DE19528984C1 - Verfahren zur Nachbildung von insbesondere dreieck- oder trapezförmigen Zugehörigkeitsfunktionen bei der Transformation eines Fuzzy-Systems in ein neuronales Netz - Google Patents
Verfahren zur Nachbildung von insbesondere dreieck- oder trapezförmigen Zugehörigkeitsfunktionen bei der Transformation eines Fuzzy-Systems in ein neuronales NetzInfo
- Publication number
- DE19528984C1 DE19528984C1 DE19528984A DE19528984A DE19528984C1 DE 19528984 C1 DE19528984 C1 DE 19528984C1 DE 19528984 A DE19528984 A DE 19528984A DE 19528984 A DE19528984 A DE 19528984A DE 19528984 C1 DE19528984 C1 DE 19528984C1
- Authority
- DE
- Germany
- Prior art keywords
- fuzzy
- functions
- sigmoid
- neurons
- function
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
Description
Neuro-Fuzzy-Systeme stellen eine Kombination von Fuzzy-Syste
men und neuronalen Netzen dar. Hiermit können die Nachteile
von Fuzzy-Systemen und von neuronalen Netzen kompensiert wer
den. Eine Möglichkeit für eine derartige Kombination besteht
darin, ein Fuzzy-System in ein neuronales Netz zu transfor
mieren, um das System "lernfähig", d. h. selbstoptimierend, zu
machen. Die aufwendige Optimierung des Fuzzy-Systems kann
dann automatisiert werden durch Optimierungsalgorithmen,
welche mit dem Neuro-Fuzzy-System unter Zuhilfenahme eines
Computers ausführbar sind.
Für die Umsetzung der Komponenten eines Fuzzy-Systems in die
Strukturen eines neuronalen Netzes sind verschiedene Verfah
ren bekannt. Ein Fuzzy-System besteht bekanntlich aus den
drei Komponenten "Fuzzifizierung", "Regelwerk" und "Defuzzi
fizierung". Alle drei können mit bestimmten Neuronentypen
abgebildet werden. Der prinzipielle Aufbau eines Neuro-Fuzzy-
Systems, d. h. die einzelnen Komponenten eines Fuzzy-Systems
innerhalb eines Neuro-Fuzzy-Netzes, sind in Fig. 1 darge
stellt.
Zur "Fuzzifizierung" werden entweder "z"-förmige, "s"-för
mige, trapez- oder dreieckförmige Zugehörigkeitsfunktionen
verwendet. Deren Abbildung in ein neuronales Netz erfolgt mit
Sigmoid- oder Gaußfunktionen. Im Beispiel der Fig. 1 sind
symbolisch als Kreise dargestellte Neuronen mit Sigmoid-Funk
tionen S verwendet. Am Rand des Wertebereichs lassen sich
"z"- bzw. "s"-förmige Zugehörigkeitsfunktionen durch Sigmoid
funktion annähern. Dreieck- oder trapezförmige Zugehörig
keitsfunktionen können durch Überlagerung von zwei Sigmoid
funktionen nachgebildet werden. Die Überlagerung wird durch
die Addition einer positiv und einer negativ zählenden Sig
moidfunktion realisiert. Im Beispiel der Fig. 1 wird z. B.
die mit (+1) bewertete Sigmoidfunktion 1 mit der mit (-1)
bewerteten Sigmoidfunktion 2 mit einem Summenneuron 3 zu
einer trapezförmigen Zugehörigkeitsfunktion y zusammengefaßt.
Dies wird nachfolgend noch näher am Beispiel der Fig. 2
bis 4 erläutert. Einfacher, aber mit der Einschränkung der
Freiheitsgrade, lassen sich trapezförmige Zugehörigkeitsfunk
tionen auch mit einer Gaußfunktion darstellen.
