Μεθοδολογία νευρο-ασαφών μοντέλων.

Abstract

Την τελευταία δεκαετία έχουν σημειώσει σημαντική ανάπτυξη τα νευρωνικά δίκτυα, η συγκεχυμένη λογική και οι γενετικοί αλγόριθμοι. Όλα έχουν έναν αριθμό πλεονεκτημάτωνκαι μειονεκτημάτων, συγκρινόμενα το ένα με το άλλο. Η συγκεχυμένη λογική είναι μία συνήθης χρησιμοποιούμενη μέθοδος για αρχική διαμόρφωση, αλλά δεν είναι ικανή για προσαρμογή. Τα νευρωνικά δίκτυα είναι προσαρμοστικά, άλλα όχι τόσο αποτελεσματικά στη διαμόρφωση, όσο η νευρωνική λογική. Οι γενετικοί αλγόριθμοι μπορούν να εξελίσσονται, αλλά είναι μία πιθανολογική μέθοδος επίλυσης και ανήκει σε μέθοδο αυτοδιδαχής. Πρόσφατη έρευνα έχει σαν στόχο να συνδυάσει τις παραπάνω τεχνικές, ώστενα καλύψει τις αδυναμίες του καθενός με τα δυνατά σημεία του άλλου. Αυτό το έγγραφο ερευνά έναν αριθμό συγκεχυμένων-νευρωνικών τεχνικών και των εφαρμογών τους στα πεδία της διαμόρφωσης και ελέγχου.

During the decade, there has been an immense growth as far as neural networks, fuzzy logic and genetic algorithms are concerned. They all have a number of pros and cons, compared to each other. Fuzzy logic is a commonly user method for initial modeling but is not capable of adaptation. On the other hand, neural networks are adaptive but not as effective as fuzzy logic. Genetic algorithms though, are capable of evolving but are considered to be a heuristic and stochastic approach. Recent researches aim at combining all techniques above, intending to cover each others disadvantages. This paper explores a number of fuzzy and neural techniques as well as their application in control and modeling.