Elektr tarmoqlaridagi nosozliklarni tasniflash uchun moslashtirilgan neyro-noravshan xulosalar tizimi (anfis)

Elektr tarmoqlaridagi nosozliklarni tasniflash uchun moslashtirilgan neyro-noravshan xulosalar tizimi (ANFIS)
Ҳозиргача норавшан мантиқий чиқариш тизими учта асосий босқич орқали кириш маълумотларини чиқиш маълумотларига мослаштирадиган режим бўлиб келган: фазификациялаш (норавшанликни киритиш), мантиқий механизми ва ноаниқлик (равшанликни тиклаш). Моделлаштириш тизимлари учун ўзбошимчалик билан танланган, фақат қатъий аъзолик функциялари кўриб чиқилади, уларнинг қоида тузилиши асосан фойдаланувчи томонидан моделдаги ўзгарувчиларнинг хусусиятларини шарҳлаши билан олдиндан белгиланади. Бироқ, баъзи моделлаштириш ҳолатларида фақат маълумотларга қараб, аъзолик функциялари қандай кўриниши кераклигини аниқлаш мумкин эмас. Параметрларни танлаш ўрнига, ушбу турдаги маълумотлар қиймати ўзгаришини ҳисобга олиш учун аъзолик функцияларини кириш/чиқиш маълумотларига мослаштиришни танлаш мумкин. Бундай ҳолда, ANFISга бўлган эҳтиёж аниқ бўлади.
Нейро-мослашувчан ўрганиш усуллари маълумотлар тўплами ҳақида маълумотни ўрганиш учун норавшан моделлаштириш процедураси учун усулни тақдим этади. У боғланган норавшан хулосалар тизимига кириш/чиқиш маълумотларини кузатиб бориш имконини берувчи аъзолик функцияси параметрларини ҳисоблаб чиқади. Нейрон тармоққа ўхшаш тармоқ типидаги структура кириш/чиқиш харитасини шарҳлаш учун ишлатилиши мумкин, шунинг учун у кириш аъзолик функциялари ва тегишли параметрлар билан, сўнгра чиқиш аъзолик функциялари ва чиқиш учун боғлиқ параметрлар билан киришни чизади. Аъзолик функциялари билан боғлиқ параметрлар ўқув жараёнида ўзгаради. Ушбу параметрларни ҳисоблаш (ёки уларни созлаш) градиэнт вектори томонидан осонлаштирилади. Ушбу градиэнт вектор норавшан хулосалар тизими берилган параметрлар тўплами учун кириш/чиқишни қанчалик яхши моделлашини ўлчашни таъминлайди. Градиэнт вектори олингандан сўнг, хатонинг баъзи ўлчовларини камайтириш учун параметрларни созлаш учун бир нечта оптималлаштириш процедураларидан бирини қўллаш мумкин. Ушбу ўлчанган хато одатда ҳақиқий ва керакли чиқиш ўртасидаги фарқнинг квадратлари йиғиндиси билан аниқланади.
Matlabнинг ANFIS дастури 1-жадвалда кўрсатилганидек, аъзолик функцияси параметрини баҳолаш учун энг кичик квадратларни баҳолаш ва орқага тарқалиш комбинациясидан фойдаланади. Тадқиқотда қўлланиладиган ANFIS хусусиятлари қуйидагилардан иборат:
а) бу нол тартибли Сугенотип тизими;
б) ўртача оғирликдаги дефаззификатлаштириш ёрдамида олинган битта чиқишга эга; барча чиқиш аъзолик функциялари доимий тарзда;
c) алмашиш қоидаларига эга эмас; турли қоидалар бир хил чиқиш аъзолик функциясини тақсимламайди, яъни чиқишдаги чиқиш функциялари сони қоидалар сонига тенг бўлиши керак.
д) ҳар бир қоида учун юк бирликлари мавжуд.

ишга тушириш	Градиэнт вектори норавшан хулосалар тизими аллақачон берилган параметрлар тўплами учун дастлабки кириш/чиқиш маълумотларини қандай моделлашини ўлчашни таъминлайди.
Ўрганиш жараёни	Градиэнт вектор - баҳолаш ва энг кичик квадратлар усули ва орқага тарқалиш комбинацияси
Синов файлида ўқув маълумотлари ва кутилган натижалар ( x, y,...,z) кўринишида мавжуд.	Хато энг кичик квадратлар усули ёрдамида ўлчанган хато
ANFIS маълумотларини диспетчерга қўшиш	Хатонинг энг кичик квадратлари усули ҳақиқий ва керакли натижа ўртасидаги квадрат фарқининг йиғиндиси билан аниқланади
Кириш ва чиқиш маълумотлари орқага тарқалиш ёрдамида кириш/чиқиш аъзолик функцияларининг параметрларини баҳолаш учун ишлатилади.	Асл маълумотларга аъзолик функциясининг параметрлари орқага тарқалишдан фойдаланилганда ўлчанган хатоликни камайтириш учун ўрнатилади.
Қоидалар қоидалар базасида { x, y кейин z) шаклида сақланади.	Янги аъзо функцияларидан асл функцияларга чиқиш хулоса чиқариш механизми томонидан бошқарилади
Синов жараёни	натижалар
Маълумотлар фазификатлаштириш элементига киритилади ва натижа фазификатлаштириш элементи томонидан ишлаб чиқарилади.

