न्यूरो फजी

कृत्रिम बुद्धिमत्ता के क्षेत्र में, पदनाम न्यूरो-फ़ज़ी कृत्रिम तंत्रिका नेटवर्क और फजी लॉजिक के संयोजन को संदर्भित करता है।

अवलोकन
न्यूरो-फ़ज़ी संकरण के परिणामस्वरूप एक हाइब्रिड बुद्धिमान प्रणाली बनती है जो तंत्रिका नेटवर्क की सीखने और कनेक्शनवाद संरचना के साथ फजी सिस्टम की मानव-जैसी तर्क शैली को जोड़ती है। न्यूरो-फ़ज़ी हाइब्रिडाइज़ेशन को साहित्य में व्यापक रूप से फ़ज़ी तंत्रिका - तंत्र  (FNN) या न्यूरो-फ़ज़ी सिस्टम (NFS) कहा जाता है। न्यूरो-फ़ज़ी सिस्टम (अब से अधिक लोकप्रिय शब्द का उपयोग किया जाता है) फजी सेट के उपयोग के माध्यम से फ़ज़ी सिस्टम की मानव-जैसी तर्क शैली को शामिल करता है और एक भाषाई मॉडल जिसमें IF-THEN फ़ज़ी नियमों का एक सेट शामिल होता है। न्यूरो-फ़ज़ी सिस्टम की मुख्य ताकत यह है कि वे सार्वभौमिक सन्निकटनकर्ता हैं जिनमें यदि-तब नियमों की व्याख्या करने की क्षमता होती है।

न्यूरो-फ़ज़ी सिस्टम की ताकत में फ़ज़ी मॉडलिंग में दो विरोधाभासी आवश्यकताएं शामिल हैं: व्याख्याशीलता बनाम सटीकता। व्यवहार में, दो गुणों में से एक प्रबल होता है। फ़ज़ी मॉडलिंग अनुसंधान क्षेत्र में न्यूरो-फ़ज़ी को दो क्षेत्रों में विभाजित किया गया है: भाषाई फ़ज़ी मॉडलिंग जो व्याख्यात्मकता पर केंद्रित है, मुख्य रूप से ममदानी मॉडल; और सटीक फ़ज़ी मॉडलिंग जो सटीकता पर केंद्रित है, मुख्य रूप से ताकागी-सुगेनो-कांग (टीएसके) मॉडल।

हालाँकि आम तौर पर संबंधवाद नेटवर्क के माध्यम से फ़ज़ी सिस्टम की प्राप्ति को माना जाता है, इस शब्द का उपयोग कुछ अन्य कॉन्फ़िगरेशन का वर्णन करने के लिए भी किया जाता है:
 * प्रशिक्षित रेडियल आधार फ़ंक्शन नेटवर्क से अस्पष्ट नियम प्राप्त करना।
 * न्यूरल नेटवर्क प्रशिक्षण मापदंडों की फ़ज़ी लॉजिक आधारित ट्यूनिंग।
 * नेटवर्क आकार बढ़ाने के लिए फ़ज़ी लॉजिक मानदंड।
 * स्वयं संगठित मानचित्रों और तंत्रिका नेटवर्क में अप्रशिक्षित शिक्षण में क्लस्टर विश्लेषण एल्गोरिदम के माध्यम से अस्पष्ट सदस्यता फ़ंक्शन को साकार करना।
 * मल्टी-लेयर फीड-फॉरवर्ड कनेक्शनकर्ता  नेटवर्क के माध्यम से फजीफिकेशन, फ़ज़ी अनुमान और डिफ्यूज़ीकरण का प्रतिनिधित्व करना।

यह बताया जाना चाहिए कि ममदानी-प्रकार के न्यूरो-फ़ज़ी सिस्टम की व्याख्या खो सकती है। न्यूरो-फ़ज़ी सिस्टम की व्याख्या में सुधार के लिए कुछ उपाय किए जाने चाहिए, जिसमें न्यूरो-फ़ज़ी सिस्टम की व्याख्या के महत्वपूर्ण पहलुओं पर भी चर्चा की जाए। एक हालिया शोध पंक्ति डेटा स्ट्रीम खनन मामले को संबोधित करती है, जहां न्यूरो-फ़ज़ी सिस्टम को मांग पर और ऑन-द-फ्लाई नए आने वाले नमूनों के साथ क्रमिक रूप से अपडेट किया जाता है। इस प्रकार, सिस्टम अपडेट में न केवल मॉडल मापदंडों का पुनरावर्ती अनुकूलन शामिल है, बल्कि अवधारणा बहाव और गतिशील रूप से बदलते सिस्टम व्यवहार को पर्याप्त रूप से संभालने और सिस्टम/मॉडल को बनाए रखने के लिए मॉडल घटकों (न्यूरॉन्स, नियम) का गतिशील विकास और छंटाई भी शामिल है। -आज तक कभी भी। विभिन्न विकसित न्यूरो-फ़ज़ी सिस्टम दृष्टिकोणों के व्यापक सर्वेक्षण यहां पाए जा सकते हैं और।

