Mantık Sistemleri – Multimedya Bölümü – Multimedya Bölümü Ödevleri – Multimedya Bölümü Tez Yaptırma –Multimedya Bölümü Ödev Ücretleri

Mantık Sistemleri

Bulanık mantık sistemleri, sinir ağlarının aksine, üst düzey bulanık kural düşünme ve muhakeme ile yapısal bir çerçeve sunar. Bulanık sistemler kararlarını, bir değerin ait olduğu bulanık kümeyi ve o kümedeki üyelik derecesini belirlemek için kullanılan formüller olan üyelik fonksiyonları tarafından tanımlanan dilsel değişkenler biçimindeki girdilere dayandırır.

Daha sonra değişkenler, kuralların tetikleme güçlerini hesaplamak için dil kurallarının önkoşullarıyla eşleştirilir ve her bir kuralın yanıtı, bulanık çıkarım yoluyla elde edilir. Bileşik bir çıkarım kuralının ardından, her kuralın yanıtı, kuralın tetikleme gücüne göre ağırlıklandırılır.

Çıktıyı hesaplamak için Gauss üyelik fonksiyonlarını ve bir centroid durulaştırma şemasını kullanan bulanık bir sistem için son zamanlarda popüler hale geldi. Bu kısmen, yeterli bulanık mantık kurallarının mevcut olması koşuluyla, kompakt bir küme üzerindeki herhangi bir gerçek sürekli fonksiyona gelişigüzel bir doğrulukla yaklaşmak için bu kombinasyonun kabiliyetinden kaynaklanmaktadır.

Sinir ağı literatüründe, gizli düğüm fonksiyonları olarak normalleştirilmiş RBF’lere sahip sinir ağlarının da evrensel yaklaşımlayıcılar olduğu tespit edilmiştir. Bu nedenle, sinir ağları, özellikle modüler yapıya sahip olanlar ve bulanık sistemler, yaklaşım yetenekleri açısından benzerdir.

Ayrıca çok keskin bir yapısal benzerlik taşırlar. İyi bir örnek, bulanık çıkarım motorunu ve MOE modüler sinir ağlarını karşılaştırmaktır. Benzerliği daha da genişleterek, bulanık sistemlerin ve sinir ağlarının kesişimi aslında geniş bir öğrenme ağları ailesini tanımlar.

Aşağıda, bu model ailesinin ortak bir matematiksel formülasyon ve sistem mimarisi üzerine inşa edilebileceği gösterilebilir. Öğrenme yetenekleri açısından, gizli düğümler olarak RBF’lere sahip sinir ağları temel olarak Gauss üyelik fonksiyonu, çarpım çıkarımı ve tekil sonuçlara sahip bulanık kurallar kullanan bulanık sistemlere eşdeğerdir.

Bir RBF MOE ağı ve bir bulanık çıkarım sisteminin, MOE’nin geçitleme ağı, üyelik fonksiyonuna ve bulanık If-Then kuralındaki And işlemine göre bulanık üyelik değerleri ürettiği sürece esasen eşdeğer olduğu gösterilmiştir.

Yukarıdaki analizi akılda tutarak, MOE’nin uzman düzeyinde bölümleme stratejileri ile DBNN’nin sınıf düzeyinde bölümlemesini birleştirerek tasarlanan hiyerarşik bir bulanık sinir ağının, doğrusal kanal füzyonu için çekici bir işleme yapısı sunduğunu gösterdi. Özellikle, sınıfa bağlı kanal füzyonu için sınıf içinde uzman hiyerarşik yapısını (ECHS) ve veriye bağlı kanal füzyonu için uzman sınıfı hiyerarşik yapısını (CEHS) benimsemeyi önerdiler.

Sınıfa Bağlı Kanal Füzyonu için Hiyerarşik Bulanık Sinir Ağları

ECHS’nin mimarisi, gösterilen sınıfa bağlı kanal füzyon modeliyle tamamen aynıdır. İç bloklar uzman düzeyinde modüller içerirken, dış bloklar sınıf düzeyindedir.

Bu tür bir ağın tipik bir örneği, sınıf ayırma işlevini çoklu olasılık dağılımının bir karışımı olarak tanımlayan hiyerarşik DBNN’dir. Yani, hiyerarşik DBNN’deki ωc sınıfının diskriminant fonksiyonu, aşağıdaki gibi tanımlanabilen bir sınıf koşullu olabilirlik yoğunluğudur.

