1. NORAVSHAN TIZIM ARXITEKTURASI
“TELEKOMMUNIKATSIYADA SUN’IY INTELLEKT”
8 - Ma’ruza
NORAVSHAN TIZIM ARXITEKTURASI
Nargiza Usmanova, D.Sc.

2. Reja Noravshan mantiqli xulosa va defazzifikatsiya bosqichlari.
Noravshan mantiqli xulosa algoritmlari. Noravshan neyron tarmoq Mamdani algoritmi Tsukamoto algoritmi Sugeno algoritmi
Noravshan-ekspert tizimlar
Neyro-noravshan tizimlar.

3. Noravshan mantiqli xulosa va defazzifikatsiya bosqichlari.
Umumiy holatda, noravshan xulosa yechimlari uch (yoki to‘rt) bosqichlarda sodir bo‘ladi:
1) Fazzifikatsiya bosqichi. Kiruvchi lingvistik o‘zgaruvchilarning barcha terminlarining tegishlilik funktsiyalari yordamida va kiruvchi lingvistik o‘zgaruvchilar universumlaridan berilgan aniq qiymatlar asosida chiquvchi lingvistik o‘zgaruvchi aniq qiymat qabul qilishi ishonchliligi darajasi aniqlanadi. Ushbu ishonchlilik darajasi terminning va lingvistik o‘zgaruvchining to‘g‘ri aniq tegishlilik funktsiyasi grafigining kesishish nuqtalari ordinatalari hisoblanadi.
2) Bevosita noravshan xulosa bosqichi. Qoidalar to‘plami – noravshan bilimlar bazasi asosida terminlarning konyunktsiyasiga yoki dizyunktsiyasiga mos keluvchi aniq noravshan operatsiyalar asosida har bir qoida asosi uchun haqiqiylik qiymati hisoblanadi. Ko‘pchilik hollatlarda, har bir qoidaning xulosasiga qo‘llaniladigan fazzifikatsiya bosqichida hisoblangan terminlar ishonchliligi darajalarining maksimumi yoki minimumidir.

4. 3) Kompozitsiya bosqichi (agregatsiya, akkumulyatsiya)
3) Kompozitsiya bosqichi (agregatsiya, akkumulyatsiya). Har bir chiquvchi lingvistik o‘zgaruvchining har bir terminlari uchun mo‘ljallangan barcha noravshan to‘plamlar birlashtiriladi va yagona noravshan to‘plam tuziladi. Odatda, MAX yoki SUM funktsiyalari qo‘llaniladi.
4) Defazzifikatsiya bosqichi (shartli emas). Chiqariluvchi lingvistik o‘zgaruvchilarning noravshan to‘plamlari qiymatlarini aniq qilib o‘zgartirish foydali bo‘lsa qo‘llaniladi. Aniq qiymatlarga o‘tkazish usullarining soni yetarlicha hisoblanadi. Masalan: - “to‘liq interpretatsiyalash” va “maksimumi bo‘yicha” usullar. To‘liq interpretatsiyalash usulida chiqariladigan o‘zgaruvchining aniq qiymati noravshan qiymat uchun tegishlilik funktsiyasining tortish markazi qiymati sifatida hisoblanadi. Maksimum usulida chiqariladigan o‘zgaruvchining aniq qiymati tegishlilik funktsiyasining maksimal qiymati qo‘llaniladi.

5. Noravshan to‘plam nazariyasida defazzifikatsiya jarayoni ehtimollik nazariyasidagi tasodifiy kattaliklarning holati xarakteristikalarini topishga o‘xshash. Defazzifikatsiya jarayonini bajarishning oddiy usuli tegishlilik funktsiyasi maksimumiga mos keluvchi aniq sonni tanlash hisoblanadi. Lekin ushbu usul faqat bir ekstremalli funktsiyalarda yaroqli. Ko‘p ekstremalli tegishlilik funktsiyalar uchun quyidagi defazzifikatsiya usullari ishlatiladi:
1) COG (Center Of Gravity) — tortish markazi. Buning analogi sifatida noravshan to‘plamning tegishlilik funktsiylari grafigi va koordinata oslari bilan chegaralangan tekis shaklning tortish markazini aniqlashni keltirsa bo‘ladi.
2) MOM (Mean Of Maximums) — maksimumlar markazi. Ushbu usulni qo‘llashda maksimal tegishlilik darajalariga ega universal to‘plam elementlarining o‘rtacha arifmetigini aniqlash talab qilinadi.
3) First Maximum — birinchi maksimum. Eng kam abstsissali tegishlilik funktsiyasining maksimumi.