Im Fuzzy-"Regelwerk" werden von der "Fuzzifizierung" bereit
gestellte Wertigkeiten "klein", "mittel" und "groß" miteinan
der verknüpft. Dies geschieht in der Regel mit UND-Verknüp
fungen, welche in der Praxis durch einen Minimum-Operator
realisiert werden. Dessen direkte Übertragung in ein Neuron
eines Neuro-Fuzzy-Netzes bereitet aber Schwierigkeiten beim
sogenannten "Lernen", d. h. bei der Auffindung von Fuzzy-Ge
wichtsparametern µ und σ, bei denen ein stabiler Endzustand
des Systems bei einem möglichst minimalen Gesamtfehler er
reicht wird. Die Ursache hierfür liegt darin, daß der Minimum-
Operator nicht geschlossen differenzierbar ist. Statt des Mi
nimum-Operators wird bei der Abbildung eines Fuzzy-Systems in
ein neuronales Netz häufig in der Komponente "Regelwerk" das
Produkt eingesetzt. Dieses hat den Vorteil, daß es eine glat
te Übertragungsfunktion aufweist und stetig differenzierbar
ist. Die Produktfunktion kann direkt in einem Neuron durchge
führt werden und bereitet beim "Lernen" keine Schwierigkei
ten. Auch im Beispiel der Fig. 1 sind Produktneuronen π im
"Regelwerk" eingesetzt.
Schließlich wird in der Komponente "Defuzzifizierung" des
Fuzzy-Systems die Ausgangsgröße y mittels einer Schwerpunkt
methode bestimmt. Bei Einsatz der sogenannten Singleton-
Methode als Schwerpunktmethode reduziert sich die Berechnung
in der Komponente "Defuzzifizierung" auf eine normalisierte
Summe der Signale von den Produktneuronen π des "Regelwerks".
Diese normalisierte Summe kann ebenfalls auf ein Neuron über
tragen werden, welches im Beispiel der Fig. 1 mit Σn be
zeichnet ist. Die Abszissen der Singletons werden als Gewich
te W₁ . . . W₉ der Verbindungen zwischen den Produktneuronen π
und dem Ausgangsneuron Σn gespeichert.
Es sind eine Vielzahl von neuronalen Strukturen zur Darstel
lung von Fuzzy-Systemen gebräuchlich.
Werden gemäß einer ersten Variante für die Fuzzifizierung nur
Sigmoid-Funktionen verwendet, so ergibt sich die in Fig. 1
dargestellte grundlegende Struktur für ein Neuro-Fuzzy-Netz.
Derartige Strukturen sind beispielsweise aus der
DE 42 09 746 oder der US 54 16 888 bekannt).
Mit dieser Struktur lassen sich die Zugehörigkeitsfunktionen
relativ genau in ein neuronales Netz abbilden. Sowohl "z"-,
"s"-, trapez- als auch dreieckförmige Funktionen können mit
einem minimalen Fehler in eine neuronale Struktur übertragen
werden. Doch besteht ein Nachteil bei der additiven Verknüp
fung zweier Sigmoidfunktionen, welche bereits oben am Bei
spiel der Sigmoidfunktionen 1, 2 und dem Summenneuron 3 in
Fig. 1 beschrieben wurde. Beim sogenannten "Lernvorgang"
werden die Gewichtsparameter µ und σ bei den Sigmoidfunk
tionen in der Komponente "Fuzzifizierung" variiert. Dabei
werden durch den Gewichtsparameter µ die Lage und durch den
Gewichtsparameter σ die Form, d. h. Steilheit des Anstiegs
oder Abfalls der jeweiligen Sigmoidfunktion bestimmt. Bei
dieser Variation der Gewichtsparameter können sich die beiden
Sigmoidfunktionen 1 und 2 von Fig. 1 derart gegeneinander
verschieben, daß bei der betreffenden Fuzzy-Menge y Interpre
tationsschwierigkeiten auftreten. Schiebt sich nämlich die
negativ eingehende Sigmoidfunktion 2 Vor die positiv zählende
Sigmoidfunktion 1, so entsteht eine sogenannte "negative"
Fuzzy-Menge y. Hierdurch kann zum einen der Fall auftreten,
daß der Lernprozeß "fehlschlägt", indem nämlich das System
nicht "konvergiert". Es kann dann kein Satz an Gewichtsfak
toren gefunden werden, welcher einen stabilen Endzustand des
Systems gewährleistet und bei dem der Gesamtfehler des Sy
stems minimal ist bzw. sogar gegen Null konvergiert. Zum
anderen ist durch die "negative" Fuzzy-Menge eine Interpre
tationslücke entstanden, welche eine Rücktransformation des
Neuro-Fuzzy-Systems in ein Fuzzy-System unmöglich macht.
