AbstractIn this study, we concentra

Abstract
In this study, we concentrate on the fundamentals and essential development issues of logic-driven constructs of fuzzy neural networks. These networks, referred to as logic-oriented neural networks, constitute an interesting conceptual and computational framework that greatly benefits from the establishment of highly synergistic links between the technology of fuzzy sets (or granular computing, being more general) and neural networks.

The most essential advantages of the proposed networks are twofold. First, the transparency of neural architectures becomes highly relevant when dealing with the mechanisms of efficient learning. Here the learning is augmented by the fact that domain knowledge could be easily incorporated in advance prior to any learning. This becomes possible given the compatibility between the architecture of the problem and the induced topology of the neural network. Second, once the training has been completed, the network can be easily interpreted and thus it directly translates into a series of truth-quantifiable logic expressions formed over a collection of information granules.

The design process of the logic networks synergistically exploits the principles of information granulation, logic computing and underlying optimization including those biologically inspired techniques (such as particle swarm optimization, genetic algorithms and alike). We elaborate on the existing development trends, present key methodological pursuits and algorithms. In particular, we show how the logic blueprint of the networks is supported by the use of various constructs of fuzzy sets including logic operators, logic neurons, referential operators and fuzzy relational constructs.

Keywords
Fuzzy sets; Neurocomputing; Interpretation; Aggregative neurons; Referential neurons; Learning; Logic operators
1. Introductory notes
Fuzzy sets and neural networks constitute two pillars of intelligent systems [1], [7], [10], [11], [14], [15], [16], [17], [18], [23], [24], [25], [26], [27] and [29]. Their research agendas are quite orthogonal and complementary to a significant extent. Fuzzy sets and granular computing, in general, [26] are aimed at representing knowledge in the form of information granules and forming highly interpretable relationships (models) at the granular level [2], [5] and [6]. Neural networks are endowed with learning capabilities which make them highly adaptive. The distributed character of neural networks leads to evident interpretation difficulties; hence the networks are referred to as black box structures. Ideally, it would e beneficial to design hybrid architectures which come with the advantages of fuzzy systems and neural networks. Such constructs are referred to as logic-oriented neural networks where the name itself alludes to fuzzy set-based aspects of knowledge representation and a neurocomputing facet of learning capabilities. The crux of such logic-oriented networks is schematically visualized in Fig. 1.

Logic oriented networks: development and application. Note a way of ...
Fig. 1.
Logic oriented networks: development and application. Note a way of accommodating prior domain knowledge.
Figure options
The networks of this form offer a unified framework in which neurocomputing and fundamentals of logic computing come hand in hand. In this sense, these networks combine the advantages of neural networks which are inherently associated with learning capabilities and benefits of logic architectures which manifest in their interpretability and transparency. The unified combination of learning flexibility and interpretability becomes a primordial feature of these networks. The transparency of the network greatly facilitates its development: we do not start from scratch and carry out intensive learning (which might be in some case quite inefficient and very much tedious) but rely on some prior knowledge which is instantaneously “downloaded” onto the structure of the network. The initial structure of the network is developed on a basis of some structural hints (points of navigation) conveyed by the existing prior knowledge. The experimental evidence (numeric data) is used to calibrate the network and further refine the structure. Once the learning has been completed the network can be interpreted as each neuron in its structure comes with a well-defined semantics.

The aspect of interpretability of the networks requires attention in case of multiple input systems. The logic description in this case could be quite extended and therefore lead to some deterioration in terms of its interpretability given that the individual variables appear in the network. This shortcoming could be compensated by accepting a scenario that the network operates at the level of multivariable information granules (clusters) and in this way the number of inputs becomes equal to the number of information granules (which is typically far lower than the number of the original variables). Alternatively one could engage in some dimensionality reduction process prior to the design of the logic core of the network itself.

Given the environment of physical variables describing the surrounding world and an abstract view at the system under modeling, a very general view at the architecture of the fuzzy systems and logic-oriented neural networks can portrayed as presented in Fig. 2[25] and [26].

A general view at the underlying architecture of fuzzy models.
Fig. 2.
A general view at the underlying architecture of fuzzy models.
Figure options
It is worth distinguishing between three functional modules of the above architecture as each of them comes with well-defined objectives and roles. The input interface builds a collection of modalities (fuzzy sets and fuzzy relations) that are required to link the fuzzy model and its logic processing core with the external world. This processing core realizes all computing being carried out at the level of fuzzy sets (membership functions) already used in the interfaces. The output interface converts the results of granular (fuzzy) processing into the format acceptable by the modeling environment. In particular, this transformation may involve numeric values being the representatives of the fuzzy sets produced by the processing core. The interfaces could be present in different categories of the models yet they may show up to a significant extent. Their presence and relevance ofthe pertinent functionality depends upon the architecture of the specific fuzzy model and a way in which the model is utilized. The interfaces are also essential when the models are developed on a basis of available numeric experimental evidence as well as some prior knowledge provided by designers and experts.

While this study dwells upon the ideas presented in the previous papers, cf. [20], [21] and [22], in this study we offer a unified view and report on new ideas both in terms of augmented logic architectures, ensuing development frameworks and new interpretation insights.

The organization of the study is reflective on the design aspects of the networks. We start with a discussion on the interfaces modules of the networks which are crucial to the nature of the developed networks (Section 2). Section 3 is devoted to studies of the main functional modules of logic-oriented networks such as aggregative and referential neurons. Uninorms and unineurons constitute a generalized version of logic neurons which bring together the constructs of t-norms and t-conorms ( Section 4). In the sequel we discuss several main categories of the networks distinguishing between their knowledge representation capabilities and architectural developments. The interpretation issues are covered in Section 6. The main categories are of learning schemes are elaborated on in Section 7.