Bu uzman düzeyindeki (veya kural düzeyindeki) hiyerarşide, bir sınıftaki her bir gizli düğümün, belirli bir yerel uzmanı, belirli bir girdi vektörünü yorumlama yeteneğini yansıtan değişen bir güven derecesiyle modellemek için kullanılması gerektiğine de dikkat edin. Önceki yazılarımızda açıklanan yerel olarak denetlenmeyen ve küresel olarak denetlenen şemalar, OCON ağını eğitmek için de uyarlanabilir.

Mantık Nedir
Bulanık mantık Nedir
Klasik mantık ve bulanık mantık arasındaki farklar
Bulanık mantık nerelerde kullanılır
Sembolik mantık tablosu
Mantık Bilimi
Bulanık mantık örnekleri
Mantık ilkeleri

Veriye Bağlı Kanal Füzyonu için Hiyerarşik Bulanık Sinir Ağları

CEHS’nin mimarisinde de gösterilen veriye bağımlı kanal füzyon modeliyle tamamen aynıdır. İç bloklar sınıf modüllerini içerirken, dış bloklar uzman modüllerdir. Her uzmanın kendi hiyerarşik DBNN sınıflandırıcısı da vardır.

Hiyerarşik DBNN’lerin çıktıları, softmax fonksiyonları tarafından arka olasılıklara dönüştürülür. Bu füzyon şemasında, uzman ağırlıklandırması P (Ej |x), giriş modeli x’in bir fonksiyonudur. Bu nedenle, bireysel bir uzmanın önemi, gözlemlenen farklı girdi modellerine göre de değişebilir.

Ağ, bir sınıf (yani, p(x) verildiğinde x(t) gözlemleme olasılığı yerine, x(t ) (yani, P (ωi |x(t ), Ck )) verilen bir sınıfı seçmenin son olasılıklarını benimser. (t )|ωi , Ck )), her kümenin diskriminant fonksiyonunu modellemek için de kullanılır.

Hiyerarşik bulanık sinir ağlarının bu versiyonu için, giriş modeli x(t) olduğunda uzman k’nın güvenini temsil eden yeni bir güven P(Ck|x(t)) atanır. Buna göre, olasılık modeli olacak şekilde de değiştirilir.

Burada p(x(t)|Ck), p(x(t)|Ck) = i P(ωi|Ck)p(x(t)|ωi,Ck) olarak hesaplanabilir ve P(Ck) öğrenilebilir p(x(t )|ωi , Ck ) ile değiştirilen denklem (6.18) ile p(x(t )|Ck ). P(Ck) terimi, k kanalında sahip olduğumuz “genel güven” olarak da yorumlanabilir. Sınıfa bağlı yaklaşımdan farklı olarak, geri alma aşamasında her bir test modeli için füzyon ağırlıklarının hesaplanması da gerekir. Bu veriye bağlı füzyon şemasının, PDBNN ve MOE’nin bir kombinasyonu olarak kabul edilebileceğine de dikkat edin.

Uygulama örneği: Sınıf bağımlı kanal birleştirme şemasının araç tanıma ve yüz tanıma problemlerinde çok iyi sınıflandırma performansına sahip olduğuda  gözlemlenmiştir.

Deneyde, eğitim ve test veri tabanını oluşturmak için farklı görüş açılarından altı araba modeli de kullanıldı. Her araba modeli için çeşitli görüntüleme yönlerinden yaklaşık 30 görüntü (her biri 256 × 256 piksel) de alınmıştır. Veri setinde 172 örnek vardı.

İki farklı özellik çıkarma yönteminden iki sınıflandırıcı kanalı oluşturuldu: biri kullanılan yoğunluk bilgisi ve diğeri kenar bilgisi. Bu iki kanalın birleşmesi ile (%94 ve %85 tanıma oranları ile) tanıma oranı %100’e de ulaşmıştır.
Füzyon modeli, tek bir ağ sınıflandırıcısı ile de karşılaştırıldı.

Bu iki ağın giriş vektörleri, yoğunluk vektörü ile kenar vektörünün birleştirilmesiyle oluşturulmuştur. Bu nedenle, giriş vektörü boyutu 144 × 2 = 288 oldu. Sınıflandırıcı olarak RBF tipi DBNN kullanıldı. Deneysel sonuç, performansın füzyon ağına göre daha kötü olduğunu da gösterdi (yaklaşık %95,5 tanıma oranı).

Makale Deniz

Biyografinin Tamamını Gör