Mit dieser Variante kann ein Fuzzy-System zwar am genauesten
in ein Neuro-Fuzzy-System abgebildet werden. Der Nachteil
dieser Struktur ist aber, daß während eines Lernvorgangs
verhindert werden muß, daß sich die beiden Sigmoidfunktionen,
wie in Fig. 4 gezeigt, zu stark gegeneinander verschieben.
Im Diagramm der Fig. 2 sei beispielhaft angenommen, daß die
in durchgezogener Linie dargestellte und die linke Flanke des
schraffierten Feldes darstellende Kurve der mit +1 bewerteten
Sigmoidfunktion 1 und die in gebrochener Linie dargestellte
Kurve der mit -1 bewerteten Sigmoidfunktion 2 von Fig. 1
entspricht. Die Fläche unter der vom Summenneuron 3 erzeugten
und einer Trapezform ähnlichen Zugehörigkeitsfunktion y ist
in Fig. 2 schraffiert. Auf Grund der beschriebenen Variation
der Gewichtsfaktoren können die Sigmoidfunktionen aufeinander
zugeschoben werden, was in Fig. 2 durch Pfeile dargestellt
ist. Hierdurch verkleinert sich die Zugehörigkeitsfunktion y.
Ein derartiger Fall ist in Fig. 3 dargestellt, bei der die
Funktion y auf Grund der starken Annäherung der beiden Sig
moidfunktionen eine stark verkleinerte, annähernd dreieck
förmige Form angenommen hat. Überschneiden sich die Sigmoid
funktionen wegen einer weiteren Verschiebung, so tritt eine
undefinierte negative Fuzzy-Menge auf. Ein derartiger Fall
ist in Fig. 4 dargestellt.
Gemäß einer zweiten Variante kann dieses Problem zwar dadurch
umgangen werden, daß zur Nachbildung von trapezförmigen
Fuzzy-Mengen Gaußübertragungsfunktionen verwendet werden.
Dies hat allerdings wiederum der anderen Nachteil, daß da
durch die Art der darstellbaren Funktionen auf symmetrische
Trapeze eingeschränkt wird. Unterschiedliche Steilheiten der
Flanken von Zugehörigkeitsfunktionen können mit Gaußfunk
tionen nicht nachgebildet werden. Werden also bei einem Lern
prozeß auftretende schiefe Trapeze durch Gaußfunktionen nach
gebildet, so wird hierdurch ein erhöhter Transformations
fehler verursacht.
Gemäß einer dritten Variante werden auch Rand-Fuzzy-Mengen
mit Gaußneuronen dargestellt. Hierdurch entsteht dann wieder
ein Netz mit einheitlichen Zugehörigkeitsfunktionen, wenn die
außerhalb des Definitionsbereichs liegenden Funktion unbe
rücksichtigt bleiben. Im Beispiel der Fig. 5 liegt ein Teil
der linken der beiden Gaußfunktionen außerhalb des Defini
tionsbereiches. Werden diese Funktionen durch Variation der
Gewichtsfaktoren während des Lernprozesses in Richtung der in
Fig. 5 dargestellten Pfeile verschoben, so können jetzt De
finitionslücken an den Bereichsrändern entstehen, da Gaußneu
ronen nur in einem begrenzten Bereich wirken. Dies ist in
Fig. 6 dargestellt.
Für die Bildung des Regelwerks werden bei der dritten Varian
te zwei Gaußneuronen mit einem Produktneuron verknüpft. Wird
diese Verknüpfung in einer Gleichung zusammengefaßt und ent
sprechend umgeformt, so entsteht eine zu einem Gaußneuron mit
zwei Eingängen identische Neuronenstruktur, wenn σ₁ = σ₂ = σ ist.
"Fuzzifizierung" und "Regelwerk" können also gemäß einer
vierten Variante in einem Gaußneuron zusammengefaßt werden.
Bei dieser Art von Neuro-Fuzzy-Systemen spricht man auch von
RBF-Netzen (Radial Basis Function-Netzen). Dies bewirkt
eine wesentliche Vereinfachung der Netzberechnungen und des
Lernens. Allerdings treten auch wiederum Einschränkung auf,
da mit RBF-Netzen nur noch radialsymmetrische Bereiche erfaßt
werden können. Dadurch steigt der Transformationsfehler und
die Rücktransformation wird erschwert.