2. Interfaces of logic models
Interfaces form an essential functional entity of the networks. They are encountered in one way or the other in all fuzzy models. The interfaces are quite diversified in their formats and a ways in which input data become translated into the format acceptable at the level of the logic processing. In what follows, we concisely elaborate on the main categories of the interfaces, highlights their functionality, advantages and eventual limitations.

2.1. Granulation of single numeric variables

A single numeric variable can be granulated by using a small number of linguistic entities (say, small, medium, large, etc.) defined in a given universe of discourse. These linguistic terms come with a well-defined semantics that is reflective of the nature of the variable and a way in which such a variable is going to be used in the problem representation and perception as well as any further processing. In the literature there has been a substantial deal of studies devoted to the formation of a vocabulary ofthe linguistic terms and an analysis of the properties of the vocabulary itself. It has been noted that the main featuresof the associated fuzzy sets such as unimodality, coverage of the universe, distinguishability and alike are crucial to the retention of the meaning of the linguistic terms as sound semantic constructs. Furthermore we typically consider only a very limited number of linguistic terms where their number does not exceed 7±2 terms. Different techniques of building such information granules are covered and contrasted in [26]. More formally, consider “c” fuzzy sets A1, A2,…,Ac defined in some space X. Any numeric input x0 is quantified (perceived) in terms of the information granules by computing the degrees of membership A1(x0), A2(x0),…,Ac(x0). There could be different families of fuzzy sets realized in the form of Gaussian membership functions (in which case the properties highlighted above could be accomplished by a suitable distribution of the fuzzy sets and spreads of the fuzzy sets). Triangular fuzzy sets play also a visible role in the formation of the family of fuzzy sets.

From the computationa

ผลลัพธ์ (ไทย) 1:

