Burzliwy rozwój sztucznej inteligencji w ostatnich latach spowodował , że zdążyliśmy się już przyzwyczaić do wykorzystywania takich efektywnych programów komputerowych jak programy systemów eksperckich , programy sieci neuronowych , programy logiki rozmytej i programy  algorytmu genetycznego . Przykładem tych pierwszych jest chociażby EXSYS RuleBook Version 1.1 firmy MultiLogic , Inc. , tych drugich - Qnet Version 2.1 firmy Vesta Services , Inc. , tych trzecich - FIDE Version 2.0 firmy Aptronix , Inc. , tych czwartych - Genetic Object Designer Version 1.0 firmy Man Machine Interfaces , Inc. Chęć dalszego zwiększania efektywności tych programów komputerowych skłania projektantów i producentów do dostarczania wyrobów kojarzących w sobie zalety systemów eksperckich , sieci neuronowych , logiki rozmytej i algorytmu genetycznego . I tak , zalety logiki rozmytej i sieci neuronowych kojarzy w sobie program FuzzyTech for Business Version 4.22 firmy INFORM GmbH , zalety sieci neuronowych i algorytmu genetycznego - program NeuroGenetic Optimizer Version 2.1 firmy BioComp Systems , Inc. , zalety systemów eksperckich i logiki rozmytej - program EXSYS Professional  Version 5.0 firmy MultiLogic , Inc. , a zalety systemów eksperckich , logiki rozmytej i algorytmu genetycznego - program XpertRuleKBS Version 3.63 firmy Attar Software Ltd .
    Na pierwszy rzut oka nieodparcie nasuwa się przypuszczenie , że o możliwościach tych wysoce efektywnych programów komputerowych najlepiej porozmawiać na przykładzie XpertRuleKBS . Bliższe przyjrzenie się tym programom sugeruje jednak kojarzenie systemów eksperckich i logiki rozmytej omówić na przykładzie programu EXSYS Professional , a XpertRuleKBS zarezerwować sobie jedynie dla omówienia skojarzenia systemu eksperckiego z algorytmem genetycznym . Zacząć jednak należy od programu FuzzyTech for Business , w którym logika rozmyta i sieci neuronowe są skojarzeniem bodaj najlepiej wyłożonym . Jasnością swoich wywodów niewiele ustępuje mu EXSYS Professional . Mniej przekonywująco na tym tle prezentują się XpertRuleKBS i NeuroGenetic Optimizer .
    Kojarzenie logiki rozmytej z sieciami neuronowymi wynika z chęci wyeliminowania tą drogą tego , co stanowi słabą stronę logiki rozmytej . Albowiem "ręczne" wyprowadzanie reguł if-then , z powodzeniem dające w krótkim czasie proste rozwiązania w przypadku wielu aplikacji , w przypadku wiedzy zawartej w dużych zbiorów danych , wymaganych dla opisu pożądanego zachowania się systemu we wielu rzeczywistych aplikacjach , staje się praktycznie niemożliwe. Natomiast sieci neuronowe trenowane są właśnie na takich dużych zbiorach danych . Brak im z kolei tego , co stanowi silną stronę logiki rozmytej - łatwe wykorzystywanie całej istniejącej wiedzy inżynierskiej dla optymalizowania swoich rozwiązań i ich weryfikowanie. A zatem , skojarzenie reprezentowane m.in. przez program FuzzyTech for Business polega przede wszystkim na połączeniu reprezentacji wiedzy logiki rozmytej ze zdolnością uczenia się sieci neuronowych .
    Teoretycznie , skojarzenie w jednym programie logiki rozmytej z sieciami neuronowymi może się odbyć na wiele sposobów . Jednakże sukces rzeczywistym aplikacjom przemysłowym zapewniły , jak dotychczas , tylko niektóre z nich . Sposób zastosowany w przypadku programu FuzzyTech for Business zasadza się na ustaleniach w tym zakresie dokonanych przez Zadeha , Zimmermanna i Kosko . Dotyczy to np. zaawansowanej metody wnioskowania FAMs (Fuzzy Associative Memories) , pozwalającej wybrnąć z tego , że w odniesieniu do standardowego wnioskowania logiki rozmytej nie można wyznaczać pochodnej , jak tego wymaga algorytm error back propagation , różniczkujący funkcje transferu neuronów . Warto dodać , że narzędzia NeuroFuzzy , zastosowane w programie FuzzyTech for Business , zwalniają użytkownika od zaprzątania sobie głowy szczegółami działania również tego algorytmu , funkcjonując w charakterze inteligentnego asystenta użytkownika w trakcie całego procesu  realizowanego w następujących pięciu krokach : uzyskiwanie danych do treningu , tworzenie inicjalnego systemu logiki rozmytej , definiowanie parametrów uczenia ,  trenowanie , optymalizacja i weryfikacja .
    Dane do treningu powinny być przygotowane w postaci macierzy , gdzie każdy rząd przedstawia poszczególne eksperymenty , a kolejne kolumny przedstawiają zmienne wejściowe i zmienne wyjściowe . Tworzenie inicjalnego systemu logiki rozmytej można w całości powierzyć Fuzzy Design Wizzard'owi , który zanalizuje zbiory danych , zaproponuje strukturę systemu i ustawi domyślnie potrzebne wielkości . Warto jednak dodać , że doświadczony użytkownik ma tutaj okazję "wycisnąć" ze zbioru danych znacznie więcej , dokładając rozmaite fragmenty swojej wąsko specjalizowanej wiedzy na użytek różnych owocnych interpretacji . W definiowaniu parametrów uczenia w pełni ujawnia się przewaga programu kojarzącego sieci neuronowe z  logiką rozmytą nad programem wyłącznie sieci neuronowych . Możliwa jest bowiem daleko idąca ingerencja użytkownika w proces uczenia . Może on w szczególności wyłączyć niektóre części systemu z procesu uczenia , gdy poddając istniejący system logiki rozmytej optymalizowaniu , dochodzi do wniosku , że są to części , które już pracują dobrze , może on ukierunkować uczenie różnych części systemu na różne zbiory danych , poddać uczeniu reguły zdefiniowane w trakcie poszczególnych eksperymentów .

Jak widać na powyższym rysunku , NeuroFuzzy może automatycznie dobierać najlepszą w danym przypadku metodę uczenia . Można to również zrobić samemu . Podobnie mają się sprawy w trakcie samego treningu - można go w całości powierzyć NeuroFuzzy'iemu albo ingerować w jego przebieg . Efektem treningu jest system logiki rozmytej , który można poddać optymalizacji i weryfikacji z pomocą wielu narzędzi analizujących i symulujących , będących na stanie programu FuzzyTech for Business .

This page hosted by  Get your own Free Home Page