برای تشکيل يک سيستم فازی بهينه براساس مجموعه داده های ورودی و خروجی استفاده از ANFIS در جعبه ابزار Fuzzy می باشد. همانطور که می دانيم روشهای فازی – عصبی با بهره گيری از مزيّتهای هر يک از دو روش فازی و عصبی قابليّت برخورد با عدم قطعيّتها و نويز موجود در سيستم تحت کنترل را دارند. بنابراين اين امکان وجود دارد تا يک ساختار فازی را توسط يک شبکه عصبی به همديگر تبديل کنيم و بالعکس. در حقيقت اين امر باعث می شود تا از مزيّتهای هر دو روش استفاده کنيم. تا کنون الگوريتم های زيادی برای آموزش قوانين فازی و تنظيم بهينه توابع عضويت توسط شبکه عصبی ارائه شده است.

در جعبه ابزار Fuzzy در نرم افزار Matlab ، از روش ANFIS برای اين منظور استفاده می شود. اين ساختار توسط Jang [59] ارائه شده است. ANFIS يک سيستم استنتاج فازی با قابليّت تطبيقی که در واقع يک شبکه عصبی feedforward با قابليّت آموزش است، می باشد. در جعبه ابزار Fuzzy دو روش برای آموزش شبکه عصبی مربوط به اين ساختار وجود دارد.
روش پس انتشار خطا
روش hybrid که در واقع ترکيب روش پس انتشار خطا و کمترين مربعات می باشد.
اين ساختار تنها قابل پياده سازی در سيستم فازی از نوع سوگنو می باشد سيستم فازی سوگنو بايد مرتبه صفر يا مرتبه يک باشد. سيستم فازی که توسط ANFIS حاصل می شود، تنها دارای يک خروجی می باشد و فرآيند غير فازی سازی آن ميانگين وزنی می باشد. همه توابع عضويت خروجی يکسان بوده و از نوع خطی يا ثابت می باشند.
توليد يک ساختار فازی با ANFIS :
در جعبه ابزار Fuzzy دو راه حل برای توليد ساختار فازی با ANFIS وجود دارد. روش اوّل ، افراز شبکه ای و روش دوّم خوشه سازی کاهشی می باشد. برای توليد ساختار فازی با روش افراز شبکه ای از دستور genfis1 و اگر از روش خوشه سازی کاهشی استفاده شود از روش genfis2 استفاده می شود. ساختار فازی را می توان با تعداد توابع عضويت و نوع تابع عضويت دلخواه ايجاد کرد.

برای سادگی کار فرض می کنيم که سيستم فازی ما دو ورودی x و y دارد و خروجی آن z است. حال اگر قوانين به صورت زير باشند :

و اگر برای غير فازی ساز از غير فازی ساز ميانگين مراکز استفاده کنيم خروجی به صورت زير خواهد بود:

ساختار معادل ANFIS به صورت زير خواهد بود:

پیش نمایش 1

لینک دانلود پیش نمایش 1 (کیفیت اصلی)

پیش نمایش 2

لینک دانلود پیش نمایش 2 (کیفیت اصلی)

پیش نمایش 3

لینک دانلود پیش نمایش 3 (کیفیت اصلی)

محصولات مرتبط

نوشته فیلم آموزش فارسی نروفازی ANFIS اولین بار در ایران متلب پدیدار شد.

منطق فازی یکی از روش‌های مهم در هوش محاسباتی است که برای مدل‌سازی سیستم‌هایی با عدم قطعیت، اطلاعات مبهم و تصمیم‌گیری تقریبی مورد استفاده قرار می‌گیرد. برخلاف منطق کلاسیک که معمولاً با مقادیر صفر و یک سروکار دارد، در منطق فازی می‌توان درجات مختلفی از عضویت را برای یک مفهوم در نظر گرفت.

این ویژگی باعث می‌شود سیستم‌های فازی بتوانند رفتار بسیاری از سیستم‌های واقعی را به شکلی انعطاف‌پذیرتر مدل کنند.

در این بسته چه مباحثی آموزش داده می‌شود؟

این مجموعه از چند بخش آموزشی تشکیل شده و تلاش می‌کند مخاطب را از مفاهیم پایه تا مباحث پیشرفته‌تر فازی همراهی کند.

بخش‌های اصلی بسته شامل:

• آموزش سیستم‌های فازی
• آموزش فازی نوع 2
• آموزش نروفازی و ANFIS

است.

