Computational Intelligence Systems and Applications. Neuro-Fuzzy and Fuzzy Neural Synergis

دسته بندی: سایبرنتیک: هوش مصنوعی
ویرایش:  
نویسندگان: Gorzałczany M.B.  
سری:  
 
ناشر:  
سال نشر:  
تعداد صفحات: 367 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 7 مگابایت 

قیمت کتاب (تومان) : 53,000

Springer, 2002. — 367. سیستم های هوش مصنوعی سنتی (AI) پردازش نمادین را به عنوان پارادایم اصلی خود پذیرفته اند. سیستم‌های هوش مصنوعی نمادین در رسیدگی به مشکلاتی که با نمایش دقیق و کامل دانش مشخص می‌شوند، مؤثر بوده‌اند. متأسفانه، این سیستم ها قدرت بسیار کمی در برخورد با داده ها و اطلاعات ناقص، نامشخص و ناقص دارند که به طور قابل توجهی در توصیف بسیاری از مشکلات دنیای واقعی، هم سیستم ها و فرآیندهای فیزیکی و هم مکانیسم های تصمیم گیری کمک می کند. علاوه بر این، بسیاری از موقعیت ها وجود دارد که دانش حوزه تخصصی (پایه بسیاری از سیستم های هوش مصنوعی نمادین) برای طراحی سیستم های هوشمند کافی نیست، به دلیل ناقص بودن دانش موجود، مشکلات ناشی از سوگیری های مختلف متخصصان انسانی، مشکلات در شکل گیری. قوانین و غیره.
به طور کلی، دانش مسئله برای حل یک مسئله معین می‌تواند شامل یک دانش صریح (به عنوان مثال، قوانین اکتشافی ارائه شده توسط یک متخصص حوزه) و یک دانش ضمنی و پنهان \"دفن شده\" در تجربه گذشته باشد. داده های عددی مطالعه مقادیر عظیمی از این داده ها (جمع آوری شده در پایگاه های داده) و ترکیب دانش \"رمزگذاری شده\" در آنها (که به عنوان کشف دانش در داده ها یا داده کاوی نیز شناخته می شود) می تواند عملکرد سیستم های هوشمند طراحی شده را به طور قابل توجهی بهبود بخشد. . از آنجایی که سیستم‌های هوش مصنوعی نمادین سنتی قادر به استفاده مؤثر از این نوع داده‌ها نیستند، روش‌ها و الگوریتم‌های جدیدی برای استخراج دانش از داده‌ها، بازنمایی دانش و استدلال در چند سال اخیر ظهور کرده‌اند. آنها را می توان یا به عنوان تکنیک های مکمل با توجه به سیستم های هوش مصنوعی سنتی یا به عنوان نوعی بسط و تعمیم مدرن آنها در نظر گرفت. سیستم‌های هوش محاسباتی (CI) - مبتنی بر پیوندهای هم افزایی مختلف بین شبکه‌های عصبی مصنوعی، روش‌های پردازش اطلاعات دانه‌ای (به ویژه مجموعه‌های فازی و منطق فازی) و روش‌های محاسبات تکاملی (به‌ویژه الگوریتم‌های ژنتیک) - نماینده‌ترین نمونه‌ها هستند.
در طول چند دهه گذشته، علاقه فزاینده ای به الگوریتم هایی وجود داشته است که بر قیاس با فرآیندهای طبیعی و حل مسئله "انسانی" تکیه دارند. هر سه جزء اصلی سیستم های CI متعلق به این گروه هستند. تئوری مجموعه های فازی و منطق فازی به عنوان ابزاری برای نمایش، دستکاری و استفاده از اطلاعات نامطمئن و ارائه چارچوبی برای مدیریت عدم قطعیت ها و عدم دقت در برنامه های کاربردی دنیای واقعی توسعه