سیستم های فازی و کاربردها

سیستم های فازی و کاربردها

شبکه فازی عمیق: یک معماری ترکیبی برای مدیریت ابهام در داده های دنیای واقعی

نوع مقاله : مقاله پژوهشی

نویسنده
گروه ریاضی و آمار، دانشکده انرژی و علوم داده، دانشگاه صنعتی خاتم الانبیاء ‎(ص)‎ بهبهان، خوزستان، ایران
10.22034/jfsa.2026.558048.1290
چکیده
در بسیاری از کاربردهای دنیای واقعی، داده‌ها ماهیتی مبهم، ناقص و پرنویز دارند و استفاده از مدل‌های یادگیری عمیق کلاسیک که بر مبنای اعداد حقیقی و داده‌های دقیق بنا شده‌اند، منجر به افت قابل‌توجهی در عملکرد می‌شود. از سوی دیگر، منطق و اعداد فازی ابزار قدرتمندی برای مدل‌سازی عدم قطعیت و ابهام در داده‌ها فراهم می‌کنند، اما ادغام آن‌ها در ساختار شبکه‌های عمیق به‌صورت کارآمد هنوز یک چالش باز محسوب می‌شود. در این پژوهش، ما یک معماری جدید تحت عنوان شبکه فازی عمیق پیشنهاد می‌کنیم که ساختار آن بر پایه‌ی عملیات و نمایش‌های فازی طراحی شده است. در شبکه فازی عمیق، ورودی‌ها به صورت اعداد فازی مثلثی یا ذوزنقه‌ای نمایش داده می‌شوند و در لایه‌های پنهان، عملیات جبر فازی شامل جمع و ضرب فازی با استفاده از توابع عضویت انجام می‌گیرد. به‌منظور کنترل و کاهش عدم قطعیت در طول فرآیند یادگیری، پارامتر جدیدی به نام پارامتر تیزی معرفی می‌شود که نقش آن تنظیم درجه‌ی فازی بودن در اتصالات شبکه است. خروجی شبکه نیز به‌صورت یک عدد فازی تفسیر می‌شود که علاوه بر مقدار پیش‌بینی، میزان اطمینان مدل را نیز بیان می‌کند. نتایج آزمایش‌های اولیه نشان می‌دهد که مدل پیشنهادی قادر است در مواجهه با داده‌های مبهم و کیفی عملکردی پایدارتر و تفسیرپذیرتر نسبت به مدل‌های عمیق سنتی ارائه دهد.
کلیدواژه‌ها
موضوعات

[1]    Behdani, Z., & Darehmiraki, M. (2024). Theil-Sen Estimators for fuzzy regression model. Iranian Journal of Fuzzy Systems, 21(3), 177-192.
[2]    Bengio, Y., Goodfellow, I., & Courville, A. (2017). Deep learning (Vol. 1, pp. 23-24). Cambridge, MA, USA: MIT press.
 
[3]    Das, R., Sen, S., & Maulik, U. (2020). A survey on fuzzy deep neural networks. ACM Computing Surveys (CSUR), 53(3), 1-25.
[4]    Farnam, M., & Darehmiraki, M. (2021). A new approach in modeling and solving the minimal spanning tree problem. Fuzzy Systems and its Applications, 4(1), 111-123.
[5]    Huang, W., Sun, M., Zhu, L., Oh, S. K., & Pedrycz, W. (2022). Deep fuzzy min–max neural network: Analysis and design. IEEE transactions on neural networks and learning systems, 35(6), 8229-8240.
[6]    Huang, Y., Chen, D., Zhao, W., & Mo, H. (2021). Deep fuzzy system algorithms based on deep learning and input sharing for regression application. International Journal of Fuzzy Systems, 23(3), 727-742.
[7]    Huang, W., Sun, M., Zhu, L., Oh, S. K., & Pedrycz, W. (2022). Deep fuzzy min–max neural network: Analysis and design. IEEE transactions on neural networks and learning systems, 35(6), 8229-8240.
[8]    Huang, Y., Chen, D., Zhao, W., & Mo, H. (2021). Deep fuzzy system algorithms based on deep learning and input sharing for regression application. International Journal of Fuzzy Systems, 23(3), 727-742.
[9]    Jang, J. S. (1993). ANFIS: adaptive-network-based fuzzy inference system. IEEE Transactions on Systems, Man, and Cybernetics, 23(3), 665-685.
[10]    Kingma, D. P., & Ba, J. (2014). Adam: A method for stochastic optimization. arXiv preprint arXiv:1412.6980.
[11]    Lu, H., Zhang, M., Xu, X., Li, Y., & Shen, H. T. (2020). Deep fuzzy hashing network for efficient image retrieval. IEEE transactions on fuzzy systems, 29(1), 166-176.
[12]    Price, S. R., Price, S. R., & Anderson, D. T. (2019, June). Introducing fuzzy layers for deep learning. In 2019 IEEE International Conference on Fuzzy Systems (FUZZ-IEEE) (pp. 1-6). IEEE.
[13]    Wang, G., Jia, Q. S., Qiao, J., Bi, J., & Liu, C. (2020). A sparse deep belief network with efficient fuzzy learning framework. Neural Networks, 121, 430-440.
[14]    Wang, X., Peng, Y., Lu, L., Lu, Z., Bagheri, M., & Summers, R. M. (2017). Chestx-ray8: Hospital- scale chest x-ray database and benchmarks on weakly-supervised classification and localization of common thorax diseases. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 2097-2106).
 
دوره 8، شماره 2 - شماره پیاپی 17
بیانیه دسترسی آزاد
دی 1404
صفحه 228-249

  • تاریخ دریافت 15 آبان 1404
  • تاریخ بازنگری 26 بهمن 1404
  • تاریخ پذیرش 09 اسفند 1404