ПІДВИЩЕННЯ ЕФЕКТИВНОСТІ ЗАСТОСУВАННЯ НЕЧІТКИХ НЕЙРОННИХ МЕРЕЖ ШЛЯХОМ ОПТИМІЗАЦІЇ ФУНКЦІЙ НАЛЕЖНОСТІ

Анотація

Розглянуто розв’язання актуальної науково-практичної задачі підвищення точності та стабільності моделювання інтелектуальних систем на основі гібридних нечітких нейронних мереж. Необхідність оптимізації параметрів фазифікації зумовлена високою чутливістю нечітких моделей до геометричної форми та локалізації функцій належності. У роботі проведено детальний порівняльний аналіз впливу типів функцій належності (гаусова, дзвоноподібна, трикутна та трапецієвидна), стандартних методів навчання (гібридний алгоритм, метод зворотного поширення помилки) та сучасних популяційних алгоритмів глобальної оптимізації (генетичного алгоритму та методу ройового інтелекту) на апроксимаційні та прогнозувальні властивості нечіткої мережі класу ANFIS та модифікованої п’ятишарової структури FNN. Оцінювання ефективності досліджуваних конфігурацій здійснювалося за допомогою статистичних метрик середньоквадратичної помилки та коефіцієнта детермінації, а також показників обчислювальної складності та оцінки стабільності результатів. Експериментальне тестування виконано на двох різнотипних задачах: прогнозуванні складного хаотичного часового ряду Маккея–Гласса та регресійному аналізі реального багатовимірного набору даних Auto MPG з репозиторію UCI Machine Learning Repository. Отримані результати довели, що для гладких процесів без суттєвого шуму оптимальною є конфігурація з гаусовою функцією належності та гібридним методом навчання. Водночас для реальних датасетів класичний гібридний метод виявляється неефективним через потрапляння у локальні мінімуми, тоді як застосування генетичного алгоритму та ройового інтелекту у комбінації з оптимізатором Adam дозволяє досягти стабільної точності, швидкої та стійкої збіжності та суттєво підвищити надійність функціонування нечітких нейронних мереж.