ANN(人工神经网络)简介|组合3(混合系统)

先修课程：遗传算法，人工神经网络，模糊逻辑

混合系统：混合系统是一种智能系统，它通过结合至少两种智能技术(如模糊逻辑，神经网络，遗传算法，强化学习等)来构架。不同技术在一个计算模型中的结合使这些系统具有扩展的范围能力。这些系统能够在不确定和不精确的环境中进行推理和学习。这些系统可以提供类似人类的专业知识，例如领域知识，在嘈杂环境中的适应性等。

混合动力系统的类型：

• 神经模糊混合系统
• 神经遗传混合系统
• 模糊遗传混合系统

(A)神经模糊混合系统：

神经模糊系统是基于在神经网络理论工作的基础上进行训练的模糊系统。学习过程仅对本地信息起作用，并且仅在基础模糊系统中引起本地变化。神经模糊系统可以看作是三层前馈神经网络。第一层代表输入变量，中间(隐藏)层代表模糊规则，第三层代表输出变量。模糊集被编码为网络各层内的连接权重，从而提供了处理和训练模型的功能。

工作流程：

• 在输入层中，每个神经元直接将外部清脆信号传输到下一层。
• 每个模糊化神经元接收一个清晰的输入，并确定该输入属于输入模糊集的程度。
• 模糊规则层接收代表模糊集的神经元。
• 输出神经元使用模糊运算UNION组合所有输入。
• 每个解模糊神经元代表神经模糊系统的单个输出。

好处：

• 它可以处理数字，语言，逻辑等信息。
• 它可以管理不准确，部分，模糊或不完美的信息。
• 它可以通过协作和聚合来解决冲突。
• 它具有自学习，自组织和自调整功能。
• 它可以模仿人类的决策过程。

缺点：

• 难以从模糊系统开发模型
• 为模糊系统找到合适的隶属值的问题
• 如果训练数据不可用，则无法使用神经网络。

应用范围：

• 学生造型
• 医疗系统
• 交通控制系统
• 预测与预测

(B)神经遗传混合系统：

神经遗传混合系统是一种结合了神经网络的系统：该神经网络能够从示例中学习各种任务，对对象进行分类并建立它们之间的关系，而遗传算法则可以为重要的搜索和优化技术服务。遗传算法可用于改善神经网络的性能，并可用于确定输入的连接权重。这些算法也可以用于拓扑选择和训练网络。

工作流程：

• GA反复修改了单个解决方案的总体。 Google Analytics(分析)在每个步骤中使用三种主要类型的规则来从当前总体中创建下一代：
  1. 选择以选择对下一代有贡献的个体(称为父母)
  2. 交叉结合两个父母组成下一代的孩子
  3. 进行突变以对单个父母进行随机更改以形成孩子
• 然后，GA将新的子代作为新的输入参数发送到ANN模型。
• 最后，通过发达的人工神经网络模型进行适应度计算。

好处：

• GA用于拓扑优化，即为ANN选择隐藏层数，隐藏节点数和互连模式。
• 在遗传算法中，通常将反均方误差用作适应性度量，将神经网络的学习公式化为权重优化问题。
• 诸如学习率，动量率，公差水平等控制参数也可以通过GA进行优化。
• 它可以模仿人类的决策过程。

缺点：

• 高度复杂的系统。
• 系统的准确性取决于初始人口。
• 维护成本非常高。

应用范围：

• 人脸识别
• DNA匹配
• 动物和人类研究
• 行为系统

(C)模糊遗传混合系统：

开发了模糊遗传混合系统，以使用基于模糊逻辑的技术对遗传算法进行改进和建模，反之亦然。事实证明，遗传算法是执行诸如生成模糊规则库，生成隶属函数等任务的强大而有效的工具。
可以用来开发这种系统的三种方法是：

• 密歇根方法
• 匹兹堡方法
• IRL方法

工作流程：

• 从代表第一代的最初一批解决方案开始。
• 将种群中的每个染色体喂入模糊逻辑控制器，并计算性能指标。
• 使用进化运算符创建新一代直到满足某些条件。

好处：

• 遗传算法可用于开发最佳规则集，以供模糊推理引擎使用
• GA用于优化隶属函数的选择。
• 模糊GA是对所有离散模糊子集的有向随机搜索。
• 它可以模仿人类的决策过程。

缺点：

• 结果的解释很困难。
• 难以建立会员价值和规则。
• 花费大量时间进行收敛。

应用范围：

• 机械工业
• 电动引擎
• 人工智能
• 经济学

资料来源：
(1)https://en.wikipedia.org/wiki/Hybrid_intelligent_system
(2)软计算原理