บทคัดย่อในการศึกษานี้ เราเน้นพื้นฐานและประเด็นสำคัญการพัฒนาของตรรกะควบคุมโครงสร้างของเครือข่ายประสาทเอิบ เครือข่ายเหล่านี้ เรียกว่าเชิงตรรกะข่ายประสาท เป็นน่าสนใจแนวคิด และคำนวณกรอบที่เป็นประโยชน์อย่างมากจากการก่อตั้งของสูงพลังเชื่อมโยงระหว่างเทคโนโลยีของชุดเอิบ (หรือ granular คอมพิวเตอร์ การเพิ่มเติม) และเครือข่ายประสาทข้อดีสำคัญที่สุดของเครือข่ายนำเสนอเป็นสองเท่า ครั้งแรก ความโปร่งใสของสถาปัตยกรรมประสาทจะเกี่ยวข้องอย่างมากเมื่อจัดการกับกลไกการเรียนรู้ที่มีประสิทธิภาพ ที่นี่การเรียนรู้จะขยาย โดยข้อเท็จจริงที่รู้โดเมนอาจจะง่าย ๆ รวมล่วงหน้าก่อนการเรียนรู้ นี้จะสามารถให้ความเข้ากันได้ระหว่างสถาปัตยกรรมของปัญหาและโทโพโลยีอาจของเครือข่ายประสาท สอง เมื่อการฝึกเสร็จ เครือข่ายสามารถได้ตีความ และดัง นั้นโดยตรงเป็ชุดเกิดขึ้นผ่านคอลเลกชันของเม็ดข้อมูลนิพจน์ตรรกะความจริงวัดปริมาณได้การออกแบบเครือข่ายตรรกะเป็นนำหลักการของแกรนูลข้อมูล ตรรกะคอมพิวเตอร์ และเพิ่มประสิทธิภาพรวมทั้งชิ้นต้นแบบแรงบันดาลใจจากเทคนิค (เช่นอนุภาคฝูงเพิ่มประสิทธิภาพ อัลกอริทึมทางพันธุกรรม และเหมือนกัน) เราอธิบายแนวทางการพัฒนาที่มีอยู่ อยู่ชั้น methodological คีย์ และอัลกอริทึม โดยเฉพาะอย่างยิ่ง เราแสดงวิธีสนับสนุนพิมพ์เขียวตรรกะของเครือข่าย โดยการใช้โครงสร้างต่าง ๆ ของชุดที่ตัวดำเนินการตรรกะ neurons ตรรกะ ตัวดำเนินการอ้างอิง และโครงสร้างเชิงเอิบเอิบคำสำคัญชุดเอิบ Neurocomputing ตี Aggregative neurons อ้างอิง neurons เรียนรู้ ตัวดำเนินการตรรกะ1. หมายเหตุเกริ่นนำชุดเอิบและเครือข่ายประสาทประกอบเสาสองอัจฉริยะระบบ [1], [7], [10], [11], [14], [15], [16], [17], [18], [23], [24], [25], [26], [27] และ [29] วาระวิจัยของพวกเขาเป็น orthogonal และเสริมขอบเขตสำคัญมาก ชุดเอิบและ granular คอมพิวเตอร์ ทั่วไป, [26] จะมุ่งแสดงความรู้ในรูปแบบของข้อมูลเม็ด และการขึ้นรูปสูง interpretable ความสัมพันธ์ (แบบจำลอง) ระดับ granular [2], [5] และ [6] เครือข่ายประสาทจะมาเรียนรู้ความสามารถที่ทำให้พวกเขาเหมาะสมมาก กระจายตัวของเครือข่ายประสาทที่นำไปสู่ความยากลำบากในการตีความชัด ดังนั้น เครือข่ายอย่างเป็นโครงสร้างของกล่องดำ ดาว มันจะเป็นประโยชน์ต่อการออกแบบสถาปัตยกรรมไฮบริดที่มาพร้อมกับข้อดีของระบบที่ชัดเจนและเครือข่ายประสาท อี โครงสร้างดังกล่าวอย่างเป็นตรรกะเชิงประสาทเครือข่ายที่ชื่อตัวเอง alludes เอิบตามชุดด้านการนำเสนอความรู้และพได้ neurocomputing ของความสามารถในการเรียนรู้ Schematically จะ visualized ปมของเครือข่ายดังกล่าวมุ่งเน้นตรรกะใน Fig. 1เครือข่ายเชิงตรรกะ: พัฒนาและประยุกต์ หมายเหตุวิธีการ...Fig. 1 เครือข่ายเชิงตรรกะ: พัฒนาและประยุกต์ หมายเหตุวิธีการรองรับโดเมนทราบความรู้ตัวเลือกรูปเครือข่ายของแบบฟอร์มนี้มีกรอบรวมที่ neurocomputing และพื้นฐานของตรรกะที่ใช้งานมามือ ในความรู้สึกนี้ เครือข่ายเหล่านี้รวมข้อดีของเครือข่ายประสาทซึ่งมีความสัมพันธ์กับความสามารถและประโยชน์ของสถาปัตยกรรมตรรกะซึ่งรายการใน interpretability และความโปร่งใสในการเรียนรู้ ชุดประกอบการเรียนยืดหยุ่นและ interpretability กลายเป็น primordial คุณลักษณะของเครือข่ายเหล่านี้ ความโปร่งใสของเครือข่ายการพัฒนาอำนวยความสะดวกอย่างมาก: เราไม่เริ่มจากศูนย์ และดำเนินการเรียนแบบเร่งรัด (ซึ่งอาจเป็นในบางกรณีต่ำมาก และน่าเบื่อมาก) แต่อาศัยความรู้เดิมบางที่ถูก instantaneously "ดาวน์โหลด" ลงบนโครงสร้างของเครือข่าย โครงสร้างเบื้องต้นของเครือข่ายคือพัฒนาบนพื้นฐานของคำแนะนำบางโครงสร้าง (คะแนนนำ) สื่อความหมาย ด้วยความรู้เดิมที่มีอยู่ หลักฐานการทดลอง (ข้อมูล) ใช้ในการปรับเทียบเครือข่าย และปรับปรุงโครงสร้าง เมื่อเสร็จสิ้นการเรียนรู้ เครือข่ายสามารถตีความเป็นมาแต่ละเซลล์ประสาทในโครงสร้าง มีความหมายโดยการด้านของ interpretability เครือข่ายต้องการความสนใจในกรณีที่ป้อนข้อมูลระบบหลาย คำอธิบายตรรกะในกรณีนี้ อาจจะค่อนข้างขยาย แล้วจึง นำไปสู่การเสื่อมสภาพบางอย่างใน interpretability ของระบุว่าตัวแปรแต่ละตัวปรากฏในเครือข่าย นี้คงไม่ได้รับการชดเชย โดยการยอมรับสถานการณ์ที่เครือข่ายดำเนินงานในระดับ ของข้อมูล multivariable เม็ด (คลัสเตอร์) และจำนวนของปัจจัยการผลิตจะเท่ากับจำนวนเม็ดข้อมูล (ซึ่งโดยปกติคือต่ำกว่าจำนวนตัวแปรเดิม) ด้วยวิธีนี้ อีก หนึ่งสามารถมีส่วนร่วมในกระบวนการลด dimensionality ก่อนการออกแบบหลักตรรกะของตัวเครือข่ายเองกำหนดสภาพแวดล้อมของตัวแปรทางกายภาพที่อธิบายโลกรอบและมุมมองนามธรรมในระบบภายใต้โมเดล มุมมองโดยทั่วไปในสถาปัตยกรรมของระบบที่ชัดเจนและตรรกะเชิงเครือข่ายประสาทสามารถเซ็กส์เป็นการนำเสนอใน Fig. 2 [25] [26]มุมมองทั่วไปในสถาปัตยกรรมต้นแบบรุ่นชัดเจนFig. 