छद्म बाहरी-उत्पाद आधारित फ़ज़ी न्यूरल नेटवर्क
छद्म बाहरी उत्पाद-आधारित फ़ज़ी न्यूरल नेटवर्क (पीओपीएफएनएन) न्यूरो-फ़ज़ी सिस्टम का एक परिवार है जो भाषाई फ़ज़ी मॉडल पर आधारित हैं। POPFNN के तीन सदस्य साहित्य में मौजूद हैं:
 * पीओपीएफएनएन-एएआरएस(एस), जो अनुमानित अनुरूप तर्क योजना पर आधारित है
 * पीओपीएफएनएन-सीआरआई(एस), जो आम तौर पर स्वीकृत फजी कंपोजीशनल रूल ऑफ इंट्रेंस पर आधारित है
 * पीओपीएफएनएन-टीवीआर, जो सत्य मूल्य प्रतिबंध पर आधारित है

POPFNN आर्किटेक्चर एक पांच-परत तंत्रिका नेटवर्क है जहां 1 से 5 तक की परतों को कहा जाता है: इनपुट भाषाई परत, स्थिति परत, नियम परत, परिणामी परत, आउटपुट भाषाई परत। इनपुट का फ़ज़ीफ़िकेशन और आउटपुट का डीफ़ज़िफ़िकेशन क्रमशः इनपुट भाषाई और आउटपुट भाषाई परतों द्वारा किया जाता है, जबकि फ़ज़ी अनुमान सामूहिक रूप से नियम, स्थिति और परिणाम परतों द्वारा किया जाता है।

POPFNN की सीखने की प्रक्रिया में तीन चरण होते हैं:
 * 1) फ़ज़ी सदस्यता पीढ़ी
 * 2) फ़ज़ी नियम पहचान
 * 3) पर्यवेक्षित फाइन-ट्यूनिंग

विभिन्न फ़ज़ी सदस्यता पीढ़ी कलन विधि का उपयोग किया जा सकता है: लर्निंग वेक्टर क्वांटाइज़ेशन (एलवीक्यू), फ़ज़ी कोहोनेन विभाजन (एफकेपी) या असतत वृद्धिशील क्लस्टरिंग (डीआईसी)। आम तौर पर, POP एल्गोरिदम और इसके वैरिएंट LazyPOP का उपयोग फ़ज़ी नियमों की पहचान करने के लिए किया जाता है।

संदर्भ

 * Abraham A., "Adaptation of Fuzzy Inference System Using Neural Learning, Fuzzy System Engineering: Theory and Practice", Nadia Nedjah et al. (Eds.), Studies in Fuzziness and Soft Computing, Springer Verlag Germany, ISBN 3-540-25322-X, Chapter 3, pp. 53–83, 2005. information on publisher's site.
 * Ang, K. K., & Quek, C. (2005). "RSPOP: Rough Set-Based Pseudo Outer-Product Fuzzy Rule Identification Algorithm". Neural Computation, 17(1), 205-243.
 * Kosko, Bart (1992). Neural Networks and Fuzzy Systems: A Dynamical Systems Approach to Machine Intelligence. Englewood Cliffs, NJ: Prentice Hall. ISBN 0-13-611435-0.
 * Lin, C.-T., & Lee, C. S. G. (1996). Neural Fuzzy Systems: A Neuro-Fuzzy Synergism to Intelligent Systems. Upper Saddle River, NJ: Prentice Hall.
 * A. Bastian, J. Gasós (1996): "Selection of input variables for model identification of static nonlinear systems", Journal of Intelligent and Robotic Systems, Vol. 16, pp. 185–207.
 * Quek, C., & Zhou, R. W. (2001). "The POP learning algorithms: reducing work in identifying fuzzy rules." Neural Networks, 14(10), 1431-1445.

बाहरी संबंध

 * A Definition of Interpretability of Fuzzy Systems