fuzzy-xcs: michiganský štýl genetického fuzzy systému
DESCRIPTION
Fuzzy-XCS: Michiganský štýl genetického fuzzy systému. Július Pavlovský. Úvod. algoritmy evolučného učenia štýly v evolučnom učení Fuzzy-XCS Cykly Algoritmus Zloženie Experiment Laboratórny problém so zovšeobecnením. Algoritmy evolučného učenia. “strength-based (silovo - založené)” - PowerPoint PPT PresentationTRANSCRIPT
Fuzzy-XCS: Michiganský štýl genetického fuzzy systému
Július Pavlovský
Úvod
algoritmy evolučného učenia štýly v evolučnom učení Fuzzy-XCS
– Cykly– Algoritmus– Zloženie
Experiment– Laboratórny problém so zovšeobecnením
Algoritmy evolučného učenia
“strength-based (silovo - založené)” – pravidlo sily narastá pri interakcii – dva účely
riešenie konfliktov medzi pravidlami počas učenia základ fitness pre EA
“accuracy-based (založené na presnosti)”– Fitness pravidlo je odvodené od pravidla presnosti– výhody
Nemá nadradené pravidlá úplné učenie "vrátane máp
– prvý XCS – Fuzzy-XCS = prispôsobený pre fuzzy systémy
Použité štýly v evolučnom učení
Michiganský štýl – jednoduché pravidlá (klasifikátory) – interaguje s prostredím a vie sa prispôsobiť
zmenám prostredia – generovanie klasifikátora pomocou GA– riešenie reprezentované populáciou
Pittsburgský štýl – trénovanie na predvolenej množine – evolučný zápas viacerých jedincov – jedinec reprezentuje znalosť o pravidlách – žiadna interakcia medzi jedincami
Fuzzy-XCS
systém, ktorý využíva na reprezentáciu lingvistické pravidlá a fuzzy množiny a EA pre zistenie pravidla.
on-line učenie (učenie FP) zovšeobecnené pravidlá
– Kompaktnejšie základné pravidlo– rýchlejšia inferencia– lepšia lingvistická interpretácia
Fuzzy-XCS
2 cykli– akcia
vygenerujú sa množiny získajú sa kandidáti podmnožín vyberie sa akcia množín vydedukovaný výstup a akcia na prostredie
– učenie získať odmenu urobiť kreditnú distribúciu aktualizovať hodnotu chyby predikovať fitnes a skúsenosť aplikovať získane komponenty s cieľom vytvárať nové fuzzy
pravidlá
Schéma fuzzy XCS
Fuzzy-XCS
Zovšeobecnenie reprezentácie
– binárny kódovací systém
Vykonanie súčastí– Fuzzy pravidlá sa prispôsobia sa prispôsobujú
stupňu väčšiemu ako nula
Posilňovacia zložka Objavovacia zložka
Vykonanie súčastí
Porovnávanie konštrukcie množín– Fuzzy pravidlá sa prispôsobujú stupňu väčšiemu
ako nula
Výpočet kandidáta podmnožín– oddiely [M] čísel sa vzájomne vylučujú podľa
akcie každého pravidla – Výplývajúce "lingvistické akcie" rovnako
posudzované– skúmanie / využívanie je krok zo selekčnej
štruktúry s pravdepodobnosťou 0.5
Vykonanie súčastí
Proces výberu množiny ([A])– Výber zhodného alebo prebytočného pravidla
podmnožiny s najvyššou možnou predikciou
Akcia agregácie– DNF-typ fuzzy pravidiel – FATI prístup– Agregácia T-konorma max, T-norma min
implikáciu operátora
Posilňovacia zložka
Predikcia, chyba predikcie a fitnes Widrow – Hoff Ditribúcia fuzzy-XCS pôsobí na množinu [A]
Výpočet váhy pre fuzzy pravidlo
Parameter aktualizácie
Jednoduchý krok
Objavovacia zložka
Použitie EA na množinu [A]– Aplikovanie na odpálené FP– Výber 2 pravidiel (RM)– Kríženie, mutácia => voženie nového potomka
Experiment
Na efektívnosť fuzzy-XCS– Generovanie množiny dát z vopred def. BFP– 2 vstupné premenné a 1 výstupná– 576 príkladov v pristore 24x24– 5 lingvistických termov pre každú premennú– Trojuholníkové funkcie príslušnosti– FATI prístup– Minimálna konjunkcia a implikácia– Maximálna disjunkcia a agregácia– Stredná váha defuzzifikácie
Experiment
priemerne správanie 10 bežiacich pokusov Fuzzy-XCS
hore“: relatívna početnosť 5 opt. FP
– Najdenie a udržanie opt. Rieš dole: priemerná chyba aproxim.
– Vhodná akcia k prísluš. Stavu Dobrý výkon z aplik. a chyby
aprox.
Porovnanie experimentov
1.0 znamená optimálne pravidlo bolo všade získané výhody:
– online učenie oproti gen. fuzzy systémom– schopnosti získava maximálnym zovšeobecnením oproti
fuzzy gen. systémom Michiganského typu
Otázky na záver ?
Ďakujem za pozornosť