داده شد. این نظریه مکانیسم‌های استنتاجی را فراهم می‌کند که استدلال تقریبی و مدل‌سازی قابلیت‌های استدلال انسان را برای استفاده از سیستم‌های هوشمند مبتنی بر دانش امکان‌پذیر می‌سازد. شبکه‌های عصبی مصنوعی، سیستم‌های پردازش اطلاعات توزیع‌شده، انبوه موازی و با الهام از بیولوژیک هستند. آنها با قدرت محاسباتی، تحمل خطا، و همچنین قابلیت های یادگیری و تعمیم مشخص می شوند. الگوریتم‌های ژنتیک یک الگوی جستجوی جهانی مبتنی بر اصول تقلید از مکانیسم‌های ژنتیک، انتخاب طبیعی، تکامل و وراثت، از جمله اصل تکاملی بقای مناسب‌ترین و انقراض بدترین افراد سازگار هستند.
ترکیب هم افزایی از هر سه روش مبنای منطقی بسیار خوبی دارد زیرا همه آنها به مسئله طراحی سیستم های هوشمند از زوایای کاملا متفاوت اما مکمل می پردازند. بنابراین، ترکیب آنها در یک سیستم به طور قابل توجهی کاستی های آنها را کاهش می دهد و شایستگی های آنها را تقویت می کند. یک سیستم CI یکپارچه دارای مزایای سیستم های عصبی (قابلیت های یادگیری، تعمیم و انطباق، پردازش مقادیر عظیمی از داده های عددی از پایگاه های داده، و ساختار پیوندگرا با تحمل خطا بالا و ویژگی های نمایش توزیع شده)، سیستم های فازی (چارچوب ساختاری با قابلیت تفسیر آسان) است. دانش مبتنی بر قانون و استدلال فازی سطح بالا) و الگوریتم‌های ژنتیک (بهینه‌سازی پارامترها و ساختار سیستم).
این مقاله پژوهشی مفاهیم و پیاده‌سازی‌های جدید سیستم‌های CI و تحلیل مقایسه‌ای گسترده با چندین مورد موجود را ارائه می‌کند. شناخته‌شده‌ترین سیستم‌های عصبی فازی و همچنین با سیستم‌هایی که سایر تکنیک‌های کشف دانش مانند مجموعه‌های ناهموار، درخت‌های تصمیم، درخت‌های رگرسیون، القای قوانین احتمالی و غیره را نشان می‌دهند. این ارائه با بحث در مورد جهت‌های اصلی ترکیب مجموعه‌های فازی ارائه شده است. شبکه های عصبی مصنوعی و الگوریتم های ژنتیک در چارچوب طراحی سیستم های CI. به منظور خودکفا نگه داشتن کتاب، مقدمه ای بر مفاهیم اساسی سیستم های فازی، شبکه های عصبی مصنوعی و الگوریتم های ژنتیک ارائه شده است. این کتاب برای محققان و دست اندرکاران در زمینه های هوش مصنوعی و CI و برای دانشجویان علوم کامپیوتر یا مناطق مجاور در نظر گرفته شده است. مقدمه
عناصر تئوری فازی مجموعه‌ها
مبانی شبکه‌های عصبی مصنوعی
معرفی مختصر بر الگوریتم‌های ژنتیک
جهت‌های اصلی ترکیب شبکه‌های عصبی مصنوعی، مجموعه‌های فازی و محاسبات تکاملی در طراحی سیستم‌های هوش محاسباتی
فازی عصبی(- سیستم ژنتیکی برای سنتز دانش مبتنی بر قانون از داده‌ها
مدل‌سازی عصبی فازی مبتنی بر قانون سیستم‌های پویا و طراحی کنترل‌کننده‌ها
طبقه‌بندی‌کننده مبتنی بر قانون عصبی-فازی (-ژنتیکی) طراحی شده از داده‌ها برای تصمیم‌گیری هوشمند پشتیبانی از
شبکه عصبی فازی برای مدل سازی و کنترل سیستم
طبقه بندی کننده عصبی فازی