6. Noravshan xulosa jarayonlarining funktsional sxemasi soddalashtirilgan ko‘rinishda 1 va 2 – rasmlarda keltirilgan. Ushbu sxemalarda noravshan xulosaning birinchi bosqichini fazzifikator amalga oshiradi. Noravshan xulosa qilish jarayoniga noravshan mantiqli xulosa mashinasi javobgar. Defazzifikator noravshan xulosaning yakuniy bosqichini bajaradi.
1-rasm. Noravshan xulosa jarayonining funksional sxemasi

7. 2-rasm. Fazzifikator va defazzifikatorlarga ega noravshan tizim strukturasi

8. Noravshan xulosa algoritmlari Ushbu algoritm bir nechta ketma-ket bajariladigan bosqichlarni ta’riflaydi (3-rasm). Bunda har bir keying bosqich kirishida oldingi bosqichdan olingan qiymatlarni qabul qiladi. Mamdani algoritmi 3-ramdagi barcha bosqichlarni o‘z ichiga olgan va kirish ma’lumotlari sifatida qoidalar bazasini ishlatadi. Algoritmda yana noravshan to‘plamlarning birlashmasi (UnionOfFuzzySets) va aktivlashtirilgan noravshan to‘plam (ActivatedFuzzySet)dan foydalanish nazarda tutiladi.
3-rasm. Noravshan xulosa jarayoning diagrammasi

9. Qoidalar bazasini tashkillashtirish
Qoidalar bazasi – bu har bir quyi xulosaga aniq og‘irlik koeffitsienti biriktirilgan qoidalar to‘plami. Qoidalar bazasi quyidagi ko‘rinishda bo‘lishi mumkin:
RULE_1: IF «Condition_1» THEN «Conclusion_1» (F1) AND «Conclusion_2» (F2); RULE_2: IF «Condition_2» AND «Condition_3» THEN «Conclusion_3» (F3); … RULE_n: IF «Condition_k» THEN «Conclusion_(q-1)» (Fq-1) AND «Conclusion_q» (Fq);
bu yerda Fi — og‘irlik koeffitsienti, odatda u 1ga teng qilib qabul qilinadi. Shartlardagi mavjud lingvistik o‘zgaruvchilar kiruvchi, xulosalarda chiquvchi deb ataladi.

10. 2-ramda keltirilgan tizimning umumlashtirilgan funktsional strukturasini kengaytirilgan holatda taqdim qilish mumkin, u 4-rasmda keltirilgan. 4-rasm. M qoidalar chiqishi mavjud bo‘lgandagi, noravshan tizimda chiqishni tashkillashtirish

11. Qandaydir tizim quyidagi noravshan qoidalar bilan ifodalangan bo‘lsa:
П1: agar х, А bo‘lsa, unda w, D bo‘ladi;
П2: agar y, B, bo‘lsa, unda w, E bo‘ladi,
П3: agar z, C, bo‘lsa, unda w, F bo‘ladi,
bu yerda x,y va z – kiruvchi o‘zgaruvchilar nomlari; w - chiquvchi o‘zgaruvchining nomi; A,B,C,D,E,F – FP uchburchak shakldagi kiritilgan ayrim qiymatlar.

12. 5-rasm. Mantiqiy xulosani olish jarayoni
Kiruvchi o‘zgaruvchilar ayrim aniq qiymatlarni x0,y0, va z0 qabul qilishdi deb hisoblansa, A,B,C tegishlilik funktsiyalari va birinchi bosqichdan kelib chiqib, a(x0),a(y0), va a(z0) haqiqiylik darajalari aniqlanadi.
Ikkinchi bosqichda a(x0),a(y0), va a(z0) sathlarida tegishlilik funktsiyasi kesilishi yuz beradi.
3-bosqichda 2-bosqichdagi kesilganlar ko‘rib chiqiladi va max operatsiyasi orqali birlashtirish amalga oshiriladi, natijada kombinatsiyalangan noravshan to‘plam hosil bo‘ladi.

