訓練的模糊系統。

• 國家半導體公司的神經模糊軟體產品 NeuFuz 支援使用神經網路為控制應用生成模糊規則。

• 德國 AEG 公司在其節水節能機器中使用神經網路訓練的模糊控制系統。它總共有 157 條模糊規則。