1 / 20

ترکیب سیستمهای خبره و شبکه های عصبی

ترکیب سیستمهای خبره و شبکه های عصبی. تهیه کنندگان: علیرضا ربیعی کاشانکی امیر هدایتی کیا. مقدمه. شبکه های عصبی علیرغم مفید بودن محدودیتهایی هم دارند به وسیله اطلاعات موجود مورد آموزش قرار می گیرند

marlo
Download Presentation

ترکیب سیستمهای خبره و شبکه های عصبی

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. ترکیب سیستمهای خبره و شبکه های عصبی تهیه کنندگان: علیرضا ربیعی کاشانکی امیر هدایتی کیا

  2. مقدمه • شبکه های عصبی علیرغم مفید بودن محدودیتهایی هم دارند • به وسیله اطلاعات موجود مورد آموزش قرار می گیرند • ای شبکه ها با استفاده از ورودی و خروجی متناظر اطلاعات آموزشی، خروجی میدهند لذا قدرت استدلال و یا توضیح عملکرد خود را ندارند • یک سیستم خبره می تواند شبکه های عصبی را به گونه ای آموزش دهد که ای سیستم قابلیت انطباق پذیری پیدا کرده و با تغییر موقعیتها به روز شود.

  3. استفاده از شبکه های عصبی در تعمیم دانش خبره • در یک سیستم خبره مبتنی بر قاعده دانش به وسیله قواعدی به شکل عمومی زیر هستند نمایش داده میشوند:

  4. استفاده از شبکه های عصبی در تعمیم دانش خبره • به عنوان مثال یک قاعده تولید MYCIN را میتوان تعریف کرد:

  5. استفاده از شبکه های عصبی در تعمیم دانش خبره

  6. سیستم های خبره براساس شبکه های عصبی • در سیستم خبره هر قاعده نشان دهنده یک زوج (X,y) است که رابطه خاصی بین متغیرهای وابسته و مستقل نشان میدهد • مشکل استفاده از شبکه های عصبی پس انتشار استاندارد در درونیابی این است که با داشتن مجموعه ای از داده های یادگیری ،نتایج نهایی مه توسط شبکه ارائه میشود ممکن است غیر قابل پیش بینی باشد • برای حل این مشکل از مدل تابع شبکه های عصبی یکنواخت استفاده میکنیم

  7. شبکه های عصبی یکنواخت • برای ایجاد یک منحنی منظم که از تعداد معدودی از نقاط عبور کند مدل تابع شبکه ی عصبی یکنواخت بوجود آمده است • دلایل استفاده از شبکه های عصبی یکنواخت در سیستم های خبره : • یکنواختی یکی از خصوصیات مهم توابع عضویت فازی است • توابع عضویت فازی عموما در سیستمهای خبره مبتنی بر قاعده مورد استفاده قرار گرفته و به وسیله مقادیر CF نشان داده می شوند.

  8. اعمال شبکه های عصبی درد سیستمهای خبره

  9. تعمیم قواعد تولیدی • قواعد تولید منفرد • متغیرهای وابسته چند گانه • قواعدی با شرط نا معادله • قواعدی با نتایج احتمالی • توابع درونیابی غیریکنواخت • دانش متضاد

  10. 1-قواعد تولید منفرد • یک قاعده تولیدی منفرد که ساختار علت و معلولی آن با سایر قواعد مشابهت نداشته باشد میتواند به وسیله شبکه عصبی تعمیم یابد • مثلا: اگر x1 درست باشد و x2 درست باشد آنگاه y درست است این قاعده در شبکه های عصبی آموزش دیده وبصورت زیر نشان میدهند X1=1,x2=1,y=ymax بطوری که ymax یک خروجی از پیش تعیین شده برای شبکه عصبی است

  11. 2-متغیرهای وابسته چند گانه • وقتی تعداد متغیرهای وابسته بیش از یکی باشد قواعد به صورت زیر درمی آیند قاعده i: اگر x1=ai1 و x2=ai2 آنگاه Xp=aipو y1=ci1 …. Yp=ciq در این حالت شبکه عصبی از q عصب خروجی استفاده میکند