Von der ersten bis zur vierten Variante nimmt die Genauigkeit
der Transformation vom Fuzzy-System zum neuronalen Netz ab.
Bei der vierten Version kann die neuronale Struktur zwar am
leichtesten gehandhabt werden, doch unterliegt diese den
größten Einschränkungen.
Der Erfindung liegt somit demgegenüber die Aufgabe zugrunde,
ein Verfahren zur Nachbildung von insbesondere dreieck- oder trapezförmigen Zugehörigkeitsfunktionen anzugeben, bei dem insbesondere die bei den
oben dargestellten Varianten auftretenden Definitionslücken
bei der Transformation eines Fuzzy-Systems in ein neuronales
Netz vermieden werden.
Die Aufgabe wird gelöst mit dem Verfahren von Anspruch 1.
Vorteilhafte weitere Ausführungsformen sind in den Unteran
sprüchen angegeben.
Die Erfindung hat den ersten Vorteil, daß bei der Transfor
mation eines Fuzzy-Systems in ein neuronales Netz alle Frei
heitsgrade erhalten bleiben. Dies hat zur Folge, daß auch die
Abbildung einer die Form eines schiefen Trapezes aufweisenden
Zugehörigkeitsfunktion uneingeschränkt möglich ist. Ein wei
terer Vorteil wird darin gesehen, daß beim Einsatz von Ge
wichtsparametern µ und σ aus dem gesamten, zulässigen Werte
bereich während eines Lernvorganges stets interpretierbare
Fuzzy-Mengen y auftreten, also undefinierte negative Fuzzy-
Mengen vermieden werden. Ein weiterer Vorteil der erfindungs
gemäßen Verknüpfung von Sigmoidfunktionen besteht darin, daß
beim einem Lernvorgang stets ein stabiles, konvergierendes
System auftritt. Der Gesamtfehler der Transformation ist
klein oder konvergiert gegen Null. Schließlich tritt der Vor
teil auf, daß die Dauer eines Lernvorganges bis zum Erreichen
eines ausreichend fehlerminimalen Zustandes zumindest mit den
oben beschriebenen Varianten vergleichbar und in manchen
Fällen deutlich kürzer ist, d. h. es werden erheblich weniger
Lernschritte benötigt.
Die Erfindung wird an Hand der nachfolgend kurz angeführten
und oben zum Teil bereits beschriebenen Figuren erläutert.
Dabei zeigt
Fig. 1 die einzelnen Komponenten eines Fuzzy-Systems inner
halb eines Neuro-Fuzzy-Netzes,
Fig. 2 die Überlagerung von je einer positiv und negativ be
werten Sigmoidfunktion zu einer annähernd trapezför
migen Zugehörigkeitsfunktion,
Fig. 3 eine durch Variation der Gewichtsfaktoren verursachte
Verschiebung der Sigmoidfunktionen von Fig. 2, wobei
sich die Funktionen unter Verkleinerung der Ergebnis
funktion aufeinander zubewegt wurden,
Fig. 4 eine durch weitere Variation der Gewichtsfaktoren
verursachte derartige Verschiebung der Sigmoidfunk
tionen von Fig. 2, so daß eine sogenannte "negative"
Fuzzy-Menge auftritt,
Fig. 5 eine Möglichkeit der Nachbildung von Rand-Fuzzy-
Mengen mit Gaußneuronen,
Fig. 6 die bei einer durch Variation der Gewichtsfaktoren
verursachten Verschiebung der Gaußfunktionen von
Fig. 5 an den Bereichsrändern entstehenden Defini
tionslücken,
Fig. 7 beispielhaft das Ergebnis der Abbildung einer theo
retisch idealen trapezförmigen Zugehörigkeitsfunktion
durch eine erfindungsgemäße multiplikative Verknüp
fung zweier Sigmoidfunktionen,
Fig. 8 ein Schaltbild der bei der erfindungsgemäßen multi
plikativen Methode beteiligten Neuronen,
Fig. 9 vergleichbar mit Fig. 2 die Überlagerung von zwei
Sigmoidfunktion zu einer annähernd trapezförmigen
Zugehörigkeitsfunktion mit der erfindungsgemäßen
multiplikativen Methode,
Fig. 10 vergleichbar mit Fig. 3 eine durch Variation der Ge
wichtsfaktoren verursachte Verschiebung der Sigmoid
funktionen von Fig. 9,
Fig. 11 vergleichbar mit Fig. 4 eine durch weitere Variation
der Gewichtsfaktoren verursachte derartige Verschie
bung der Sigmoidfunktionen von Fig. 9, so daß eine
Fuzzy-Menge mit der zulässigen Größe "Null" auftritt,
Fig. 12 den Verlauf des Fehlers des Gesamtsystems, d. h. des
sen Abnahme mit Zunahme der Anzahl von Lernschritten,
am Beispiel der Approximation eines Polynoms mit
Hilfe der erfindungsgemäßen multiplikativen Methode.
