Neuro fuzzy

Neuro-fuzzy correspond à la combinaison de réseaux de neurones artificiels et des principes de la logique floue.

L’hybridation neurofuzzy résulte en un système hybride intelligent qui met en synergie ces deux techniques en combinant le style de raisonnement humain des systèmes fuzzy avec la structure d’apprentissage connexionniste des réseaux de neurones.

L'hybridation neuro-fuzzy est largement appelée réseau neuronal flou (FNN) ou système neuro-fuzzy (NFS) dans la littérature scientifique. Le système Neuro- Fuzzy (le terme le plus populaire est désormais utilisé) incorpore le style de raisonnement humain des systèmes flous via l'utilisation d’ensembles flous et d'un modèle linguistique consistant en un ensemble de règles floues IF-THEN. La principale force des systèmes neuro-flous réside dans le fait qu’ils sont des approximateurs universels capables de solliciter des règles interprétables IF-THEN.

La force des systèmes neuro-flous implique deux exigences contradictoires dans la modélisation floue: l’interprétabilité par rapport à la précision. En pratique, l'une des deux propriétés prévaut. Le domaine de recherche de la modélisation neuro-floue dans la modélisation floue est divisé en deux domaines: la modélisation linguistique floue centrée sur l’interprétabilité, principalement le modèle de Mamdani ; et une modélisation floue précise centrée sur la précision, principalement le modèle Takagi-Sugeno-Kang (TSK).

Bien que le général ment supposé être la réalisation d'un système flou par connexionniste n ESEAUX, ce terme est également utilisé pour décrire d'autres configurations, y compris:

• Dérivation de règles floues à partir de réseaux RBF formés.
• Réglage basé sur la logique floue des paramètres deentraînement du réseau de neurones.
• Critères de logique floue pour augmenter la taille d'un réseau.
• Se rendant compte floue fonction d'appartenance par le biais regroupement algorithmes sans supervision learnin g dans SOMs et les réseaux de neurones.
• Représentation de la fuzzification, de l'inférence floue et de la défuzzification à travers des réseaux connexionnistes feed-forward à couches multiples.

Il convient de souligner que l’interprétabilité des systèmes neuro-fuzzy de type Mamdani peut être perdue. Pour améliorer l’interprétabilité des systèmes neuro-flous, certaines mesures doivent être prises, dans lesquelles sont également abordés des aspects importants de l’interprétabilité des systèmes neuro-flous.

Une ligne de recherche récente aborde le cas de l’exploration de flux de données, où les systèmes neuro-fuzzy sont mis à jour de manière séquentielle avec de nouveaux échantillons entrants à la demande et à la volée. Ainsi, les mises à jour du système n'impliquent pas seulement une adaptation récursive des paramètres du modèle, mais également une évolution dynamique et l'élagage des composants du modèle (neurones, règles), afin de gérer de manière appropriée la dérive de concept et le comportement dynamique du système, tout en maintenant les systèmes modèles "à jour" à tout moment.