(3.237.97.64) 您好!臺灣時間:2021/03/05 03:20
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果

詳目顯示:::

我願授權國圖
: 
twitterline
研究生:陳偉民
研究生(外文):Chen,Wei-min
論文名稱:植基於ANFIS的類神經網路架構
論文名稱(外文):A Neural Network Structure Based on the ANFIS
指導教授:李建國李建國引用關係
指導教授(外文):Li,Chien-kuo
口試委員:李建國賴森堂翁頂升
口試委員(外文):Li , Chien-kuoLai , Sen-TangWeng , Ting-Sheng
口試日期:2011-07-18
學位類別:碩士
校院名稱:實踐大學
系所名稱:資訊科技與管理學系碩士班
學門:電算機學門
學類:電算機一般學類
論文種類:學術論文
論文出版年:2011
畢業學年度:99
語文別:中文
論文頁數:56
中文關鍵詞:模糊系統類神經網路適應性類神經模糊推論系統維度災難
外文關鍵詞:Fuzzy SystemNeural NetworksAdaptive Neural Fuzzy Inference System (ANFIS)Curse of Dimensionality
相關次數:
  • 被引用被引用:1
  • 點閱點閱:394
  • 評分評分:系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔
  • 下載下載:58
  • 收藏至我的研究室書目清單書目收藏:1
  模糊理論乃將人類認知過程中之不確定性,以數學模式表示。而類神經網路(Neural Network)是一種計算系統,使用大量平行分布且相連的人工神經元來模仿生物神經網路的能力。模糊系統與類神經網路由最初的理論發展到目前已被成功地應用在各個不同的領域上,並且獲得相當好的結果。其中的適應性類神經模糊推論系統(Adaptive Neural-Fuzzy Inference System, ANFIS) 改善以往IF-THEN 模糊規則不易建立的問題。但由於ANFIS 先天學習架構上的限制,當面臨變數較高維度問題時,會導致IF-THEN 模糊規則數量大幅增加,而呈近乎指數的成長(Exponential Growth),使得記憶體過度消耗,這樣的現象稱為維度災難(Curse of Dimensionality)。

  本研究提出低維度適應性類神經模糊推論系統,將高維度的ANFIS 架構分成數個低維度的ANFIS 組合,簡稱LDANFIS (Low-Dimensional ANFIS),每一個ANFIS 僅使用到所有輸入變數的子集合作為其輸入變數,幾個具有不同輸入變數組合的ANFIS 構成一個模組(Module),而數個模組構成一個LDANFIS 類神經網路。每一模組的輸出值為該模組所有ANFIS 輸出值的乘積(Product),而LDANFIS 的輸出值則為所有模組的輸出值總和。如此一來,在相同變數的情況
下,LDANFIS 所需的模糊規則數量將少於傳統ANFIS 架構,減少對記憶體的過度消耗。

  為了評估LDANFIS 的可行性,本研究根據梯度法,推導出LDANFIS 的學習規則,並應用LDANFIS 於各類問題。本研究針對高維度函數近似、Mackey-Glass 時間序列以及分類問題,進行電腦模擬測試,根據訓練的結果顯示,LDANFIS 在面臨高維度的問題時,具有良好的學習成果。本研究提出的學習架構,改善傳統ANFIS 架構對於記憶體過度消耗的情形,解決維度災難的問題。
Fuzzy theory is a mathematical model to represent the uncertainty of human cognitive processes. The neural network is a computing system. It uses a large number of parallel distributed and connected artificial neurons to imitate the ability of biological neural networks. Fuzzy systems and neural networks have been
successfully applied in various fields, and achieved very good results. Adaptive
Neural Fuzzy Inference System (ANFIS) is one kind of neural fuzzy systems. It solves the problems of establishing IF-THEN fuzzy rules in traditional fuzzy systems.

However, due to its learning structure, the ANFIS suffers from the "curse of dimensionality". That is, the number of IF-THEN rules will grow exponentially with the increase of the number of input variables. To solve the problem of “curse of dimensionality”, this research proposed the use of low-dimensional ANFIS (LDANFIS). LDANFIS is composed of several modules. The output of LDANFIS is the sum of outputs from these modules. Each module consists of several small ANFISs. The output of each module is the product of outputs from these small ANFISs inside the module. Since each small ANFIS uses only a portion of input variables as its inputs, the number of IF-THEN rules will be greatly reduced.

The learning rules for LDANFIS were deducted by the gradient descent method. To evaluate the feasibility of the LDANFIS, many practical computer simulations were made. The LDANFIS was applied to solve high-dimensional function approximation problems, Mackey-Glass time series problem, and classification problems. Simulations showed promising results with the LDANFIS applied in high-dimensional problems.
第一章 緒論…………………………………………………1
 第一節 研究背景與動機…………………………………1
 第二節 研究目的…………………………………………2
 第三節 研究流程…………………………………………4
第二章 文獻探討……………………………………………6
 第一節 模糊理論…………………………………………6
 第二節 類神經網路………………………………………9
 第三節 適應性類神經模糊推論系統……………………11
 第四節 維度災難與次方成長……………………………13
第三章 研究方法……………………………………………16
 第一節 低維度適應性類神經模糊推論系統架構………16
 第二節 低維度適應性類神經模糊推論系統學習規則…18
 第三節 模擬測試規劃及資料來源………………………20
第四章 實證結果與分析……………………………………22
 第一節 四個輸入變數的函數近似問題…………………22
 第二節 六個輸入變數的函數近似問題…………………31
 第三節 Mackey-Glass 時間序列問題………………… 40
 第四節 Classification 分類………………………… 50
第五章 結論與建議…………………………………………52
參考文獻…………………………………………………… 55
1. C. T. Lin and C. S. G. Lee(1991), “Neural-network-based fuzzy logic control
systems,” IEEE Trans. Comput., vol. 40, pp. 1320–1336.