Springer, 2002. — 367. Traditional Artificial Intelligence (AI) systems adopted symbolic processing as their main paradigm. Symbolic AI systems have proved effective in handling problems characterized by exact and complete knowledge representation. Unfortunately, these systems have very little power in dealing with imprecise, uncertain and incomplete data and information which significantly contribute to the description of many real-world problems, both physical systems and processes as well as mechanisms of decision making. Moreover, there are many situations where the expert domain knowledge (the basis for many symbolic AI systems) is not sufficient for the design of intelligent systems, due to incompleteness of the existing knowledge, problems caused by different biases of human experts, difficulties in forming rules, etc.
In general, problem knowledge for solving a given problem can consist of an explicit knowledge (e.g., heuristic rules provided by a domain expert) and an implicit, hidden knowledge "buried" in past-experience numerical data. A study of huge amounts of these data (collected in databases) and the synthesizing of the knowledge "encoded" in them (also referred to as knowledge discovery in data or data mining), can significantly improve the performance of the intelligent systems designed. Since traditional, symbolic AI systems are not able to make effective use of this kind of data, new methods and algorithms for the extraction of knowledge from data, knowledge representation and reasoning have been emerging in the last several years. They can be treated either as complementary techniques with regard to traditional AI systems or as a kind of modern extension and generalization of them. Computational Intelligence (CI) systems - based on various synergistic links between artificial neural networks, methods of granular information processing (in particular, fuzzy sets and fuzzy logic), and methods of evolutionary computations (in particular, genetic algorithms) - are the most representative class of these methodologies.
During the last couple of decades there has been growing interest in algorithms, which rely on analogies to natural processes and "humanlike" problem-solving. All three main constituents of CI systems belong to this group. The theory of fuzzy sets and fuzzy logic was developed as a means for representing, manipulating, and utilizing uncertain information and to provide a framework for handling uncertainties and imprecision in realworld applications. This theory provides inference mechanisms that enable approximate reasoning and model human reasoning capabilities to be applied to knowledge-based intelligent systems. Artificial neural networks are biologically-inspired, massively-parallel, distributed information processing systems. They are characterized by a computational power, fault tolerance, as well as learning and generalizing capabilities. Genetic algorithms are a global-search paradigm based on principles imitating mechanisms of genetics, natural selection, evolution and heredity, including the evolutionary principle of survival of the fittest and extinction of the worst adapted individuals.
Synergistic combination of all three methodologies has a very sound rational basis because they all approach the problem of designing intelligent systems from quite different but complementary angles. Thus, their combination within one system significantly reduces their shortcomings and amplifies their merits. An integrated CI system has the advantages of neural systems (learning, generalization and adaptation abilities, processing huge amounts of numerical data from databases, and a connectionist structure with high fault tolerance and distributed representation properties), fuzzy systems (structural framework with easily -interpretable rule-based knowledge and high-level fuzzy reasoning) and genetic algorithms (parameter and structure optimization of the system).
This research monograph presents new concepts and implementations of CI systems and a broad comparative analysis with several of the existing, best-known neuro-fuzzy systems as well as with systems representing other knowledge-discovery techniques such as rough sets, decision trees, regression trees, probabilistic rule induction, etc. This presentation is preceded by a discussion of the main directions of synthesizing fuzzy sets, artificial neural networks and genetic algorithms in the framework of designing CI systems. In order to keep the book self-contained, introductions to the basic concepts of fuzzy systems, artificial neural networks and genetic algorithms are given. This book is intended for researchers and practitioners in AI/CI fields and for students of computer science or neighbouring areas. Introduction
Elements of the theory of fuzzy sets
Essentials of artificial neural networks
Brief introduction to genetic algorithms
Main directions of combining artificial neural networks, fuzzy sets and evolutionary computations in designing computational intelligence systems
Neuro-fuzzy(-genetic) system for synthesizing rule-based knowledge from data
Rule-based neuro-fuzzy modelling of dynamic systems and designing of controllers
Neuro-fuzzy(-genetic) rule-based classifier designed from data for intelligent decision support
Fuzzy neural network for system modelling and control
Fuzzy neural classifier