2 มุมมองทั่วไปในสถาปัตยกรรมต้นแบบรุ่นชัดเจนตัวเลือกรูปมันเที่ยวแยกระหว่าง 3 หมวดงานสถาปัตยกรรมด้านบนแต่ละของพวกเขามา มีบทบาทและวัตถุประสงค์ที่กำหนดไว้อย่างดี อินเทอร์เฟซสำหรับการป้อนค่าสร้างคอลเลกชันของ modalities (ชุดพร่าเลือนและความสัมพันธ์ที่ชัดเจน) ที่ต้องการเชื่อมโยงแบบชัดเจนและหลักการประมวลผลตรรกะกับโลกภายนอก หลักการประมวลผลนี้ตระหนักถึงคอมพิวเตอร์ทั้งหมดดำเนินการระดับเอิบชุด (สมาชิกฟังก์ชัน) ใช้ในอินเทอร์เฟสแล้ว อินเทอร์เฟซสำหรับผลผลิตแปลงผลลัพธ์ของการประมวลผล (เอิบ) granular ในรูปแบบที่ยอมรับ โดยจำลองสภาพแวดล้อม โดยเฉพาะ การเปลี่ยนแปลงนี้อาจเกี่ยวข้องกับค่าตัวเลขที่เป็นตัวแทนของชุดเอิบที่ผลิตตามหลักการประมวลผล อินเทอร์เฟซอาจจะอยู่ในประเภทของรูปแบบ แต่พวกเขาอาจแสดงค่าระดับสำคัญ สถานะและความสำคัญของการทำงานเกี่ยวการขึ้นแบบชัดเจนเฉพาะและวิธีการที่ใช้รูปแบบสถาปัตยกรรม อินเตอร์เฟสก็จำเป็นเมื่อมีพัฒนารูปแบบบนพื้นฐานของหลักฐานการทดลองการใช้เลขที่ว่างเป็นบางความรู้เดิมที่นักออกแบบและผู้เชี่ยวชาญขณะนี้ศึกษาอยู่ตามความคิดที่นำเสนอในเอกสารก่อนหน้า มัทธิว [20], [21] [22], และในการศึกษานี้เรามีมุมมองรวม และรายงานใหม่ ๆ ทั้งในแง่ของออกเมนต์สถาปัตยกรรมตรรกะ เพราะกรอบการพัฒนา และความเข้าใจการตีความใหม่การศึกษาองค์กรที่สะท้อนในด้านการออกแบบเครือข่ายได้ เราเริ่มต้น ด้วยการสนทนาบนโมอินเทอร์เฟซของเครือข่ายซึ่งมีความสำคัญของเครือข่ายพัฒนา (ส่วน 2) 3 ส่วนคือทุ่มเทเพื่อการศึกษาโมทำงานหลักของเครือข่ายเชิงตรรกะเช่น neurons aggregative และอ้างอิง Uninorms และ unineurons เป็นรุ่นเมจแบบทั่วไปของ neurons ตรรกะที่นำโครงสร้างบรรทัดฐาน t และ t-conorms (4 ส่วน) ในภาคนี้ เราหารือหลายประเภทของเครือข่ายที่แยกความแตกต่างระหว่างความสามารถในการนำเสนอความรู้และพัฒนาสถาปัตยกรรมของพวกเขา ปัญหาการตีความครอบคลุมใน 6 ส่วน ประเภทหลักของการเรียนรู้มี elaborated บนโครงร่างใน 7 ส่วนได้2. อินเทอร์เฟสรุ่นตรรกะอินเทอร์เฟซแบบฟอร์มเอนทิตีทำงานสำคัญของเครือข่าย พวกเขาจะพบในทางหนึ่งหรืออื่น ๆ ในรูปแบบที่ชัดเจนทั้งหมด อินเตอร์เฟสจะค่อนข้างมีความหลากหลายในรูปแบบของพวกเขาและวิธีการที่ข้อมูลป้อนเข้าเป็นแปลเป็นรูปแบบยอมรับในระดับของการประมวลผลตรรกะ ในสิ่งต่อไปนี้ เรา concisely อธิบายประเภทหลักของอินเทอร์เฟซ ไฮไลท์การทำงาน ข้อดี และข้อจำกัดใน2.1. แกรนูลของตัวแปรตัวเดียวสามารถได้แต่ตัวแปรตัวเดียวได้ โดยใช้หมายเลขขนาดเล็กของภาษาศาสตร์ตี (พูด ขนาดเล็ก ขนาดกลาง ขนาดใหญ่ etc.) กำหนดไว้ในการอภิปรายของจักรวาลที่กำหนด เงื่อนไขเหล่านี้ภาษาศาสตร์มีความหมายโดยที่จะทำให้ลักษณะของตัวแปรและวิธีการที่ตัวแปรจะใช้ในการนำเสนอปัญหา และรับรู้ ตลอดจนประมวลผลใด ๆ เพิ่มเติม ในวรรณคดี มีจัดการพบของการศึกษาเพื่อรองรับการก่อตัวของคำศัพท์ของภาษาศาสตร์และการวิเคราะห์คุณสมบัติของคำศัพท์เอง ถูกตั้งข้อสังเกตที่ featuresof หลักชุดเอิบสัมพันธ์ unimodality จักรวาล distinguishability และเหมือนจะต้องรักษาความหมายของภาษาศาสตร์เป็นโครงสร้างทางตรรกเสียง นอกจากนี้ เราจะพิจารณาเท่านั้นจำนวนจำกัดมากของภาษาศาสตร์ที่พวกเขาจำนวนไม่เกิน 7±2 เงื่อนไข เทคนิคต่าง ๆ ของอาคารเช่นเม็ดข้อมูลครอบคลุม และต่างใน [26] ขึ้นอย่างเป็นกิจจะลักษณะ พิจารณา "c" ปุยชุดที่ A1, A2,..., Ac กำหนดในบางพื้นที่ X 0 x ใด ๆ สำหรับการป้อนค่าตัวเลขจะ quantified (มองเห็น) ในเม็ดข้อมูล โดยการคำนวณองศาของสมาชิก A1(x0), A2(x0),...,Ac(x0) อาจมีครอบครัวแตกต่างกันของชุดเอิบที่รับรู้ในรูปแบบของฟังก์ชันสมาชิก Gaussian (ในกรณีที่คุณสมบัติที่เน้นด้านบนสามารถดำเนินการ โดยการกระจายเหมาะชุดเอิบและแพร่กระจายของชุดเอิบ) ชุดสามปุยยังเล่นบทบาทที่เห็นได้ในการก่อตัวของเอิบชุดจาก computationa