1-расм. Matlab’да ANFISни ўқитиш ва синовдан ўтказиш
Бироқ, ANFIS қуйидагиларни аниқлашда ёрдам беради:
а) аъзолик маркази;
б) лингвистик ўзгарувчилар сони;
c) бир-бирига ёпишиш даражаси.
2-расмда фазификатлаштириш, хулоса чиқариш механизми, ноаниқлаштириш ва чиқиш қатламларидан иборат ANFIS архитектураси тасвирланган. Тармоқни ҳар бир кириш учун киришлар, N киришлар ва М кириш аъзолик функцияларидан иборат бўлиб, фазификатлаштириш қатламида нейронлари билан тасаввур қилиш мумкин. Мантиқий чиқиш механизмида R нейронлари (1 ва 2 тенгламалар) ва дефаззификатлаштириш қатламлари ва чиқиш қатламида битта нейрон билан қоидалари мавжуд. Оддийлик учун, кўриб чиқилаётган норавшан чиқиш тизими 2-расмда кўрсатилганидек, иккита кириш x ва y ва битта чиқиш z га эга деб тахмин қилинади.

2-расм. ANFIS архитектураси
1-қоида: Агар Бу ва сиз бу , кейин . (1)
2-қоида: Агар бу ва сиз бу , кейин . (2)
Бу ерда, ушбу бўлимда, қатламдаги тугуннинг чиқиши сифатида белгиланади . Батафсил маълумот қуйида тақдим этилади.
1-қатлам ( дефазификатлаштириш қатлами).
Бу қатламдаги ҳар бир тугун тугун функциясига эга адаптив тугундир:
(3)
(4)
бу ерда (ёки ) - тугунлар учун ёзув ва (ёки ) - бу тугунлар билан боғланган лингвистик белги. Бошқача қилиб айтганда, бу норавшан тўпламнинг аъзолик даражасидир (ёки ва у берилган киритиш (ёки) квантификаторни (ёки ) қаноатлантириш даражасини белгилайди ).
2-қатлам (чиқиш двигатели қатлами).
Ушбу қатламдаги ҳар бир тугун бириктирилган тугун бўлиб, унинг чиқиши барча киришлар маҳсулоти ҳисобланади:
(5)
Ҳар бир чиқиш тугунлари қоиданинг кучини ифодалайди.
3-қатлам ( Дефуззифиcатион Лайер).
Бу қатламдаги ҳар бир тугун тугун функциясига эга адаптив тугундир :
(6)
бу тугуннинг параметрлари тўплами қаерда. Бу қатламдаги параметрлар кейинги параметрлар деб аталади.
4-қатлам (чиқиш қатлами).
Ушбу қатламдаги ягона тугун бириктирилган тугун бўлиб, у умумий чиқиш сигналини барча кириш сигналларининг йиғиндиси сифатида ҳисоблайди.
Жами чиқиш = 04, ( 7)
2-расмда кўрсатилган ANFIS архитектурасидан, зарурий параметр қийматлари ўрнатилганда, умумий чиқиш кетма-кет параметрларнинг чизиқли бирикмаси сифатида ифодаланиши мумкин. Белгиларда 4-даражадаги якуний чиқиш қуйидагича қайта ёзилиши мумкин:

, доимий деб қабул қилинганлиги сабабли (6) ни қуйидагича қайта ёзиш мумкин:
(9)
Қаерда ( 10)
Бу кейинги параметрларда чизиқ . Ушбу кузатишдан хулоса қилиш мумкин:
(11)
бу ерда + тўғридан-тўғри йиғиндини ифодалайди;
умумий параметрлар тўплами;
бошланғич (чизиқли бўлмаган) параметрлар тўплами;
= бошланғич (чизиқли) параметрлар тўплами.
Шундай қилиб, умумий натижа қуйидагича бўлади:
(12)
бу ерда кириш ўзгарувчилари вектори, адаптив тармоқ томонидан амалга ошириладиган умумий функция ва иккита тўпламга бўлинадиган барча параметрлар тўпламидир. Шунинг учун гибрид ўрганиш алгоритми икки орқага қадамда қўлланилиши мумкин. Олдинга ўтишда тугуннинг чиқишлари олдинга 3-даражага ўтади ва кейинги параметрлар энг кичик квадратлар усули билан аниқланади. Орқага ўтишда хато сигналлари тескари йўналишда тарқалади ва олдинги шарт параметрлари градиэнт тушиши ёрдамида янгиланади.

Фаззификатлаштириш (норавшан кириш) - бу норавшан кириш, ўзгармас тизимининг чиқиш қиймати ва унга мос келадиган лингвистик ўзгарувчига тегишли функциянинг қиймати ўртасидаги ёзишмаларни ўрнатишдир.

Дефаззификация - бу норавшан тўпламни аниқ рақамга айлантириш. Дефаззификация жараёни норавшан маълумот базаларини созлаш (ўқитиш) орқали чизиқли бўлмаган боғлиқликларни аниқлашнинг зарур элементидир.