دانلود ترجمه مقاله الگوریتم فراگیری برای سیستم استنتاج فازی عصبی متصل – مجله IEEE

فهرست مطالب:

چکیده
۱     مقدمه
۲     خصیصه‌های  ویژه   سیستم‌های F CONFIS  معادل
A      یک  سیستم  استنتاج  فازی عصبی  کاملآ همبند
B خصیصه  خاص F CONFIS
۳  یادگیری بهینه  جدید  F CONFIS
الگوریتم  ۱ :  یادگیری  بهینه  سیستم  عصبی فازی با  F CONFIS
۵    مثال‌های نشان داده‌شده
۶  نتیجه
ضمیمه

بخشی از ترجمه:

نتیجه
سیستم  عصبی-فازی  چهارلایه  معمولی  به  یک  NN پیشخور  سه لایه کاملآ همبند معادل،  یا  F-CONFIS  تبدیل شده‌است.  بدلیل اینکه  F-CONFIS  تغییرات  NN  چند لایه  است و وابسته است و لینک‌ها را  تکرار می‌کند،  مشتق از الگوریتم  یادگیری به  دقت برای مقابله  با  وزن‌ها در این لینک‌های پیشنهادشده  طراحی شده است.  علاوه براین،  یادگیری بهینه  پویای F-CONFIS  نه تنها از بخش قضیه  مشتق می‌شود، بلکه  از بخش نتیجه  نیز  مشتق می‌شود.  نتایج  شبیه‌سازی  نشان می‌دهند که  یادگیری پویای بیان شده  دقت را  به  طور قابل  ملاحظه‌ای بهبود می‌بخشد و  همگرایی را  تسریع‌می‌کند.

بخشی از مقاله انگلیسی:

VI. CONCLUSION

The conventional four-layer neuro-fuzzy system is transformed into an equivalent fully connected three-layer feedforward NN, or F-CONFIS. Because F-CONFIS is a variation of multilayer NNs and has dependent and repeated links, the derivation of the learning algorithm is carefully designed to cope with weights in these repeated links. In addition, the dynamic optimal learning of F-CONFIS is derived not only in the premise part, but also in the consequent part. The simulation results indicate the proposed dynamic learning improves the accuracy considerably and converges much fast.