Gemäß der Erfindung werden die linke und die rechte Flanke
einer trapez- oder dreieckförmigen Zugehörigkeitsfunktion
durch-je eine Sigmoidfunktion angenähert und mit einem soge
nannten "Produktneuron" verknüpft. In Fig. 7 ist beispiel
haft das Ergebnis der Abbildung einer theoretisch idealen
trapezförmigen Zugehörigkeitsfunktion durch multiplikative
Verknüpfung zweier Sigmoidfunktionen dargestellt. Fig. 8
zeigt das dazugehörigen Schaltbild der beteiligten Neuronen.
Dem an dieser Stelle erfindungsgemäß eingesetzten Produkt
neuron 3 werden die Signale von beiden Sigmoidneuronen 1, 2
bevorzugt jeweils mit festen Gewichtswerten von +1 bewer
tet zugeführt. Eine Verschiebung der beiden Neuronen führt
nun höchstens dazu, daß die Zugehörigkeitsfunktion zu null
wird. Negative Fuzzy-Mengen können nicht mehr auftreten.
Insbesondere im Vergleich zur oben beschriebenen ersten Va
riante hat die Neuronenstruktur gemäß der Erfindung den Vor
teil, daß das Problem negativer Fuzzy-Mengen nicht mehr vor
handen ist und die Neuronenstruktur dennoch die gleiche
Transformationsgenauigkeit besitzt.
So ist in den Fig. 9 bis 11, vergleichbar mit den bereits
erläuterten Fig. 2 bis 4, die gegenseitige Verschiebung
von zwei multiplikativ verknüpften Sigmoidfunktionen darge
stellt. Diese bilden gemäß Fig. 9 eine annähernd trapezför
mige Zugehörigkeitsfunktion nach. Eine Verschiebung gemäß
Fig. 10 führt auch dann nicht zu einer negativen Fuzzy-
Menge, wenn sich gemäß Fig. 11 die beiden Sigmoidfunktionen
extrem überschneiden. Die Ergebnisfunktion y ist dann null.
Die erfindungsgemäße multiplikative Methode konvergierte mit
passenden Lernparametern für alle in der Praxis vorkommenden
Fälle. Das Lernen zeichnet sich vor allem durch eine gleich
mäßige Konvergenz aus. Bei der Approximation einer linearen
Fläche und einer Parabelfläche sinkt der Fehler in den Bei
spielen besonders schnell. In Fig. 12 ist der Verlauf des
Fehlers des Gesamtsystems, d. h. die Abnahme des Fehlers mit
Zunahme der Anzahl von Lernschritten, am Beispiel der Appro
ximation eines Polynoms dargestellt. Bei der Approximation
eines Trapezes ergibt sich ein besonders gleichmäßiger Lern
ablauf.
Besonders vorteilhaft ist es, daß Lernprozesse mit der erfin
dungsgemäßen multiplikativen Verknüpfung in den meisten Fäl
len schneller ablaufen als bei einer Neuro-Fuzzy-Struktur mit
additiv verknüpften Sigmoidneuronen. Die multiplikative Me
thode besitzt den Vorteil, daß beim Lernen keine Probleme
auftreten- aber eine ebenso gute Abbildungsgenauigkeit wie mit der
Standard-Neuro-Fuzzy-Struktur erreicht wird. Sigmoidneuronen,
die zusammen eine trapezförmige Zugehörigkeitsfunktion reprä
sentieren, können beliebig gegeneinander verschoben werden,
ohne daß sich Interpretationsprobleme ergeben.
