自适应神经模糊推理系统(ANFIS)

时间:2011-03-05 19:17:42

标签: artificial-intelligence machine-learning classification

您是否有ANFIS(自适应神经模糊推理系统)的示例或解释,我读到这可以应用于对某些疾病进行分类,您如何看待它?

4 个答案:

答案 0 :(得分:2)

通常,为了开发模糊系统,您必须确定if-then规则,合适的隶属函数及其参数。这并不总是一项微不足道的任务,尤其是开发正确的if-then规则可能非常耗时,因为我们首先必须以某种方式“提取”专家知识。

这就是ANFIS发挥作用的地方:在某些情况下,它可以自动确定成员函数的合适参数。特别是当我们已经有一组输入和相关的输出变量和值时就是这种情况。与人工神经网络一样,ANFIS系统能够“自动”调整它们之间的节点和连接。

对于您的问题:您可以为您的疾病分类创建一个ANFIS系统,只要您已经拥有可用于系统培训的输入和输出数据。但它不一定与这样的系统相关联,你可以看到ANFIS更多的是在上述情况下可用的方法,而不是特定问题的工具。这一切都取决于您想要创建的系统的要求,以及已知的(外部)前提条件......

希望有所帮助!

答案 1 :(得分:2)

正如Matthias所说,ANFIS没有映射到特定问题,您可以根据问题要求使用它。但是在哪里使用ANFIS:你可以将它用于任何有问题的问题。

实际上这是FIS(模糊推理系统)的特性。马蒂亚斯解释说,适应性的角色。

对于前。采取着名的分类问题,将输入分类到任何类并不总是完全确定,它有点模棱两可。因此,根据您是否能够正确建模系统或使用ANFIS,使用ANFIS可以提供​​比其他分类算法更好的结果。

但与其他非模糊方法相比,使用ANFIS计算成本昂贵。为了使FIS能够完美地模拟您的问题,您将添加一部分。这仅使隶属函数选择自适应。那么if-then规则怎么样?为此,您必须从完整的可能规则库中进行无监督的规则选择(这基本上是一种无监督的聚类问题,您尝试将其效果相同的所有规则分组)。

答案 2 :(得分:0)

到目前为止,我找到了university 'Monash' that explainsbased on the guide of Matlabs's Fuzzy Logic Toolbox)ANFIS。

我们考虑的模糊推理系统是一个映射的模型:

  • 输入要输入的特性 会员职能
  • 输入 成员函数规则
  • 规则 一组输出特征
  • 输出特性输出 会员职能
  • 输出隶属函数为a 单值输出,或决策 与输出相关联。

答案 3 :(得分:0)

是的,它可以用于疾病分类。 由于ANFIS的思想是在ANN的架构中结合模糊系统。在这种情况下,ANFIS有两个主要好处。

首先,您可以使用支持语言变量的模糊变量,它适用于通常用作系统输入的疾病症状(输入>>疼痛等级的例子:低,中,高)。

其次,由于架构映射到ANN层,ANFIS可以进行训练过程,旨在创建更准确的结果(例如:使用反向传播方法)。