495

Мақолада турли турдаги муносабатлар функцияси билан Сугено тилидаги нейроноравшан моделлар таҳлил қилинган. Хатоларни қайта тарқалиши ва кичик квадрат усулларини
бирлаштирувчи энг тез тушиш ва гибрид оптималлаштириш усулари таққосланган. Технологик
параметр ёрдамида нейро-норавшан модель билан Grid partition ва Sub Clustering алгоритми
бўйича ҳисоблаш натижалари солиштириб таҳлил қилинган.
 

  • Internet ҳавола
  • DOI
  • UzSCI тизимида яратилган сана 13-02-2020
  • Ўқишлар сони 473
  • Нашр санаси 11-09-2017
  • Мақола тилиO'zbek
  • Саҳифалар сони3-10
Ўзбек

Мақолада турли турдаги муносабатлар функцияси билан Сугено тилидаги нейроноравшан моделлар таҳлил қилинган. Хатоларни қайта тарқалиши ва кичик квадрат усулларини
бирлаштирувчи энг тез тушиш ва гибрид оптималлаштириш усулари таққосланган. Технологик
параметр ёрдамида нейро-норавшан модель билан Grid partition ва Sub Clustering алгоритми
бўйича ҳисоблаш натижалари солиштириб таҳлил қилинган.
 

Русский

В статье проанализированы нейро-нечеткие модели типа Сугено с разными видами
функций принадлежности. Охарактеризованы оптимизационные методы обратного
распространения ошибки, основанные на идеях наискорейшего спуска, и гибридного алгоритма,
объединяющего методы обратного распространения ошибки и наименьших квадратов.
Осуществлен сравнительный анализ результатов, полученных с использованием нейро-нечетких
моделей, с экспериментальными данными по алгоритмам Grid partition и Sub Clustering на основе
технологических параметров.

English

The article deals with an analysis of the neuro-fuzzy Sugeno models with different types of
membership functions. There was given a comparison between the optimization method of back
propagation, based on the idea of steepest descent and the hybrid algorithm that combines methods of
back-propagation errors and least squares. There was also given a comparative analysis of the
experimental results on such algorithms as Grid partition and Sub Clustering with different technological
parameters.

Ҳавола номи
1 Исмаилов М.А. Формирование диагностического пространства для производственных объектов с неоднородными характеристиками// Проблемы информатики и энергетики. 2015. №5. С. 3−11.
2 Рутковская Д., Пилинский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечёткие системы/ Пер. с польск. Рудинского И.Д. М.: Горячая Линия –Телеком, 2004. – 452 с.
3 Engelbrecht A. Computational intelligence: an introduction. Sidney: John Wiley & Sons, 2007. – 597 p
4 Бочкарев С.В., Петроченков А.Б., Ромодин А.В. Интегрированная логистическая поддержка эксплуатации электротехнических изделий. Уч. пос. Пермь.: Изд-во Перм. гос. техн. ун-та, 2009. – 398 с.
5 Jang J.-S.R., Sun C.T., Mizutani E. Neuro-Fuzzy and Soft Computing. A Computational Approach to Learning and Machine Intelligence. Prentice-Hall International, 1997.
6 Kosko B. Fuzzy Engineering. New Jersey: Prentice-Hall, 1997.
7 Wang Li-Xin. A Course in Fuzzy Systems and Control. Prentice Hall PTR. Upper Saddle River. NJ, 1997.
8 Bikbulatov A., Batyrshin I. Tuning of operations in fuzzy models by neural nets // Proceedings of 7t h Zittau Fuzzy Colloquium. Zittau, 1999. P. 142−147.
9 Ходашинский И.А. Идентификация нечетких систем: методы и алгоритмы// Проблемы управления. 2009. №4. С. 15−23
10 Ротштейн А.П., Котельникова Д.И. Идентификация нелинейных зависимостей нечеткими базами знаний // Кибернетика и системный анализ. 1998. № 5. С. 53−61.
11 Штовба С.Д. Проектирование нечетких систем средствами MATLAB. М.: Горячая линия. – Телеком, 2007. – 288 с
Кутилмоқда