Im Gegensatz dazu ist z. B. bei 10 der beschriebenen ersten Va
riante die Lernzeit im allgemeinen länger als bei der er
findungsgemäßen multiplikativen Methode. Außerdem kommt es
beim Lernen mit ungünstigen Parametern oder von schwierigen
Approximationsproblemen tatsächlich zur Verschiebung der Zu
gehörigkeitsfunktionen, so daß negative Zugehörigkeitsmengen
entstehen. Der Lernalgorithmus rechnet damit zwar weiter,
meist divergiert oder zumindest schwankt der Fehler des Ge
samtsystems jedoch, so daß an sich keine aussagekräftige In
terpretation der Lernergebnisse möglich ist.
Claims (4)
1. Verfahren zur Nachbildung von insbesondere dreieck- oder trapezförmigen
Zugehörigkeitsfunktionen bei der Transformation eines Fuzzy-Systems in ein
neuronales Netz, wobei in der Fuzzifizierungskomponente
Sigmoidfunktionen (1, 2) multipli
kativ (3, π) verknüpft werden.
2. Verfahren nach Anspruch 1, wobei zur multiplikativen Ver
knüpfung Produktneuronen (π) eingesetzt werden.
3. Verfahren nach Anspruch 1 oder 2, wobei die Sigmoidfunk
tionen (1, 2) vor Durchführung der multiplikativen Verknüpfung
mit je einem festen Gewichtswert bewertet werden.
4. Verfahren nach Anspruch 3, wobei die festen Gewichtswerte
jeweils eine Größe von 1 aufweisen.
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE19528984A DE19528984C1 (de) | 1995-08-07 | 1995-08-07 | Verfahren zur Nachbildung von insbesondere dreieck- oder trapezförmigen Zugehörigkeitsfunktionen bei der Transformation eines Fuzzy-Systems in ein neuronales Netz |
PCT/DE1996/001400 WO1997006493A1 (de) | 1995-08-07 | 1996-07-26 | Verfahren zur nachbildung von insbesondere dreieck- oder trapezförmigen zugehörigkeitsfunktionen bei der transformation eines fuzzy-systems in ein neuronales netz |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE19528984A DE19528984C1 (de) | 1995-08-07 | 1995-08-07 | Verfahren zur Nachbildung von insbesondere dreieck- oder trapezförmigen Zugehörigkeitsfunktionen bei der Transformation eines Fuzzy-Systems in ein neuronales Netz |
Publications (1)
Publication Number | Publication Date |
---|---|
DE19528984C1 true DE19528984C1 (de) | 1996-09-19 |
Family
ID=7768890
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE19528984A Expired - Fee Related DE19528984C1 (de) | 1995-08-07 | 1995-08-07 | Verfahren zur Nachbildung von insbesondere dreieck- oder trapezförmigen Zugehörigkeitsfunktionen bei der Transformation eines Fuzzy-Systems in ein neuronales Netz |
Country Status (2)
Country | Link |
---|---|
DE (1) | DE19528984C1 (de) |
WO (1) | WO1997006493A1 (de) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19703964C1 (de) * | 1997-02-03 | 1998-10-15 | Siemens Ag | Verfahren zur Transformation einer zur Nachbildung eines technischen Prozesses dienenden Fuzzy-Logik in ein neuronales Netz |
DE19703965C1 (de) * | 1997-02-03 | 1999-05-12 | Siemens Ag | Verfahren zur Transformation einer zur Nachbildung eines technischen Prozesses dienenden Fuzzy-Logik in ein neuronales Netz |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106447031A (zh) * | 2016-09-27 | 2017-02-22 | 西华大学 | 一种基于区间值模糊脉冲神经膜系统的故障诊断方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE4209746A1 (de) * | 1992-03-25 | 1993-09-30 | Siemens Ag | Verfahren zur Optimierung eines technischen Neuro-Fuzzy-Systems |
US5416888A (en) * | 1990-10-22 | 1995-05-16 | Kabushiki Kaisha Toshiba | Neural network for fuzzy reasoning |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH04127239A (ja) * | 1990-06-06 | 1992-04-28 | Hitachi Ltd | ファジィ推論パラメータの自動調節方法および学習状態の表示方法 |
-
1995
- 1995-08-07 DE DE19528984A patent/DE19528984C1/de not_active Expired - Fee Related
-
1996
