Navigation/Menü: Links auf weitere Seiten dieser Website sowie Banner
Kombination von Fuzzy-Systemen und Neuronalen Netzen
Kombination von Fuzzy-Systemen und Neuronalen Netzen
Es gibt verschiedene Arten von Kombinationen von Fuzzy-Systemen mit neuronalen Netzen. In dieser Arbeit dienen neuronale Netze der Optimierung von Fuzzy-Systemen. Stellt man die Eigenschaften beider Theorien gegeneinander, wie in Tabelle 3.1 dargestellt, so stellt man fest, dass sie sich positiv ergänzen.
|
Eigenschaften
|
Fuzzy - Systeme
|
Neuronale Netze |
|
mathematisches Prozessmodell |
Nein |
Nein |
|
Lernfähigkeit
|
Nein |
Ja |
|
Interpretierbarkeit
|
Ja |
Nein |
|
a-priori Wissen nutzbar
|
Ja |
Nein |
|
Regelwissen erforderlich
|
Ja |
Nein |
|
Generalisierungsfähigkeit
|
Ja |
Ja |
Tabelle 1 Vergleich von Fuzzy-Systemen und neuronalen Netzen. Schulze (1997)
In neuronale Netze kann kein a-priori Wissen einfliessen, das heißt das neuronale Netz muss sein Wissen ausschließlich durch Lernen erwerben. Außerdem ist ein trainiertes neuronales Netz nicht interpretierbar, es weist ein sogenanntes ’Blackbox Verhalten’ auf. Dagegen ist bei Fuzzy-Systemen a-priori Wissen bei der System-Erstellung nutzbar. Das fertige Fuzzy-Modell ist außerdem transparent und kann bei Bedarf modifiziert werden. Hingegen ist ein Fuzzy-System nicht lernfähig. Diese Eigenschaft kann das neuronale Netz wiederum aufweisen. Durch die Kombination von Fuzzy-Systemen und neuronalen Netzen erhält man am Ende ein Neuro-Fuzzy-System, das transparent (Fuzzy-Systeme) und adaptiv (Neuronales Netz) ist.
KONTAKT
MILIEU -
Centre for Urban Earth Systen StudiesFreie Universität Berlin
FB Geowissenschaften
Institut f. Meteorologie
Carl-Heinrich-Becker-Weg 6-10 12165 Berlin
Dr. Lydia Dümenil Gates
+49 (0)30 838-71179
lydia.dumenilgates@met.fu-berlin.de
