Flexible wavelet-neuro-fuzzy neuron in dynamic data mining tasks

Abstract

Запропоновано нову гнучку модифікацію нео-фаззі нейрону та алгоритм навчання усіх параметрів. Запропонований алгоритм навчання дає змогу налаштувати не тільки синаптичні ваги, але й параметри функцій активації-приналежності та її форми, що дає змогу уникнути виникнення «дірок» у вхідному просторі. Запропонований алгоритм навчання має як фільтруючі, так і властивості слідкування, таким чином гнучкий нео-фаззі нейрон може використовуватися для вирішення задач прогнозування, фільтрації та згладжування нестаціонарних стохастичних и хаотичних послідовностей. Перевагами запропонованого підходу є простота обчислення у порівняні з відомими алгоритмами навчання гібридних вейвлет-нейро-фаззі-систем обчислювального інтелекту.

Предлагается новая гибкая модификация нео-фаззи нейрона и алгоритм обучения всех его параметров. Предложенный алгоритм обучения позволяет настраивать не только синаптические веса, но и параметры функций активации-принадлежности и ее формы, что позволяет избежать возникновения «дырок» во входном пространстве. Предложенный алгоритм обучения обладает как фильтрующими, так и следящими свойствами, таким образом гибкий нео-фаззи нейрон может использоваться для решения задач прогнозирования, фильтрации и сглаживания нестационарных и хаотических последовательностей. Преимуществом предложенного подхода являются вычислительная простота в сравнении с известными алгоритмами обучения гибридных вэйвлет-нейро-фззи систем вычислительного интеллекта.

A new flexible modification of neo-fuzzy neuron (FNFN) and adaptive learning algorithms for the tuning of its all parameters are proposed in the paper. The algorithms are interesting in that they provide on-line tuning of not only the synaptic weights and membership functions parameters, but also forms of these functions, that provide improving approximation properties and allow to avoid the occurrence of ”gaps” in space of inputs. The proposed algorithms have both the tracking and filtering properties, so the FNFN can be effectively used for prediction, filtering and smoothing of non-stationary stochastic and chaotic sequences. A special feature of the proposed approach is its computational simplicity in comparison with known learning procedures for hybrid wavelet-neuro-fuzzy systems of computational intelligence.