- 1996-07-26 WO PCT/DE1996/001400 patent/WO1997006493A1/de active Application Filing
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5416888A (en) * | 1990-10-22 | 1995-05-16 | Kabushiki Kaisha Toshiba | Neural network for fuzzy reasoning |
DE4209746A1 (de) * | 1992-03-25 | 1993-09-30 | Siemens Ag | Verfahren zur Optimierung eines technischen Neuro-Fuzzy-Systems |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19703964C1 (de) * | 1997-02-03 | 1998-10-15 | Siemens Ag | Verfahren zur Transformation einer zur Nachbildung eines technischen Prozesses dienenden Fuzzy-Logik in ein neuronales Netz |
DE19703965C1 (de) * | 1997-02-03 | 1999-05-12 | Siemens Ag | Verfahren zur Transformation einer zur Nachbildung eines technischen Prozesses dienenden Fuzzy-Logik in ein neuronales Netz |
Also Published As
Publication number | Publication date |
---|---|
WO1997006493A1 (de) | 1997-02-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3701433B1 (de) | Verfahren, vorrichtung und computerprogramm zur erstellung eines tiefen neuronalen netzes | |
DE19703965C1 (de) | Verfahren zur Transformation einer zur Nachbildung eines technischen Prozesses dienenden Fuzzy-Logik in ein neuronales Netz | |
EP0750764B1 (de) | Verfahren und anordnung zur fuzzy-regelung | |
DE19528984C1 (de) | Verfahren zur Nachbildung von insbesondere dreieck- oder trapezförmigen Zugehörigkeitsfunktionen bei der Transformation eines Fuzzy-Systems in ein neuronales Netz | |
EP0077089A2 (de) | Anordnung zum Speichern oder Übertragen von transformationskodierten Bildsignalen und zum Rückgewinnen dieser Bildsignale | |
DE4439225A1 (de) | Defuzzifizierungsverfahren für Fuzzy Logic-Ausgangssignale und Reglervorrichtung hierzu | |
DE19504664C2 (de) | Chaotisches rekurrentes neuronales Netz und Lernverfahren dafür | |
DE4121453C2 (de) | Näherungsschlußfolgerungsvorrichtung | |
DE1125208B (de) | Elektrisches Vergleichsschaltungssystem | |
EP0669585B1 (de) | Iterativer Interpolator | |
EP0452517A1 (de) | Zwei-Summen-Vergleicher | |
DE10139682A1 (de) | Verfahren zum Generieren von neuronalen Netzen | |
DE3424078A1 (de) | Dezimalmultiplikations-einrichtung | |
EP0777881B1 (de) | Verfahren zur festlegung des gültigkeitsbereichs für ein künstliches neuronales netzwerk | |
EP0548127B1 (de) | Neuronales Netzwerk und Schaltungsanordnung zur Bool'schen Realisierung neuronaler Netze vom ADALINE-Typ | |
DE102020211596A1 (de) | Verfahren zum Generieren eines trainierten neuronalen Faltungs-Netzwerks mit invarianter Integrationsschicht zum Klassifizieren von Objekten | |
DE4404974C1 (de) | Verfahren und Einrichtung zur Realisierung von Neuronalen Back-Propagation-Netzen mittels stochastischer Rechenwerke | |
EP0673522B1 (de) | Einrichtung zur vervollständigung einer unvollständigen regelbasis eines fuzzy-reglers | |
DE3538406C2 (de) | ||
EP0591259B1 (de) | Verfahren zur verarbeitung von unsicherheiten von eingangsdaten in neuronalen netzwerken | |
DE4018779A1 (de) | Neurale netzwerke und lernfaehiges schlussfolgerungssystem | |
DE4232752C1 (de) | Verfahren zur Erzeugung einer scharfen Ausgangsstellgröße am Ausgang eines Fuzzy-Regelkreises | |
DE4328896A1 (de) | Verfahren zum Entwurf eines neuronalen Netzes | |
DE102021124252A1 (de) | Neuronale Netzwerksysteme für abstraktes Denken | |
EP1217498B1 (de) | Taktgeber zur Erzeugung eines im Frequenzspektrum verschliffenen Systemtaktes |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
8100 | Publication of patent without earlier publication of application | ||
D1 | Grant (no unexamined application published) patent law 81 | ||
8364 | No opposition during term of opposition | ||
8339 | Ceased/non-payment of the annual fee |