A TS Fuzzy Model Derived from a Typical Multi-Layer Perceptron

در اين مقاله، ما يك مدل فازي تاكاگي سوگنو را معرفي مي كنيم كه از يك پرسپترون چند لايه متعارف الهام گرفته شده است. در ابتدا نشان داده مي شود كه شبكه عصبي چندلايه پرسپترون مي تواند بصورتي از يك مدل فازي تاكاگي سوگنو تفسير شود. سپس بحث خواهد شد كه تابع عضويت مورد استفاده در اين مدل فازي تاكاگي سوگنو علارغم داشتن ساختاري منعطف، محدوديتهاي جدي را با خود همراه دارد. پس از اصلاح اين محدوديتها، ما يك مدل تاكاگي سوگنو كه توابع عضويت آن هم در نواحي دور و هم در نواحي نزديك به مركز، قابل تنظيم باشد را معرفي مي كنيم. براي شناسايي چنين مدل تاكاگي سوگنو يك الگوريتم يادگيري افزايشي مبتني بر يك تكنيك افراز بندي كارآمد، معرفي مي گردد. بر اساس يك مثال روشنگر عملكرد روش شناسايي مدل شرح داده خواهد شد. در ادامه از طريق دو مثال مطالعاتي : تقريب يك تابع براي يك سنسور خورشيدي و شناسايي يك فرآيند خنثي سازي پ-هاش، مزيت مدل تاكاگي سوگنوي معرفي شده در مقايسه با مدلهاي تاكاگي سوگنوي ديگر و همينطور شبكه عصبي چند لايه پرسپترون نشان داده خواهد شد.

In this paper, we introduce a Takagi-Sugeno (TS) fuzzy model which is derived from a typical Multi-Layer Perceptron Neural Network (MLP NN). At first, it is shown that the considered MLP NN can be interpreted as a variety of TS fuzzy model. It is discussed that the utilized Membership Function (MF) in such TS fuzzy model, despite its flexible structure, has some major restrictions. After modifying the MF, we introduce a TS fuzzy model whose MFs are tunable near and far from focal points, separately. To identify such TS fuzzy model, an incremental learning algorithm, based on an efficient space partitioning technique, is proposed. Through an illustrative example, the methodology of the learning algorithm is explained. Next, through two case studies: approximation of a nonlinear function for a sun sensor and identification of a pH neutralization process, the superiority of the introduced TS fuzzy model in comparison to some other TS fuzzy models and MLP NN is shown.