J.-S. Roger Jang, `` ANFIS: Adaptive-Network-Based Fuzzy Inference Systems ,'' IEEE Transactions on Systems, Man, and Cybernetics, Vol. 23, No. 03, pp 665-685, May 1993.
معرفی ANFIS
J.-S. Roger Jang and C.-T. Sun, `` Neuro-Fuzzy Modeling and Control '', The Proceedings of the IEEE, Vol. 83, No. 3, pp 378-406, March 1995.
کاربرد NFIS در مدل سازی
J.-S. Roger Jang, C.-T. Sun and E. Mizutani, ``Neuro-Fuzzy and Soft Computing: a computational approach to learning and machine intelligence,'' 1996, to be published by Prentice-Hall.
کاربردهای متنوعی از ANFIS به همراه توضیحات مفصل
این ها را از سایتی پیدا کردم اگر کسی می تواند لطف کنه این منابع را دانلود کنه اینجا هم قرار بده
ممنون
(منبع فارسی هم اگر کسی میدونه معرفی کنه)
از اینکه فایل ها را دانلود کردین و اینجا گذاشتین ممنون
اما من index3 را نمیتونم دانلود کنم یعنی همش تا نصفه دانلود میکنه بعد قطع میشه
index4 هم یک صفحه است!اگر میشه یه نگاه بندازین که آیا درست دانلود شده چون من به IEEE دسترسی ندارم
ایا شما می توانید لینک دانلود مقالات زیر را که خودتان هم به آن اشاره کرده اید را بگذارید؟
با تشکر
مقايسه كاربرد شبكه تطبيقي عصبي- فازي (anfis) با شبكه عصبي مصنوعي (ann) در پيش بيني جريان رودخانه زاينده رود
كاربرد سيستم استنباط فازي- عصبي تطبيقي (anfis) و سيستم استنباط فازي ممداني در پيش بيني بارش ساليانه
فکر ميکنم اين دو مقاله قبلاً هم در سايت گذاشته شده بودند!
نحوه ارتباط بين منطق فازي و شبكه عصبي باعث بوجود آمدن انواع مختلفي از سيستمها شده است. بسياري بر اين باورند كه اطلاق كلمه نوروفازي به تمامي اين تركيبات، درست نميباشد؛ چراكه برخي از اين تركيبات ارتباطي تكميلي با يكديگر داشته و به جاي هر يك از اين اجزاء ميتوان سيستمهاي ديگري مانند درخت تصميم، الگوريتم تكاملي و از اين دست را جايگزين نمود. به عبارتي اختصار نوروفازي به سيستم تركيبي حاصل از شبكه عصبي و سيستم استنتاجي فازي گفته شده كه در آن شبكه عصبي به عنوان تعين كننده پارامترهاي سيستم فازي مورد استفاده قرار ميگيرد. منظور از تعيين پارامترهاي سيستم فازي توسط شبكه عصبي، تعيين اتوماتيك پارامترهاي فازي مانند قوانين فازي و يا توابع عضويت مجموعههاي فازي است. در مقابل نوروفازي، شبكه عصبي فازي قرار دارد كه در آن از منطق فازي براي بهبود عملكرد شبكه عصبي استفاده ميشود. در اين شبكه منطق فازي فرع بوده و تنها براي بهبود شرايط شبكه عصبي و يا اضافه نمودن مفهوم عدم قطعيت به شبكه مورد استفاده قرار ميگيرد. تقسيمبندي زير نحوه ارتباط بين منطق فازي و شبكه عصبي را با توجه به اين ديدگاه بيان مينمايد.
· Fuzzy Neural Network: منطق فازي براي بهبود كارايي شبكه و يا افزايش توان يادگيري شبكه عصبي مورد استفاده قرار ميگيرد. در اين شبكهها افزودن قوانين فازي براي تغيير نرخ يادگيري و يا تغيير ورودي/ خروجي شبكه از حالت غيرفازي به فازي است. نمونههايي از اين دسته عبارتند از:FNN، FHSNN و GFNN.
· Concurrent Neuro-Fuzzy Models: شبكه عصبي و سيتم فازي بر روي يك كار واحد با يكديگر كار ميكنند اما تأثيري بر روي يكديگر ندارند. هيچكدام براي تعيين پارامتر ديگري به كار نميروند. معمولاً در اين مدل، شبكه عصبي براي پيش پردازش ورودي و يا خروجي سيستم فازي به كار ميرود.
· Cooperative Neuro_Fuzzy Models: شبكه عصبي براي تعيين پارامترهاي سيستم فازي به كار ميرود. اين پارامترها شامل قوانين فازي، وزن قوانين و مجموعههاي فازي است.
· Neural network-driven fuzzy reasoning systems: برخي اين سيستمها را جزء مدلهاي Cooperative ميدانند. اين مدلها براي گسترش قوانين فازي مورد استفاده قرار ميگيرند.
· Hybrid Neuro_Fuzzy Models: شبكه عصبي و سيستم فازي در يك ساختار هماهنگ با يكديگر تركيب ميشوند. اين مدل را ميتوان شبكه عصبي با پارامتر فازي و يا يك سيستم فازي با يادگيري توزيع شده دانست. ANFIS، ANNBFIS، NEFClass و FLEXNFIS نمونههايي از اين مدل ميباشند.
همانگونه كه در تعاريف فوق مشخص است، دودسته عمده از تركيبات شبكه عصبي و منطق فازي شامل شبكههاي عصبي فازي و نوروفازيها هستند. شبكههاي عصبي فازي حاصل تركيب شبكه عصبي و منطق فازي بوده و نوروفازيها حاصل تركيب شبكه عصبي و سيستم فازي ميباشند.