Flou dans les réseaux de neurones

Le réseau de neurones artificiels (ANN) est un réseau de systèmes de calcul efficaces dont le thème central est emprunté à l'analogie des réseaux de neurones biologiques. Les ANN sont également appelés «systèmes neuronaux artificiels», «systèmes de traitement distribués parallèles», «systèmes connexionnistes». ANN acquiert une grande collection d'unités qui sont interconnectées selon un certain modèle pour permettre les communications entre les unités. Ces unités, également appelées nœuds ou neurones, sont de simples processeurs qui fonctionnent en parallèle.

Chaque neurone est connecté à un autre neurone via un lien de connexion. Chaque lien de connexion est associé à un poids contenant les informations sur le signal d'entrée. Il s'agit de l'information la plus utile pour les neurones pour résoudre un problème particulier car le poids inhibe généralement le signal qui est communiqué. Chaque neurone a son état interne qui est appelé le signal d'activation. Les signaux de sortie, qui sont produits après la combinaison des signaux d'entrée et de la règle d'activation, peuvent être envoyés à d'autres unités. Il consiste également en un biais «b» dont le poids est toujours 1.

Pourquoi utiliser la logique floue dans un réseau neuronal

Comme nous l'avons vu ci-dessus, chaque neurone dans ANN est connecté à un autre neurone via un lien de connexion et ce lien est associé à un poids contenant les informations sur le signal d'entrée. Par conséquent, nous pouvons dire que les poids ont les informations utiles sur les entrées pour résoudre les problèmes.

Voici quelques raisons d'utiliser la logique floue dans les réseaux de neurones -

  • La logique floue est largement utilisée pour définir les poids, à partir d'ensembles flous, dans les réseaux de neurones.

  • Lorsqu'il n'est pas possible d'appliquer des valeurs nettes, des valeurs floues sont utilisées.

  • Nous avons déjà étudié que la formation et l'apprentissage aident les réseaux de neurones à mieux fonctionner dans des situations inattendues. À ce moment-là, les valeurs floues seraient plus applicables que les valeurs nettes.

  • Lorsque nous utilisons la logique floue dans les réseaux de neurones, les valeurs ne doivent pas être nettes et le traitement peut être effectué en parallèle.

Carte cognitive floue

C'est une forme de flou dans les réseaux de neurones. Fondamentalement, FCM est comme une machine à états dynamique avec des états flous (pas seulement 1 ou 0).

Difficulté à utiliser la logique floue dans les réseaux de neurones

Malgré de nombreux avantages, il existe également des difficultés lors de l'utilisation de la logique floue dans les réseaux de neurones. La difficulté est liée aux règles d'appartenance, à la nécessité de construire un système flou, car il est parfois compliqué de le déduire avec l'ensemble donné de données complexes.

Logique floue neuronale

La relation inverse entre le réseau neuronal et la logique floue, c'est-à-dire le réseau neuronal utilisé pour entraîner la logique floue est également un bon domaine d'étude. Voici deux raisons majeures pour construire une logique floue neuro-entraînée -

  • De nouveaux modèles de données peuvent être appris facilement à l'aide de réseaux de neurones, par conséquent, ils peuvent être utilisés pour prétraiter les données dans des systèmes flous.

  • Le réseau neuronal, en raison de sa capacité à apprendre de nouvelles relations avec de nouvelles données d'entrée, peut être utilisé pour affiner des règles floues afin de créer un système adaptatif flou.

Exemples de système flou à entraînement neuronal

Les systèmes flous neuronaux sont utilisés dans de nombreuses applications commerciales. Voyons maintenant quelques exemples d'application du système Fuzzy Neural-Trained -

  • Le Laboratoire de recherche internationale sur l'ingénierie floue (LIFE) à Yokohama, au Japon, dispose d'un réseau neuronal à rétro-propagation qui dérive des règles floues. Ce système a été appliqué avec succès au système de commerce des changes avec environ 5000 règles floues.

  • Ford Motor Company a développé des systèmes flous pouvant être entraînés pour le contrôle du ralenti automobile.

  • NeuFuz, produit logiciel de National Semiconductor Corporation, prend en charge la génération de règles floues avec un réseau neuronal pour les applications de contrôle.

  • AEG Corporation of Germany utilise un système de contrôle flou à entraînement neuronal pour sa machine d'économie d'eau et d'énergie. Il a un total de 157 règles floues.