کنترل کننده فازی-عصبی (Fuzzy-Neural Controller)، در ریاضیات (Mathematics)
انواع کنترل کننده ها (Controller) را در آموزش زیر شرح دادیم :
کنترل کننده فازی-عصبی (Fuzzy-Neural Controller) :
ترکیب شبکه های عصبی و منطق فازی برای یادگیری و استدلال
کنترل کننده فازی-عصبی یا Fuzzy-Neural Controller ترکیبی از شبکه های عصبی و سیستم های فازی است. این کنترل کننده از قابلیت یادگیری شبکه های عصبی برای تنظیم پارامترهای یک سیستم فازی استفاده می کند. معروف ترین نوع آن، سیستم استنتاج فازی مبتنی بر شبکه تطبیقی (ANFIS) است که توسط جان شورینگ معرفی شد.
در ANFIS، یک سیستم فازی تاکاگی-سوگنو به صورت یک شبکه عصبی پنج لایه نمایش داده می شود. لایه ها به ترتیب: ۱) لایه ورودی، ۲) لایه فازی سازی (توابع عضویت)، ۳) لایه قوانین، ۴) لایه نرمال سازی، ۵) لایه خروجی (نتیجه گیری). وزن های این شبکه همان پارامترهای سیستم فازی هستند و با الگوریتم یادگیری (ترکیبی از پس انتشار و حداقل مربعات) تنظیم می شوند.
\[ \text{خروجی ANFIS: } y = \frac{\sum_{i=1}^{n} w_i f_i}{\sum_{i=1}^{n} w_i} \]که در آن w_i درجه فعال شدن قانون i و f_i نتیجه قانون i (خطی از ورودی ها) است.
کاربردها: مدل سازی و کنترل سیستم های غیرخطی، پیش بینی سری های زمانی، شناسایی سیستم، کنترل ربات ها، کنترل فرآیندهای صنعتی، سیستم های خبره.
✅ مزایا: ترکیب یادگیری عصبی با تفسیرپذیری فازی، تقریب زننده جهانی، قابلیت یادگیری از داده ها، استخراج قوانین فازی خودکار.
⚠️ معایب: افزایش تعداد قوانین با ابعاد ورودی (مشکل ابعاد)، ممکن است بیش برازش رخ دهد، نیاز به داده های آموزشی مناسب.
در ANFIS، از الگوریتم یادگیری ترکیبی استفاده می شود: در مرحله پیش رو، پارامترهای نتیجه (f_i) با روش حداقل مربعات تخمین زده می شوند. در مرحله پس رو، پارامترهای مقدم (توابع عضویت) با پس انتشار خطا تنظیم می شوند.
مثال: می خواهیم یک مدل فازی-عصبی برای پیش بینی کیفیت محصول در یک راکتور شیمیایی بسازیم. داده های ورودی شامل دما، فشار، و غلظت هستند. با ANFIS، یک سیستم فازی با ۸ قانون به دست می آید که می تواند کیفیت را با دقت خوبی پیش بینی کند.
سیستم های فازی-عصبی می توانند به صورت برخط (online) نیز آموزش ببینند و به عنوان کنترل کننده های تطبیقی عمل کنند. نسخه های پیشرفته تر مانند شبکه های فازی-عصبی بازگشتی (RFNN) برای سیستم های دینامیک مناسب هستند.
یکی از چالش های اصلی در فازی-عصبی، انتخاب تعداد و نوع توابع عضویت و تعداد قوانین است. روش های خوشه بندی (مثل خوشه بندی کاهشی) برای این منظور استفاده می شوند.
