Алгоритмы обучения нейро-нечетких сетей и их адаптация для сети на основе байесовской логико-вероятностной модели

Аннотация

Нейро-нечеткие сети являются перспективными гибридными моделями, объединяющими возможность обучения нейронных сетей и лингвистическую интерпретируемость базы правил нечетких систем, что делает их эффективным инструментом для решения задач аппроксимации сложных нелинейных зависимостей, одновременно обеспечивающим потенциальную объяснимость результатов. Однако обучение таких сетей, включая сеть на основе байесовской логико-вероятностной модели нечеткого вывода (далее БЛВ-модели), представляет сложность из-за неоднородности многослойной структуры, проявляющейся в уникальности каждого параметрического слоя сети. Целью работы является адаптация алгоритмов обучения (алгоритма обратного распространения ошибки и гибридного алгоритма) для подтверждения работоспособности и исследования эффективности данной модели сети. Научная новизна исследования заключается в адаптации и применении современных методов оптимизации, таких как нормированный градиентный спуск, AdaGrad, RMSprop и Adam, для корректировки параметров обучения нейро-нечеткой сети на основе БЛВ-модели. В ходе экспериментального исследования на показательных наборах данных с использованием метрики среднеквадратичной ошибки (RMSE) выполнено сравнение программной реализации модели с ANFIS (Adaptive NeuroFuzzy Inference System) из пакета MATLAB. Результаты показали, что адаптированные алгоритмы обучения в сочетании с методами оптимизации позволяют программной реализации модели достигать уровня качества, сопоставимого с ANFIS, и в ряде случаев превосходящего ее по точности аппроксимации и скорости обучения за счет уменьшения числа эпох. Полученные результаты подтверждают работоспособность программной реализации модели и открывают возможности для дальнейшего развития и применения нейро-нечетких сетей на основе БЛВ-модели в различных областях, требующих решения задач, связанных с аппроксимацией функциональных зависимостей, в условиях работы с данными, содержащими элементы неопределенности и неточности. Ограничение доступа российских потребителей к коммерческому программному обеспечению зарубежных производителей повышает практическую значимость разработанного на основе оригинальной модели нейро-нечеткой сети программного инструмента, делает разработку актуальной и полезной для широкого круга пользователей.