Технологии интеллектуального анализа данных : учебное пособие

211 Нечеткая нейронная сеть NNFLC обучается путем настройки параметров ее функций принадлежности i c и i  . Для обучения центров i c используется алгоритм победителя, настройка ширины i  осуществляется эвристически, например, по принципу «первого ближайшего соседа». Окончательная настройка функций принад- лежности выполняется с помощью алгоритма обратного распро- странения ошибки. Следует отметить, что архитектура NNFLC может быть проинтерпретирована как система нечеткого логического вывода Такаги–Сугено. Идентификация нейронечетких моделей. Практическое ис- пользование нечетких нейронных сетей предполагает решение двух основных задач на этапе создания модели – задачи идентификации структуры нечеткой нейронной сети и задачи идентификации ее параметров. Идентификация структуры нечеткой нейронной сети произ- водится перед использованием процедуры обучения и включает в себя следующие основные этапы: 1) выбор значимых входных переменных; 2) определение начальной архитектуры нечеткой нейронной сети:  разбивка входного пространства на нечеткие гранулы и выбор числа функций принадлежности нечетких понятий,  определение максимального количества нечетких правил,  выбор антецедентов и консеквентов нечетких правил; 3) инициализация параметров функций принадлежности для каждой градации входной переменной. Для решения задачи идентификации структуры нечеткой нейронной сети ANFIS можно использовать деревья решений. Ини- циализация количества нечетких правил и их семантическая интер-