Конзистентан неуро-фази систем закључивања

Abstract

Велики број аутора сматра да велике могућности експертских система леже у хибридним моделима, што су ови системи и доказали у пракси. Мотивисан тиме, предложени модел система у основи представља интеграцију неуронских мрежа и фази система, чиме се боље користе добре стране оба приступа. Полазна основа овог рада је да понашање система, кроз скуп лингвистичких правила, треба да описују управо они који систем највише познају и разумеју (насупрот аутоматски генерисаним правилима која су најчешће рогобатна и неразумљива). Знање експерата из било које области лако се може формулисати вербалним исказима, а теорија фази скупова и фази логике омогућава превођење оваквих исказа у одговарaјуће математичке изразе. Класична теорија фази скупова не задовољава све Булове аксиоме. Из овог разлога у раду је примењена конзистентна реално-вредносна [0,1] логика, која се заснива на интерполативној Буловој алгебри (ИБА). Свака логичка функција може се једнозначно трансформисати у одговарајући генерализовани Булов полином (ГБП) коришћењем ИБА при чему се чувају сви Булови закони. Оправданост коришћења конзистентног приступа најпре је илустрована на примеру конзистентног фази система закључивања (КФИС). Сврха приказаног КФИС-а је да процени могућност да је пацијент на дијализи трбушне марамице (лат. peritoneum) оболео од перитонитиса. Добијени резултати указују на чињеницу да класичан ФИС и конзистентан приступ не воде увек ка истим резултатима, а разлика је најуочљивија када правила укључују негацију. Како би се КФИС даље унапредио, коришћена је неуронска мрежа, тј. њен алгоритам учења, који, на основу скупа улазно-излазних података, подешава параметре тако да више одговарају реалном систему. На тај начин, предложени конзистентан неуро-фази систем (КНФИС) користи знање садржано у подацима и унапређује закључивање. Такође, елиминише се субјективност коју експерти у некој мери изражавају приликом дефинисања параметара система...

A number of authors find that the greatest potential of expert systems lies in hybrid models, and such models have proven this viewpoint in practice.Therein lies the motivation for introducing a new system model, integrating neural networks and fuzzy systems, thus building on the best features of each of these approaches. The main premise of this thesis is that the behavior of a system should be described, through a set of linguistic rules, by those who know and understand the system the best (as opposed to the automatic generation of rules that are often cumbersome and incomprehensible). Expert knowledge in any domain can be easily expressed in the form of verbal statements, and fuzzy set theory and fuzzy logic enable the transformation of such verbal statements into mathematical expressions. Conventional fuzzy set theory does not satisfy all Boolean axioms. For this reason, the consistent real-valued [0,1] logic, based on the Interpolative realization of Boolean algebra (IBA), is applied in this thesis. Any logical function can be uniquely transformed into a corresponding generalized Boolean polynomial (GBP) using IBA thereby preserving all Boolean laws. The justification for using a consistent approach is first illustrated on an example of a consistent fuzzy inference system (CFIS). The purpose of the described CFIS is to estimate the likelihood that a patient undergoing peritoneal dialysis, has peritonitis. The obtained results demonstrate that conventional FIS and the Boolean consistent approach do not always lead to the same results, and this discrepancy is most pronounced when the established rules include negations. In order to further enhance CFIS a neural network, or, more precisely, its learning algorithm, is used to fine-tune the parameters, in accordance with a set of input-output data, so that the parameters better suit the real system. Consequently, the proposed consistent neuro-fuzzy system (CNFIS) uses the knowledge contained in the data to improve the inference process. In addition, it eliminates the subjectivity incorporated into the system by experts when defining the parameters of the system...