2. J. Nie and D. A. Linkens(1994), “Fast self-learning multivariable fuzzy
controllers constructed from a modified CPN network,” Int. J. Contr., vol.60,
no. 3,pp. 369–393.

3. H. R. Berenji and P. Khedkar(1992), “Learning and tuning fuzzy controllers
through reinforcement,” IEEE Trans. Neural Networks, vol. 3, pp.724–739.

4. J.-S. Roger Jang (1993), ANFIS: Adaptive-Network-Based Fuzzy Inference
Systems", IEEE Transactions on System, Man, and Cybernetics, No. 5, Vol. 23,
PP. 665-685.

5. J.-S. Roger Jang and C.-T. Sun(1993), Functional Equivalence Between Radial
Basis Function Networks and Fuzzy Inference Systems", IEEE Transactions on
Neural Networks, No. 1, Vol. 4, PP. 156-159.

6. L. A. Zadeh(1965), Fuzzy sets, Information and Control 8, 338-353.

7. Richard Ernest Bellman; Rand Corporation (1957), Dynamic programming.
Princeton University Press.

8. T. Takagi and M. Sugeno.(1983), Derivation of fuzzy control rules from human
operator’s control actions. Proc of the IFAC Symp. on Fuzzy Information,
Knowledge Representation and Decision Analysis, pages 55–60.

9. T.Takagi, and M. Sugeno (1985), “Fuzzy identification of systems and its
applications to modeling and control,” IEEE Trans. Syst., Man, Cybern., vol.
15, pp. 116-132,

10. Yaochu Jin, Member(2000), Fuzzy Modeling of High-Dimensional
Systems: Complexity Reduction and Interpretability Improvement, IEEE
Transactions On Fuzzy Systems, VOL. 8, NO. 2, pp.212-221

11. 陳毓中(2004),模糊邏輯應用於軍工廠委商經營遴選評估之研究,大葉大學
資訊管理學系碩士論文

12. 陳昆輝(2006),模糊理論應用於土石流危險評估系統之研究,逢甲大學土木
工程所碩士論文

13. 張敦程(2002),模糊聚類演算法應用於高雄海域污染範圍之判定,國立中山
大學海洋環境及工程學系碩士論文

14. 張振榮(2005),智慧型系統在移動物體辨識上之應用,大同大學資訊工程學
系碩士論文

15. 徐榮祥(2002),腫瘤偵測與顱顏骨骼重建,國立中央大學機械工程研究所博
士論文

16. 詹正維(2006),融入叢集分析之特徵萃取法在高維度資料辨識的應用,國立
臺中教育大學教育測驗統計研究所碩士論文

17. 黃志勝(2010),統計學習方法在高維度資料分類上之應用,國立臺中教育大
學教育測驗統計研究所碩士論文

18. 劉庭祿(2005),流形學習與人臉辨識,中央研究院週報,第1058 期
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
1. 余崇生:〈閱讀與寫作潛能〉,《國文天地》第25卷第11期,2010年4月,頁4-7。
2. 仇小屏:〈章法學在「讀」與「寫」教學中的運用〉,《國文天地》第20卷第4期,2004年9月
3. 王淑俐:〈藉由閱讀,提早培養孩子寫作及表達能力〉,《臺灣教育雙月刊》第653期,2008年10月,頁18-23。
4. [3] 楊志忠,林頌恩,韋文誠,燃料電池的發展現況,科學發展月刊, 367:30-33(2003).
5. 林秋惠:〈不同寫作歷程之探討及其在教學上的意義〉,《菁莪季刊》第18卷第1期,2006年3月,頁44-51。
6. 林素珍:〈國中學生命題作文之抽樣分析──以寫作所犯的錯誤為主要探討範圍〉,《東吳中文學報》2007年第14期,頁127-162。
7. 林素珍:〈國中學生讀、寫能力之因素結構分析──以認知與興趣為中介變項的觀察〉,《北市大語文學報》2008年創刊號,頁93-129。
8. 林素珍:〈試論國中學生讀、寫能力之結構關係──以語文輔導為中介變項的觀察〉,《輔仁國文學報》2009年第29期,頁259-286。
9. 林素卿:〈行動研究與教學檔案於教師專業發展之應用〉,《教育研究月刊》第167期,2008年3月,頁24-33。
10. 林煥民:〈程序性知識理論在作文指導之觀點與應用〉,《菁莪季刊》第19卷第1期,2007年3月,頁63-75。
11. 周珮儀、鄭明長:〈教科書研究方法論之探究〉,《課程與教學季刊》第11卷第1期,2008年1月,頁193-215。
12. 洪月女、靳知勤:〈科學寫作理論與教學之探討〉,《課程與教學季刊》第11卷第2期,2008年4月,頁173-192。
13. 張春榮:〈修辭學在「讀」與「寫」教學中的運用〉,《國文天地》第20卷第4期,2004年9月
 
系統版面圖檔 系統版面圖檔