در بخش نخست، مفاهیم پایه منطق فازی، توابع عضویت، قوانین فازی، سیستم استنتاج فازی و نحوه پیاده‌سازی سیستم‌های فازی بررسی می‌شوند.

در بخش دوم، کاربر با سیستم‌های فازی نوع 2 آشنا می‌شود که برای مدل‌سازی عدم قطعیت بیشتر در توابع عضویت و داده‌ها مورد استفاده قرار می‌گیرند.

در بخش سوم نیز ساختارهای نروفازی و ANFIS آموزش داده می‌شوند تا کاربر بتواند از ترکیب قابلیت‌های شبکه عصبی و منطق فازی استفاده کند.

سیستم فازی چیست؟

یک سیستم فازی معمولاً از چند بخش اصلی تشکیل می‌شود:

• ورودی‌های سیستم
• توابع عضویت
• قوانین فازی
• موتور استنتاج
• بخش غیرفازی‌سازی
• خروجی سیستم

در طراحی یک سیستم فازی، ابتدا متغیرهای ورودی و خروجی مشخص می‌شوند. سپس برای هر متغیر توابع عضویت مناسب تعریف می‌شوند و در ادامه قوانین If-Then برای ارتباط میان ورودی‌ها و خروجی نوشته می‌شوند.

کیفیت طراحی این بخش‌ها تأثیر مستقیم بر عملکرد نهایی سیستم دارد.

توابع عضویت

تابع عضویت یکی از مفاهیم اصلی منطق فازی است.

به کمک تابع عضویت مشخص می‌شود که یک مقدار با چه درجه‌ای به یک مجموعه فازی تعلق دارد.

برای مثال اگر متغیر دما را در نظر بگیریم، یک دمای مشخص می‌تواند هم‌زمان با درجات متفاوتی عضو مجموعه‌های «سرد»، «متوسط» و «گرم» باشد.

انتخاب نوع، تعداد و پارامترهای توابع عضویت یکی از مراحل مهم در طراحی سیستم فازی است.

قوانین فازی

قوانین فازی معمولاً به صورت ساختارهای If-Then تعریف می‌شوند.

برای مثال:

اگر دما زیاد باشد و فشار کم باشد، خروجی در یک سطح مشخص قرار گیرد.

با ترکیب چندین قانون می‌توان رفتار یک سیستم پیچیده را مدل‌سازی کرد.

یکی از مزایای مهم سیستم‌های فازی این است که قوانین آن‌ها معمولاً قابل تفسیر هستند و می‌توان دانش یک متخصص را به صورت مجموعه‌ای از قواعد وارد سیستم کرد.

سیستم‌های Mamdani و Sugeno

دو ساختار شناخته‌شده در سیستم‌های فازی، Mamdani و Sugeno هستند.

سیستم Mamdani به دلیل ساختار قابل فهم و نزدیک بودن به قواعد زبانی، کاربرد زیادی در مسائل کنترل و تصمیم‌گیری دارد.

سیستم Sugeno نیز در بسیاری از مسائل مدل‌سازی و طراحی سیستم‌های تطبیقی کاربرد دارد و به‌خصوص در ANFIS اهمیت زیادی پیدا می‌کند.

آشنایی با تفاوت این ساختارها کمک می‌کند برای هر پروژه، روش مناسب‌تری انتخاب شود.

فازی نوع 2 چیست؟

در فازی نوع 1، درجه عضویت هر مقدار به یک مجموعه فازی به صورت یک عدد مشخص تعریف می‌شود.

اما در سیستم‌های فازی نوع 2 خود درجه عضویت نیز می‌تواند دارای عدم قطعیت باشد.

این ویژگی در مسائلی که داده‌ها دارای نویز، ابهام یا عدم قطعیت بیشتری هستند می‌تواند مفید باشد.

فازی نوع 2 در حوزه‌هایی مانند کنترل، پیش‌بینی، پردازش سیگنال، تصمیم‌گیری و سیستم‌های هوشمند مورد استفاده قرار می‌گیرد.

ANFIS و سیستم‌های نروفازی

یکی از بخش‌های مهم این بسته، آموزش ANFIS یا Adaptive Neuro-Fuzzy Inference System است.

ANFIS ترکیبی از شبکه عصبی و سیستم فازی است.

