Online učení modelu fuzzy neuronové sítě Takagi-Sugeno

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F47813059%3A19240%2F05%3A%230001893" target="_blank" >RIV/47813059:19240/05:#0001893 - isvavai.cz</a>

Výsledek na webu

—

DOI - Digital Object Identifier

—

Jazyk výsledku

čeština

Název v původním jazyce

Online učení modelu fuzzy neuronové sítě Takagi-Sugeno

Popis výsledku v původním jazyce

V tomto článku je navržena umělá neuronová síť realizující fuzzy model Takagi-Sugeno. Jsou dále navrženy algoritmy pro strukturální a parametrickou on-line identifikaci T-S fuzzy modelu. Tyto procedury jsou postupně: procedura pro dělení vstupního prostoru, procedura adaptace tvarů funkcí příslušnosti a adaptační procedura pro učení regresních koeficientů. On-line identifikace je provedena pomocí řídicího subsystému, který rozhoduje o spojení či rozdělení fuzzy podprostoru (podobně jako u NS sítí typu ART). Nové procedury a řídicí subsystém jsou implementovány ve vývojovém systému FUZNET. Případová studie ukazuje simulaci predikce časové řady pomocí OLFRM.

Název v anglickém jazyce

Online learning of neural Takagi-Sugeno fuzzy model

Popis výsledku anglicky

A fuzzy artificial neural network which can embody a fuzzy Takagi-Sugeno model and curry out fuzzy inference and support structure of fuzzy rules is proposed. The algorithm of online model identification consist of new origin procedures namely input space partition with the new partition criterions of input space merging and adaptation of membership functions and regression coefficients in rules consequents were designed. The online identification is provided by the new identifying procedures and control subsystem. This subsystem decides if partitioning merging procedure must be applied ore system status becomes unchanged and parameters of rules antecedents and consequents must be adapted respectively (like resonance state of ART). The new identifyingprocedures and control subsystem were implemented into programme tools FUZNET. The case study presenting the prediction of artificial time series using the procedures of Online Learning Fuzzy Neural Regression Model (OLNFRM) is introduced

Druh

D - Stať ve sborníku

CEP obor

IN - Informatika

OECD FORD obor

—

Projekt

—

Návaznosti

S - Specificky vyzkum na vysokych skolach

Rok uplatnění

2005

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

NAFIPS 2005 - Annual Meeting of the North-American-Fuzzy-Information-Processing-Society

ISBN

0-7803-9187-X

ISSN

—

e-ISSN

—

Počet stran výsledku

5

Strana od-do

—

Název nakladatele

—

Místo vydání

New York

Místo konání akce

Detroit

Datum konání akce

1. 1. 2005

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—