| Popis: |
В роботі розглянута нейро-фаззі мережа Колмогорова, що являє собою гібрид схеми суперпозиції функцій однієї змінної, нейронну мережу прямого розповсюдження та систему нечіткого виводу типу Такагі-Сугено. Запропонований новий пакетний градієнтний алгоритм навчання на основі зворотного поширення похибок та методів оптимізації другого порядку. Розглянута мережа та запропонований алгоритм навчання можуть бути використані для вирішення задач класифікації даних, прогнозування часових послідовностей, нейрокерування, емуляції та ін. The architecture of the neuro-fuzzy Kolmogorov’s network which is the hybrid of the superposition scheme of univariate functions, two-layer feed-forward neural network, and Takagi-Sugeno type fuzzy inference system is considered. A batch gradient-based learning procedure based on the error back-propagation and 2-nd order optimization methods is proposed. The considered network and the proposed learning algorithm can be applied to the problems of data classification, time-series prediction, neuro-control, emulation, etc. В работе рассмотрена нейро-фаззи сеть Колмогорова, которая представляет собой гибрид схемы суперпозиции функций одной переменной, нейронную сеть прямого распространения и систему нечеткого вывода типа Такаги-Сугено. Предложено новый пакетный градиентный алгоритм обучения на основе обратного распространения ошибок и методов оптимизации второго порядка. Рассмотренная сеть и предложенный алгоритм обучения могут быть использованы для решения задач классификации данных, прогнозирования временных последовательностей нейроуправления, эмуляции и др. |
