人工神经网络简介|集合3（混合系统）

先决条件： 遗传算法 , 人工神经网络 , 模糊逻辑

混合系统 ：混合系统是一种智能系统，它至少由模糊逻辑、神经网络、遗传算法、强化学习等两种智能技术组合而成。不同技术在一个计算模型中的组合使这些系统具有更广泛的能力。这些系统能够在不确定和不精确的环境中进行推理和学习。这些系统可以提供类似人类的专业知识，如领域知识、在嘈杂环境中的适应能力等。

混合动力系统的类型：

• 神经模糊混合系统
• 神经遗传杂交系统
• 模糊遗传混合系统

（A） 神经模糊混合系统：

神经模糊系统是基于 模糊系统 它是在神经网络理论的基础上训练出来的。学习过程只对局部信息起作用，并且只在底层模糊系统中引起局部变化。神经模糊系统可以看作是一个三层前馈神经网络。第一层代表输入变量，中间（隐藏）层代表模糊规则，第三层代表输出变量。模糊集被编码为网络层中的连接权重，它提供了处理和训练模型的功能。

工作流程 :

• 在每一层，输入信号直接传输到下一层的外部神经元。
• 每个模糊化神经元接收一个清晰的输入，并确定输入属于输入模糊集的程度。
• 模糊规则层接收表示模糊集的神经元。
• 输出神经元使用模糊运算并结合所有输入。
• 每个解模糊神经元代表神经模糊系统的单一输出。

优势：

• 它可以处理数字、语言、逻辑等信息。
• 它可以管理不精确、不完整、模糊或不完美的信息。
• 它可以通过协作和聚合来解决冲突。
• 它具有自学习、自组织和自调整能力。
• 它可以模仿人类的决策过程。

缺点：

• 很难从模糊系统中建立模型
• 模糊系统中寻找合适隶属度的问题
• 如果没有训练数据，就不能使用神经网络。

应用：

• 学生模特
• 医疗系统
• 交通控制系统
• 预测和预测

（B） 神经遗传杂交系统： 神经遗传杂交系统是一个结合 神经网络 ：能够从示例中学习各种任务，对对象进行分类并建立它们之间的关系，以及 遗传算法 ：提供重要的搜索和优化技术。遗传算法可用于改善神经网络的性能，并可用于确定输入的连接权重。这些算法也可用于拓扑选择和训练网络。

工作流程：

• 遗传算法反复修改单个解的总体。GA在每个步骤中使用三种主要的规则，从当前人口中创建下一代：
  1. 选择 选择对下一代人口有贡献的个体，称为父母
  2. 改变 把父母结合起来为下一代培养孩子
  3. 突变 将随机更改应用于单个父母以形成子女
• 然后，GA将新一代孩子送到 安 模型作为一个新的输入参数。
• 最后，利用所建立的人工神经网络模型计算适应度。

优势：

• 遗传算法用于网络拓扑优化，即选择网络的隐层数、隐节点数和互连模式。
• 在GAs中，神经网络的学习被描述为一个权重优化问题，通常使用逆均方误差作为适应度度量。
• 利用遗传算法对学习率、动量率、容错水平等控制参数进行了优化。
• 它可以模仿人类的决策过程。

缺点：

• 高度复杂的系统。
• 系统的精度取决于初始总体。
• 维护费用非常高。

应用：

• 人脸识别
• DNA匹配
• 动物和人类研究
• 行为系统

（C） 模糊遗传混合系统： 开发了一个模糊-遗传混合系统，使用基于模糊逻辑的技术改进和建模遗传算法，反之亦然。遗传算法已被证明是一种鲁棒有效的工具，可以执行模糊规则库生成、隶属函数生成等任务。 可用于开发此类系统的三种方法是：

• 密歇根方法
• 匹兹堡方法
• IRL方法

工作流程：

• 从代表第一代人的解决方案的初始群体开始。
• 将群体中的每条染色体输入模糊逻辑控制器，并计算性能指标。
• 使用进化算子创建新一代，直到满足某些条件。

优势：

• GAs用于开发模糊推理机使用的最佳规则集
• GAs用于优化隶属函数的选择。
• 模糊遗传算法是对所有离散模糊子集的有向随机搜索。
• 它可以模仿人类的决策过程。

缺点：

• 结果很难解释。
• 难以建立成员价值观和规则。
• 要花很多时间才能收敛。

应用：

• 机械工程
• 电动发动机
• 人工智能
• 经济学

资料来源： (1) https://en.wikipedia.org/wiki/Hybrid_intelligent_system (2) 软计算原理