ผลลัพธ์ (ไทย) 2:

บทคัดย่อในการศึกษาครั้งนี้เรามีสมาธิในปัจจัยพื้นฐานและการพัฒนาที่สำคัญของการสร้างตรรกะที่ขับเคลื่อนด้วยเครือข่ายประสาทเลือน เครือข่ายเหล่านี้เรียกว่าตรรกะที่มุ่งเน้นเครือข่ายประสาทเป็นกรอบแนวคิดและการคำนวณที่น่าสนใจอย่างมากที่ได้รับประโยชน์จากการจัดตั้งของการเชื่อมโยงการทำงานร่วมกันอย่างมากระหว่างเทคโนโลยีของชุดเลือน (หรือคอมพิวเตอร์เม็ดเป็นทั่วไปมากขึ้น) และเครือข่ายประสาท. มากที่สุด ข้อได้เปรียบที่สำคัญของเครือข่ายที่มีการเสนอสองเท่า ครั้งแรกที่ความโปร่งใสของสถาปัตยกรรมประสาทจะกลายเป็นที่เกี่ยวข้องอย่างมากเมื่อต้องรับมือกับกลไกของการเรียนรู้ที่มีประสิทธิภาพ นี่คือการเรียนรู้ที่มีการเติมโดยความจริงที่ว่าความรู้อาจจะรวมได้อย่างง่ายดายล่วงหน้าก่อนที่จะมีการเรียนรู้ใด ๆ นี้จะเป็นไปได้รับความเข้ากันได้ระหว่างสถาปัตยกรรมของปัญหาและเหนี่ยวนำให้เกิดโครงสร้างของเครือข่ายประสาทที่ ประการที่สองเมื่อฝึกอบรมเสร็จเรียบร้อยแล้วเครือข่ายสามารถตีความได้อย่างง่ายดายและทำให้มันแปลได้โดยตรงเป็นชุดของการแสดงออกตรรกะความจริงเชิงปริมาณที่เกิดขึ้นในช่วงคอลเลกชันของเม็ดข้อมูล. ขั้นตอนการออกแบบของเครือข่ายตรรกะร่วมใช้ประโยชน์จากหลักการของข้อมูล แกรนูลคอมพิวเตอร์ตรรกะและการเพิ่มประสิทธิภาพรวมทั้งผู้ที่อยู่ภายใต้แรงบันดาลใจเทคนิคทางชีวภาพ (เช่นการเพิ่มประสิทธิภาพจับกลุ่มอนุภาคขั้นตอนวิธีทางพันธุกรรมและเหมือนกัน) เราทำอย่างละเอียดเกี่ยวกับแนวโน้มการพัฒนาที่มีอยู่ในการแสวงหาความรู้วิธีการที่สำคัญในปัจจุบันและขั้นตอนวิธี โดยเฉพาะอย่างยิ่งเราแสดงให้เห็นว่าพิมพ์เขียวตรรกะของเครือข่ายที่ได้รับการสนับสนุนจากการใช้งานของโครงสร้างต่างๆของชุดเลือนรวมทั้งผู้ประกอบการตรรกะเซลล์ประสาทตรรกะประกอบการอ้างอิงและการสร้างความสัมพันธ์คลุมเครือ. คำชุดฟัซ; Neurocomputing; การแปลความหมาย; เซลล์ประสาท aggregative; เซลล์ประสาทอ้างอิง; การเรียนรู้; ผู้ประกอบการลอจิก1 บันทึกเบื้องต้นชุดฝอยและเครือข่ายประสาทเป็นสองเสาหลักของระบบอัจฉริยะ [1] [7] [10] [11] [14] [15] [16] [17] [18], [ 23] [24], [25], [26] [27] และ [29] วาระการวิจัยของพวกเขาจะค่อนข้างมุมฉากและสมบูรณ์ในระดับที่มีนัยสำคัญ ชุดฝอยและคอมพิวเตอร์เม็ดโดยทั่วไป [26] มีจุดมุ่งหมายเพื่อเป็นตัวแทนของความรู้ในรูปแบบของเม็ดข้อมูลและสร้างความสัมพันธ์อย่างมาก interpretable (รุ่น) ที่ระดับเม็ด [2], [5] [6] โครงข่ายประสาทเทียมมี endowed กับความสามารถในการเรียนรู้ที่ทำให้พวกเขาปรับตัวสูง ตัวละครกระจายเครือข่ายประสาทจะนำไปสู่ความยากลำบากในการตีความที่เห็นได้ชัด; ด้วยเหตุนี้เครือข่ายจะเรียกว่าโครงสร้างกล่องดำ จะเป็นการดีที่มันจะส่งผลประโยชน์ในการออกแบบสถาปัตยกรรมไฮบริดที่มาพร้อมกับข้อได้เปรียบของระบบเลือนและเครือข่ายประสาท โครงสร้างดังกล่าวจะเรียกว่าเป็นตรรกะที่มุ่งเน้นเครือข่ายประสาทที่ชื่อตัวเอง alludes จะเลือนด้านชุดที่ใช้ในการแสดงความรู้และแง่ neurocomputing ของความสามารถในการเรียนรู้ ปมของเครือข่ายตรรกะที่มุ่งเน้นจะถูกมองเห็นแผนผังในรูป 1. เครือข่ายที่มุ่งเน้นการลอจิก: พัฒนาและการประยุกต์ หมายเหตุวิธีการ ... รูป 1. เครือข่ายที่มุ่งเน้นการลอจิก: พัฒนาและการประยุกต์ หมายเหตุวิธีการรองรับความรู้ก่อนที่ก. รูปที่ตัวเลือกเครือข่ายในรูปแบบนี้มีกรอบแบบครบวงจรที่ neurocomputing และพื้นฐานของการคำนวณตรรกะมาจับมือ ในแง่นี้เครือข่ายเหล่านี้รวมข้อดีของเครือข่ายประสาทที่เกี่ยวข้องกับความสามารถโดยเนื้อแท้การเรียนรู้และประโยชน์ของสถาปัตยกรรมตรรกะที่ประจักษ์ใน interpretability และความโปร่งใสของพวกเขา การรวมกันแบบครบวงจรของความยืดหยุ่นและการเรียนรู้ interpretability กลายเป็นคุณลักษณะแรกของเครือข่ายเหล่านี้ ความโปร่งใสของเครือข่ายที่ช่วยอำนวยความสะดวกการพัฒนาของเราไม่ได้เริ่มต้นจากรอยขีดข่วนและดำเนินการการเรียนรู้อย่างเข้มข้น (ซึ่งอาจจะอยู่ในบางกรณีค่อนข้างไม่มีประสิทธิภาพและน่าเบื่อมาก) แต่ขึ้นอยู่กับความรู้ก่อนซึ่งเป็นทันที "ดาวน์โหลด" ลงบนโครงสร้าง ของเครือข่าย โครงสร้างเริ่มต้นของเครือข่ายที่ได้รับการพัฒนาบนพื้นฐานของคำแนะนำโครงสร้างบาง (จุดนำทาง) โดยถ่ายทอดความรู้เดิมที่มีอยู่ หลักฐานการทดลอง (ข้อมูลที่เป็นตัวเลข) จะใช้ในการสอบเทียบเครือข่ายและการปรับแต่งโครงสร้าง เมื่อการเรียนรู้ที่ได้รับการเสร็จสมบูรณ์เครือข่ายสามารถตีความได้ว่าเซลล์ประสาทในโครงสร้างของแต่ละคนมาพร้อมกับความหมายที่ดีที่กำหนด. ทุกแง่มุมของ interpretability ของเครือข่ายที่ต้องให้ความสนใจในกรณีของระบบการป้อนข้อมูลหลาย ๆ คำอธิบายตรรกะในกรณีนี้อาจจะขยายมากและจึงนำไปสู่การเสื่อมสภาพบางอย่างในแง่ของ interpretability ของตัวแปรที่กำหนดว่าบุคคลที่ปรากฏในเครือข่าย ข้อบกพร่องนี้อาจได้รับการชดเชยด้วยการยอมรับสถานการณ์ที่เครือข่ายการดำเนินงานในระดับของเม็ดข้อมูลหลายตัวแปรที่ (กลุ่ม) และด้วยวิธีนี้จำนวนของปัจจัยการผลิตจะกลายเป็นเท่ากับจำนวนของเม็ดข้อมูล (ซึ่งโดยปกติจะต่ำกว่าจำนวนที่ ตัวแปรเดิม) อีกทางเลือกหนึ่งที่จะมีส่วนร่วมในบางขั้นตอนการลดมิติก่อนที่จะมีการออกแบบของหลักตรรกะของเครือข่ายของตัวเอง. ป.ร. ให้สภาพแวดล้อมของตัวแปรทางกายภาพอธิบายรอบโลกและมีมุมมองที่เป็นนามธรรมที่ระบบภายใต้การสร้างแบบจำลองมุมมองทั่วไปมากที่สถาปัตยกรรมของ ระบบเลือนและตรรกะที่มุ่งเน้นเครือข่ายประสาทสามารถภาพที่แสดงในรูป 2 [25] และ [26]. มุมมองทั่วไปในสถาปัตยกรรมพื้นฐานของรุ่นเลือน. รูป 2. มุมมองทั่วไปในสถาปัตยกรรมพื้นฐานของรุ่นเลือน. รูปที่ตัวเลือกเป็นมูลค่าการแยกความแตกต่างระหว่างสามโมดูลการทำงานของสถาปัตยกรรมดังกล่าวข้างต้นเป็นแต่ละของพวกเขามาพร้อมกับวัตถุประสงค์ที่ดีที่กำหนดและบทบาท อินเตอร์เฟซการป้อนข้อมูลสร้างคอลเลกชันของรังสี (ชุดเลือนและความสัมพันธ์คลุมเครือ) ที่จะต้องเชื่อมโยงรูปแบบเลือนและหลักของการประมวลผลตรรกะกับโลกภายนอก แกนประมวลผลนี้ตระหนักคอมพิวเตอร์ทั้งหมดจะถูกดำเนินการในระดับของชุดเลือน (ฟังก์ชั่นสมาชิก) ที่ใช้อยู่แล้วในการเชื่อมต่อ อินเตอร์เฟซที่ออกผลของการแปลงเม็ด (เลือน) การประมวลผลในรูปแบบที่ยอมรับได้โดยการสร้างแบบจำลองสภาพแวดล้อมที่ โดยเฉพาะอย่างยิ่งการเปลี่ยนแปลงนี้อาจเกี่ยวข้องกับค่าตัวเลขที่เป็นตัวแทนของชุดเลือนที่ผลิตโดยหลักของการประมวลผล อินเตอร์เฟซที่อาจจะอยู่ในประเภทที่แตกต่างของรูปแบบ แต่พวกเขาอาจแสดงขึ้นในระดับที่มีนัยสำคัญ การแสดงตนและความเกี่ยวข้อง ofthe การทำงานที่เกี่ยวข้องของพวกเขาขึ้นอยู่กับสถาปัตยกรรมของรูปแบบที่เฉพาะเจาะจงเลือนและวิธีการที่ในรูปแบบที่ถูกนำมาใช้ อินเตอร์เฟซยังมีส่วนสำคัญเมื่อรุ่นได้รับการพัฒนาบนพื้นฐานของหลักฐานการทดลองที่เป็นตัวเลขที่มีอยู่เช่นเดียวกับบางความรู้ก่อนการให้บริการโดยนักออกแบบและผู้เชี่ยวชาญ. ในขณะที่การศึกษาครั้งนี้อาศัยอยู่กับความคิดที่นำเสนอในเอกสารก่อน cf เลย [20] [21] และ [22] ในการศึกษาครั้งนี้เราขอนำเสนอมุมมองแบบครบวงจรและรายงานเกี่ยวกับความคิดใหม่ทั้งในแง่ของสถาปัตยกรรมตรรกะเติม, ลีสซิ่งกรอบการพัฒนาและข้อมูลเชิงลึกตีความใหม่. องค์กรของการศึกษาคือการสะท้อนแสงบน ด้านการออกแบบของเครือข่าย เราเริ่มต้นด้วยการอภิปรายเกี่ยวกับการเชื่อมต่อโมดูลของเครือข่ายที่มีความสำคัญต่อลักษณะของเครือข่ายการพัฒนาที่เป็น (ส่วนที่ 2) ส่วนที่ 3 จะทุ่มเทให้กับการศึกษาของโมดูลการทำงานหลักของเครือข่ายที่มุ่งเน้นตรรกะเช่นเซลล์ประสาท aggregative และอ้างอิง Uninorms และ unineurons เป็นรุ่นทั่วไปของเซลล์ประสาทตรรกะที่นำมารวมกันสร้างเสื้อบรรทัดฐานและเสื้อ conorms (ส่วนที่ 4) ในผลสืบเนื่องที่เราหารือหลายประเภทหลักของเครือข่ายความแตกต่างระหว่างความสามารถในการแสดงความรู้และการพัฒนาสถาปัตยกรรม ประเด็นการตีความจะครอบคลุมในมาตรา 6 ประเภทหลักของรูปแบบการเรียนรู้ที่จะมีเนื้อหาในมาตรา 7 2 การเชื่อมต่อรูปแบบตรรกะการเชื่อมต่อในรูปแบบกิจการการทำงานที่สำคัญของเครือข่าย พวกเขาจะพบในทางเดียวหรืออื่น ๆ ในรูปแบบเลือนทั้งหมด อินเตอร์เฟซจะค่อนข้างมีความหลากหลายในรูปแบบและวิธีการของพวกเขาในการที่ข้อมูลของท่านกลายเป็นแปลเป็นรูปแบบที่ยอมรับในระดับของการประมวลผลตรรกะ ในสิ่งต่อไปนี้เรารัดกุมอย่างละเอียดในประเภทหลักของอินเตอร์เฟซ, ไฮไลท์ทำงานของพวกเขาได้เปรียบและข้อ จำกัด ในที่สุด. 2.1 เม็ดของตัวแปรที่เป็นตัวเลขเดียวตัวแปรที่เป็นตัวเลขเดียวสามารถทรายโดยใช้จำนวนน้อยของหน่วยงานทางภาษา (พูด, ขนาดเล็กขนาดกลางขนาดใหญ่และอื่น ๆ ) ที่กำหนดไว้ในจักรวาลที่กำหนดของวาทกรรม เหล่านี้แง่ภาษามาพร้อมกับความหมายที่ดีที่กำหนดว่าจะสะท้อนธรรมชาติของตัวแปรและวิธีการที่ตัวแปรดังกล่าวเป็นไปที่จะใช้ในการแสดงปัญหาและการรับรู้เช่นเดียวกับการประมวลผลใด ๆ ต่อไป ในวรรณคดีมีการจัดการอย่างมีนัยสำคัญของการศึกษาที่ทุ่มเทให้กับการก่อตัวของคำศัพท์ ofthe แง่ภาษาและการวิเคราะห์คุณสมบัติของคำศัพท์ที่ตัวเองได้ มันได้รับการตั้งข้อสังเกตว่าหลัก featuresof ชุดเลือนที่เกี่ยวข้องเช่น unimodality คุ้มครองของจักรวาล, distinguishability เหมือนกันและมีความสำคัญต่อการเก็บรักษาตามความหมายของคำที่เป็นภาษาโครงสร้างความหมายของเสียง นอกจากนี้เรามักจะพิจารณาเพียงจำนวน จำกัด มากของคำภาษาของพวกเขาซึ่งมีจำนวนไม่เกิน 7 ± 2 แง่ เทคนิคที่แตกต่างกันของการสร้างเม็ดข้อมูลดังกล่าวได้รับความคุ้มครองและความแตกต่างใน [26] อีกอย่างเป็นทางการพิจารณา "C" ชุดเลือน A1, A2, ... , Ac กำหนดไว้ในพื้นที่บางส่วนเอ็กซ์ x0 การป้อนข้อมูลที่เป็นตัวเลขใด ๆ ที่จะวัด (รับรู้) ในแง่ของเม็ดข้อมูลโดยการคำนวณองศาของการเป็นสมาชิก A1 (x0) A2 ( x0), ... , Ac (x0) อาจจะมีครอบครัวที่แตกต่างกันของชุดเลือนรู้ในรูปแบบของฟังก์ชั่นสมาชิกเสียน (ในกรณีที่คุณสมบัติดังกล่าวข้างต้นที่ไฮไลต์ที่อาจจะประสบความสำเร็จโดยการกระจายที่เหมาะสมของชุดเลือนและกระจายในชุดเลือน) ชุดเลือนสามเหลี่ยมเล่นยังมีบทบาทในการมองเห็นการก่อตัวของครอบครัวชุดเลือน. จาก computationa