  12. 3-قواعدی با شرط نا معادله • در این حالت ممکن است برای شبکه ای که بر اساس این قاعده کار میکند نقاط آموزشی منفصل تولید شود و باز هم شرایط یکنواختی حفظ شود مثلا: اگر b<x<a آنگاه y=c در این حالت شبکه عصبی یک خط تقریبا مستقیم ایجاد میکند

  13. 4- قواعدی با نتایج احتمالی منظور همان قواعد فازی است اگر x=a1 آنگاه y=c1 .... اگر x=ai آنگاه y=ci c : مقادیر احتمالات که بصورت تابع توزیع تجمعی در می آیند تمام توابع توزیع یکنواخت هستند

  14. 5- توابع درونیابی غیریکنواخت • گاهی ممکن است رابطه (x,y) یکنواخت نباشد • مثلا رابطه بین قلب و فشار خون یکنواخت نیست • نقطه عطف منحنی ===> رابطه یکنواخت

  15. 6- دانش متضاد • دانش متضاد بصورت تابع فوق فازی نمایش داده میشود • عملا از 2 شبکه عصبی استفاده میکند • فاصله بین دو تابع نهایی ===> درجه تناقض اطلاعات • استفاده از تابع عضویت میانی • نتیجه : • شبکه عصبی میتوانند جایگزین تمام قواعد تولیدی در سیستم خبره شوند • یعنی پایگاه دانش

  16. 6- دانش متضاد

  17. روش استنتاج در سیستمهای خبره بر اساس شبکه های عصبی • قواعد تولیدی به صورت جملات صریح « اگر ... آنگاه ...» بیان می شوند، در حالی که قواعد شبکه های عصبی به فرم ریاضی بیان می شوند. • قواعد شبکه های عصبی بر اساس قواعد تولیدی تعمیم می یابند و روابط فازی زیادی را بین شرایط و نتایج ایجاد می کنند. • طی فرآیند استنتاج، عدم قطعیت نتایج میانی به وسیله CF مشخص می شود که این نتایج میانی هر کدام به ترتیب شرایط قواعد شبکه های عصبی بعدی خواهند بود. • استدلال رو به عقب نمتواند در سیستمهای خبره مبتنی بر شبکه های عصبی مفید باشد زیرا: • مقادیر فاکتورهای قطعیت نتایج نمی تواند از پیش تعیین شود • برای استدلالهای تقریبی زیاد پاسخگو نیست.

  18. روش استنتاج در سیستمهای خبره بر اساس شبکه های عصبی

  19. خلاصه و نتیجه گیری • شبکه های عصبی، ماشینهای یاد گیرنده ای که رفتار فرد خبره را تقلید می کنند. • توسعه مدلهای CF برای قواعد تولیدی به دلیل عدم اطمینان در روابط علت و معلولی • تعمیم قواعد تولیدی به وسیله شبکه های عصبی و استفاده آنها برای انجام استنتاجهای تقریبی در سیستمهای خبره

  20. منابع • «اصول و مبانی سیستم های خبره با فصولی درباره، شبکه های عصبی مصنوعی، تئوری مجموعه های فازی»،  مهدی غضنفری، زهره کاظمی، دانشگاه علم و صنعت ایران، 1382 • Wang. S. "Neural networks in Generalizing Expert Knowledge" Computers indo Engng Vol. 32, No.1, pp. 67-76, 1997 • Krishnamurthi 92). M. Krishnamurthi and D. T. Phillips. An Expert System Framework for Machine Fault Diagnosis. Computers Ind. Engng 22(1), 67-84 (1992) • (Buchanan 94). B. G. Buchanan and E. H. Shortliffe. Rule-Based Expert Systems. • Addison-Wesley, Reading, MA (1985) . • (Wang 94). S. Wang. Generating Fuzzy Membership Functions a Monotonic Neural Network Model. Fuzzy Sets Systems 61(1), 71-81 (1994).

More Related