نظام عصبي ضبابي

من ويكيبيديا، الموسوعة الحرة

الأنظمة العصبية الضبابية (بالإنجليزية: Neuro-Fuzzy Systems) هي أنظمة هجينة متكونة من أنظمة الشبكات العصبية الإصطناعية و الأنظمة الضبابية أي القائمة على المنطق الضبابي. الهدف من هذه الأنظمة الهجينة هي إستغلال كل من خصائص الأنظمة العصبية الإصطناعية كالتعميم و الأنظمة الضبابية التي تحاكي في عملها عمليات التفكير البشري. عادة ما تعتبر هذه الأنظمة تطويرا لأنظمة المنطق ضبابي لكنها أيضا تستعمل للدلالة على:

  • تحسين أو ضبط معاملات الشبكات العصبية الإصطناعية كعدد النورونات في الشبكة أو معامل التعلم
  • نمذجة الضبابية أو طرق الإستنتاج الضبابي عن طريق الشبكات العصبية الإصطناعية

و يتم عادة التفرقة بين نوعين من الأنظمة العصبية الضبابية:

  • الأنظمة الهجينة hybrid neuro fuzzy systems التي لا يمكن فيها فك الإرتباط بين النظام العصبي و نظام المنطق الضبابي حيث أن الشبكة يمكن فهمها على أنها نظام شبكات عصبية اصطناعية أو في نفس الوقت كنظام منطق ضبابي
  • الأنظمة التعاونية cooperative neuro fuzzy systems: و هي أنظمة يتم فيها استعمال شبكة عصبية اصطناعية للتحصل على المعاملات الخاصة بنظام المنطق الضبابي كدالة الإنتماء و من ثم يتم فصل الشبكةعنه و يعمل نظام المنطق الضبابي بمفرده

[تحرير] أنظمة الشبكات العصبية الضبابية الهجينة

يمكن فهم الأنظمة العصبية الضبابية الهجينة كنظام شبكات عصبية صناعية و كنظام منطق ضبابي في نفس الوقت. لهذا النوع من الأنظمة ميزة كبيرة و هي إمكانية إضفاء معنى أو سياق على معاملات الشبكة العصبية أي سيمانتيك semantic على الشبكة و بالتالي إمكانية استعمال معلومات عن النظام عند النمذجة.
عادة ما يتم في هذه المقاربة استعمال الشبكات العصبية ذات الدالة المحدودة Radial basis function network و التي تكون دالة تحوليها عبارة على هضبة غاوس أي:

  • e^{-\frac{1}{2} \frac{(x-\mu )^{2}}{\sigma^{2}}}

إستعمال هذا النوع من النورونات في الطبقة الوسيطة أو المخفية hidden layer للشبكة يمكننا من تحقيق أول خطوة في نظام المنطق الضبابي الذي هو عبارة على جملة من القواعد أو مجموعة من الشروط و نتائج الشروط. الطبقة المخفية يمكن فهمها على أنها حساب قيمة الشروط Premise حسب طريقة لارسن للربط بين المقولات المنطقية أو بما يسمى معيار لارسن Larsen t-norm. حيث يتم ضرب دالة الإنتماء Membership function ببعضها لكل من المقولات المنطقية الأولية ليتم معرفة دالة إنتماء المقولة المركبة A and B مثلا.

الخطوة التالية في عمل أنظمة المنطق الضبابي بعد حساب قيمة تحقق الشروط الأولية و الشروط المركبة هو حساب قيمة الإستنتاجات conclusion باستعمال معيار لارسن أيضا. هذا الإستنتاج في أنظمة المنطق الضبابي يتم ترجمته بعملية ضرب مخارج الطبقة الوسطى بالأوزان weights حيث يمكن اعتبار قيمة الوزن كقيمة النتيجة هذه العملية تسمى الإستنتاج و يليها خطوة التجميع حيث يتم تجميع قيمة الإستنتاجات بالنسبة لمختلف القواعد الموجودة و يمكن تسمية هذه الخطوة خطوة التجميع و هي خطوة تحصل على مستوى طبقة الإخراج بالنسبة للشبكة العصبية. في المرحلة الأخيرة يتم الإنتقال من دالة إنتماء إلى عدد صحيح و هذه المرحلة تسمى رفع لضبابية أو defuzzyfication. الصورة في الأسفل تلخص هذه العملية:

بعد تصميم النظام العصبي الضبابي بالطريقة المبينة أعلاه يتم تدريب الشبكة على تعلم معاملتها التي هي عرض و وسط دالة الإنتماء بالإضافة إلى الوزن W و يمكن من أجل ذلك استعمال خوارزمية التعلم المسمات بالتغذية الخلفية Backpropagation

[تحرير] الأنظمة العصبية الضبابية التعاونية

[تحرير] تطبيق الأنظمة العصبية الضبابية الهجينة

يمكن تطبيق الأنظمة العصبية الضبابية في العديد من المجالات كاستقراء تغيرات البورصة مثلا. حيث يمكن إعتماد متغيرات مثل قيمة الصرف و مؤشرات البورصة العالمية إلخ.. كمداخل للشبكة و تمثل الطبقة الوسطى مجموعة من القواعد على شاكلة:

  • إذا كان مؤشر البورصة الأمريكية مرتفعا و سعر الصرف مرتفعا فإن مؤشر البورصة المحلي منخفض

و يتم عن طريق القياسات تعليم الشبكة المعاملات المناسبة


هذه المقالة عبارة عن بذرة تحتاج للنمو والتحسين؛ فساهم في إثرائها بالمشاركة في تحريرها.
لغات أخرى