ผลลัพธ์ (ไทย) 3:

นามธรรม
ในการศึกษานี้จึงมุ่งประเด็นการพัฒนาที่สำคัญของตรรกะพื้นฐานและโครงสร้างของโครงข่ายประสาทเทียมแรงงง เครือข่ายเหล่านี้เรียกว่าตรรกะเชิงเครือข่ายระบบประสาท ,เป็นแนวคิดที่น่าสนใจเกี่ยวกับคอมพิวเตอร์และประโยชน์อย่างมากจากการเพิ่มการเชื่อมโยงสูงระหว่างเทคโนโลยีของชุดฟัซซี่ ( หรือเม็ดคำนวณเป็นทั่วไปมากขึ้น ) และโครงข่ายประสาทเทียม .

ข้อดีที่สำคัญที่สุดของเครือข่ายเป็นสองเท่า ครั้งแรกความโปร่งใสของประสาทสถาปัตยกรรมกลายเป็นที่เกี่ยวข้องอย่างมาก เมื่อจัดการกับกลไกของการเรียนรู้ที่มีประสิทธิภาพ ที่นี่เรียนถูกเติมโดยความจริงที่ว่าความรู้สามารถรวมได้อย่างง่ายดายในใด ๆล่วงหน้าก่อนเรียน นี้จะสามารถให้ความเข้ากันได้ระหว่างสถาปัตยกรรมของปัญหาและเกิดโครงสร้างของเครือข่ายประสาท ประการที่สองเมื่ออบรมเสร็จเรียบร้อยแล้ว , เครือข่ายที่สามารถตีความได้อย่างง่ายดายและดังนั้นจึงโดยตรงแปลเป็นชุดของตรรกะนิพจน์จริงนั้นเกิดขึ้นผ่านคอลเลกชันของเม็ดข้อมูล

ขั้นตอนการออกแบบตรรกะของเครือข่าย synergistically หาประโยชน์หลักข้อมูลเม็ด ,การคำนวณตรรกะและเพิ่มประสิทธิภาพ รวมถึงผู้ที่ได้แรงบันดาลใจจากเทคนิคพื้นฐาน ( เช่นการเพิ่มประสิทธิภาพกลไกฝูงอนุภาคขั้นตอนวิธีเชิงพันธุกรรมและเหมือนกัน ) เราซับซ้อนในการพัฒนาที่มีอยู่ในปัจจุบันและแนวโน้ม การแสวงหากุญแจอัลกอริธึม โดยเฉพาะอย่างยิ่งเราแสดงวิธีการตรรกะพิมพ์เขียวของเครือข่ายที่ได้รับการสนับสนุนโดยการใช้โครงสร้างของชุดฟัซซี่ลอจิกต่างๆ รวมทั้งผู้ประกอบการ กลุ่มผู้ประกอบการตรรกะและโครงสร้างแบบสัมพันธ์ไปด้วย


ชุดคำหลักคลุมเครือ ; ประสาทคอมพิวเตอร์ การตีความ aggregative ไปด้วยเซลล์ประสาทเซลล์ประสาท ; ; การเรียนรู้ ; ผู้ประกอบการตรรกะ
1
โน้ตเบื้องต้นชุดคลุมเครือและโครงข่ายประสาทเทียมเป็นสองเสาหลักของระบบ [ 1 ] ฉลาด , [ 7 ] , [ 10 ] [ 11 ] [ 14 ] [ 15 ] [ 16 ] , [ 17 ] , [ 18 ] , [ 23 ] , [ 24 ] , [ 25 ] [ 26 ] , [ 27 ] และ [ 29 ] วาระการวิจัยของพวกเขาจะค่อนข้างตั้งฉากและประกอบกับขอบเขตที่สำคัญ แบบชุดและคอมพิวเตอร์แบบทั่วไป[ 26 ] มุ่งแสดงความรู้ในรูปของเม็ดข้อมูล และการสร้างความสัมพันธ์ interpretable สูง ( แบบ ) ที่ระดับเม็ด [ 2 ] , [ 5 ] [ 6 ] โครงข่ายประสาทเทียมเป็น endowed กับความสามารถในการเรียนรู้ซึ่งทำให้การปรับตัวสูง แบบตัวละครของโครงข่ายประสาทเทียม นำไปสู่การตีความความชัดเจน ;ดังนั้น เครือข่ายจะเรียกว่าโครงสร้างกล่องสีดำ ซึ่งจะเป็นประโยชน์ต่อการออกแบบสถาปัตยกรรมและไฮบริดซึ่งมาพร้อมกับข้อได้เปรียบของระบบฟัซซี่ และโครงข่ายประสาทเทียม โครงสร้างดังกล่าวจะเรียกว่าตรรกะเชิงเครือข่ายประสาทที่ชื่อมันลอกเลียนมาจากเซตวิภัชนัยตามลักษณะของการแทนความรู้และประสาทคอมพิวเตอร์ในแง่ของความสามารถในการเรียนรู้ .ปมของเรื่องคือแผนผังเครือข่ายตรรกะเชิงปรากฏการณ์ในรูปที่ 1

ตรรกะเชิงเครือข่าย : การพัฒนาและการประยุกต์ใช้ หมายเหตุ วิธีการ . . . . . . .
รูปที่ 1 ตรรกะเชิงเครือข่าย
: การพัฒนาและการประยุกต์ใช้ หมายเหตุวิธีรองรับความรู้

เลือกรูปก่อนเครือข่ายรูปแบบนี้ให้รวมกรอบที่ประสาทคอมพิวเตอร์และพื้นฐานของตรรกะการคำนวณไปมือในมือ ในความรู้สึกนี้ , เครือข่ายเหล่านี้รวมข้อดีของโครงข่ายประสาทเทียมซึ่งเป็นอย่างโดยเนื้อแท้ที่เกี่ยวข้องกับการเรียนรู้ความสามารถและประโยชน์ของตรรกะสถาปัตยกรรมที่ปรากฏใน interpretability และความโปร่งใส