ANFIS درونی نوع – ۲

در این مقاله یک روش جدید یادگیری مبتنی بر یک الگوریتم ترکیبی برای سیستم های منطق فازی فازی (TSK) نوع ۱ غیر مجرد نوع-۲ TSK ارائه شده است.با استفاده از داده های ورودی-خروجی در طی گذر از مرحله آموزش ، فاصله زمانی نوع غیر ۱ نوع خروجی FLTS-2TSK FLS محاسبه می شود و پارامترهای متعاقب آن با روش مربعات بازگشتی (مربع) محاسبه می شود. در انتقال معکوس، خطا به سمت عقب گسترش می‌یابد، و پارامترهای قبلی با روش پس انتشار (‏BP تخمین زده می‌شوند. روش ترکیبی پیشنهادی برای ساخت یک مدل فازی نوع ۱ و غیر یگانه نوع ۲ TSK که قادر به تقریب زدن رفتار دمای نوار فولادی است، به کار گرفته شد. نتایج مقایسه‌ای عملکرد روش یادگیری ترکیبی (‏RLS – BP)‏را در برابر تنها یادگیری BP نشان می‌دهد.

This article presents a new learning methodology based on a hybrid algorithm for interval type-1 non-singleton type-2 TSK fuzzy logic systems (FLS). Using input-output data pairs during the forward pass of the training process, the interval type-1 non-singleton type-2 TSK FLS output is calculated and the consequent parameters are estimated by the recursive least-squares (RLS) method. In the backward pass, the error propagates backward, and the antecedent parameters are estimated by the back-propagation (BP) method. The proposed hybrid methodology was used to construct an interval type-1 non-singleton type-2 TSK fuzzy model capable of approximating the behavior of the steel strip temperature as it is being rolled in an industrial Hot Strip Mill (HSM) and used to predict the transfer bar surface temperature at finishing Scale Breaker (SB) entry zone. Comparative results show the performance of the hybrid learning method (RLS-BP) against the only BP learning.