در این ساختار، بخش فازی قابلیت تفسیر و استفاده از قوانین را فراهم می‌کند و بخش شبکه عصبی امکان تنظیم و آموزش پارامترهای سیستم را در اختیار کاربر قرار می‌دهد.

در نتیجه می‌توان توابع عضویت و برخی پارامترهای سیستم فازی را بر اساس داده‌های آموزشی تنظیم کرد.

کاربردهای سیستم‌های فازی

منطق فازی در حوزه‌های بسیار متنوعی قابل استفاده است، از جمله:

• سیستم‌های کنترل
• کنترل موتور و فرایند
• رباتیک
• شبکه‌های حسگر بی‌سیم
• پیش‌بینی
• تصمیم‌گیری
• سیستم‌های خبره
• پردازش تصویر
• پردازش سیگنال
• تشخیص الگو
• مدیریت انرژی
• مدل‌سازی سیستم‌های غیرخطی
• بهینه‌سازی
• انتخاب و رتبه‌بندی
• پروژه‌های هوش مصنوعی

در بسیاری از پایان‌نامه‌ها نیز سیستم فازی در کنار الگوریتم‌های بهینه‌سازی مانند PSO، GA و سایر روش‌های هوشمند استفاده می‌شود.

پیاده‌سازی فازی در MATLAB

یکی از مهم‌ترین کاربردهای این بسته، آشنایی با پیاده‌سازی سیستم‌های فازی در نرم‌افزار MATLAB است.

در MATLAB می‌توان با استفاده از ابزارهای Fuzzy Logic Toolbox سیستم‌های فازی را طراحی، تست و تحلیل کرد.

بسته به نوع پروژه، کاربر می‌تواند از محیط‌های گرافیکی متلب یا کدنویسی مستقیم استفاده کند.

برای پروژه‌های ساده، محیط گرافیکی می‌تواند کافی باشد، اما برای پیاده‌سازی‌های پیشرفته‌تر و اتصال سیستم فازی به سایر الگوریتم‌ها، آشنایی با کدنویسی MATLAB مزیت مهمی محسوب می‌شود.

این آموزش برای چه افرادی مناسب است؟

این بسته برای گروه‌های زیر مناسب است:

• دانشجویان کارشناسی ارشد و دکتری
• پژوهشگران هوش مصنوعی
• دانشجویان برق و کنترل
• دانشجویان کامپیوتر
• دانشجویان مکانیک و مکاترونیک
• پژوهشگران شبکه‌های حسگر بی‌سیم
• علاقه‌مندان سیستم‌های هوشمند
• افرادی که قصد استفاده از منطق فازی در پایان‌نامه یا مقاله دارند
• افرادی که می‌خواهند ANFIS را در MATLAB پیاده‌سازی کنند

پیش‌نیاز پیشنهادی

برای یادگیری مفاهیم اولیه فازی، آشنایی قبلی با MATLAB الزامی نیست.

اما اگر قصد دارید سیستم‌های فازی را به صورت کدنویسی‌شده در MATLAB پیاده‌سازی کنید، آشنایی مقدماتی با MATLAB توصیه می‌شود.

برای بخش ANFIS نیز آشنایی مقدماتی با شبکه‌های عصبی و یادگیری ماشین می‌تواند مفید باشد.

هدف این بسته آموزشی

هدف این مجموعه آن است که کاربر ابتدا درک صحیحی از مفاهیم فازی پیدا کند و سپس بتواند این مفاهیم را در MATLAB پیاده‌سازی کند.

با مشاهده کل بسته، مخاطب با سیستم‌های فازی نوع 1، فازی نوع 2 و ساختارهای نروفازی آشنا می‌شود و می‌تواند از این روش‌ها در پروژه‌های دانشگاهی و مهندسی خود استفاده کند.

دانش پذیرانی که نیاز دارند به درک درستی از سیستم های فازی برسند و بتوانند از سیستم های فازی در پروژه یا پایان نامه خود استفاده کنند لازم است که با انواع مختلف سیستم های فازی آشنا شوند. لذا ما یک بسته آموزشی جامع از سیستم های فازی را تهیه کردیم. این بسته شامل فیلم های آموزشی زیر است :

شما می توانید در اینجا با تخفیف این سه فیلم آموزشی را با هم سفارش دهید.

ارسال لينك هاي دانلود به ايميل شما بلافاصله بعد از خريد

نوشته بسته آموزشی جامع فازی اولین بار در ایران متلب پدیدار شد.