Нечеткие множества: основы теории и приложения к моделированию решений

160 • слой 4 – формирует значение выходной переменной : 1 2 1 1 2 2 ( , ) ( ) i i i i i y x x y c x c x = β = β ⋅ + . • слой 5 – единственный нейрон этого слоя выполняет дефаз - зификацию , формируя выход сети по формуле 1 1 2 2 y y y = β + β . Следует отметить , что логика работы ННС ANFIS полностью повторяет механизм системы нечеткого логического вывода Сугено . Нечеткая нейросеть ANFIS обучается путем оптимизации па - раметров ее функций принадлежности и значений 1 2 , y y , используя для этого градиентный метод обучения . Однако в настоящее время существует ряд модификаций архитектуры сети ANFIS, эквива - лентных моделям нечеткого логического вывода Сугено и Цукамо - то , а также обобщенная модель ННС ANFIS, получившая название CANFIS, имеющая несколько выходов . 9.3. Идентификация нейронечетких моделей Практическое использование ННС предполагает решение двух основных задач на этапе создания нейронечеткой модели – задачи идентификации структуры нечеткой нейросети и задачи идентификации ее параметров . Идентификация структуры нечеткой нейросети производится перед использованием процедуры обучения и включает в себя сле - дующие этапы . 1) выбор значимых входных переменных ; 2) определение начальной архитектуры нечеткой нейросети : – разбивка входного пространства признаков 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 .