13. 4-bosqichda – chiquvchi o‘zgaruvchining aniq qiymati aniqlanadi:
Algoritmning quyidagi tez uchrab turadigan modifikatsiyasi ko‘rib chiqiladi:
П1: agar х, А1 va y, B1 bo‘lsa, unda z, C1 bo‘ladi;
П2: agar y, А2 va y, B2 bo‘lsa, unda z, C2 bo‘ladi,
А1, А2, B1, B2, C1, C2 – kiritilgan qiymatlar, bunda z ning aniq qiymatini keltirilgan ma’lumotlar va х va y aniq qiymatlari asosida aniqlash kerak.
Bosqichlarning har bir parametrlari aniq variantlarini tanlash noravshan mahsulot qoidalari tizimlarida noravshan xulosani amalga oshiruvchi qandaydir-bir algoritmni aniqlaydi. Hozirgi vaqtda bir nechta algoritmlar taklif etilgan.

14. Mamdani algoritmi
Mamdani algoritmi noravshan xulosa tizimlarida birinchilar qatorida qo‘llanilgan algoritm hisoblanadi. Ushbu algoritm matematik quyidagicha ta’riflanishi mumkin. 1. Noravshanlik: har bir qoida asosi uchun haqiqiylik darajasi aniqlanadi 2. Noravshan xulosa: min operatsiyasi orqali c qoidalarning har birining asosi uchun kesilish sathi aniqlanadi Undan keyin tegishlilik funktsiyasi qisqartirilishi aniqlanadi: 3. Kompozitsiya – har bir qoida chiqishi alohida hisoblanadi 4. Aniqlikga keltirish, z tortish markazi usuli bilan aniqlanadi.

15. Tsukamoto algoritmi
1. Mamdani algoritmiga o‘xshash.
2. Kesilish sathlari aniqlanadi, keyin tenglamalar yechiladi
Har bir chiquvchi qoida uchun aniq qiymatlar aniqlanadi
3. Xulosaning aniq o‘zgaruvchi qiymati aniqlanadi
Masalan. Kesilish sathlariga mos:
a1=min (A1(x0), B1(y0))=min(0,7;0,3)=0,3
a2=min (A2(x0), B2(y0))=min(0,6;0,8)=0,6
va C1(z1)=0,3, C2(z2)=0,6 tenglamalarni yechish natijasida olingan natijalar.
Bunda Xulosa o‘zgaruvchisining aniq qiymati

16. Tsukamoto algoritmiga rasm

17. Sugeno algoritmi Algoritmda qoidalar to‘plami quyidagicha ishlatilgan: П1: agar х, А1 va y, B1 bo‘lsa, unda z=a1x+b1y bo‘ladi; П2: agar y, А2 va y, B2 bo‘lsa, unda z=a2x+b2y bo‘ladi, 1. 1-bosqich Mamdani algoritmidagidek 2. 2-bosqichda qiymat aniqlanadi va qoidalarning individual chiqishlari 3. O‘zgaruvchining aniq qiymati hisoblanadi:

18. Sugeno algoritmi rasmi

19. Noravshan ekspert tizimlar
Noravshan ekspert tizimlar (NET) oddiy tildagi gap va so‘zlardan foydalanadi, u AGAR-UNDA noravshan mahsulot qoidasini bilimlarni taqdim etish modeli sifatida foydalanadi. Noravshan ekspert bilimlarni mantiqiy- lingvistik taqdim qilish asosidagi ETlarni qurishning asosiy afzalligi real holatlarni kompakt va adekvat taqdim etishdan iborat. Modelga noaniq ma’lumotlarni qo‘shish g‘oyasi har doim qanchalik yuqori aniqlik mumkinligi talab qiladi – shuning uchun aktuallik va aniqlilik o‘rtasida farq hosil bo‘ladi.
NETning strukturasi

20. Neyro-noravshan tizimlar Neyro-noravshan tizimlar (NNT) - bu sun'iy neyron tarmoqlari (SNT) va noravshan mantiq usullarini birlashtirgan gibrid tizimlardir. Neyron tarmoqlarning samaradorligi ularning yaqinlashtirish qobiliyati bilan belgilanadi: SNTni o'qitish asosida har qanday uzluksiz funktsional bog'liqlik chiqishning kirishga bog'liqligi qoidalarini aniqlash uchun dastlabki tahliliy ishsiz tasvirlanishi mumkin; Biroq, SNTning kamchiligi o'rganilayotgan ob'ektning kirish va chiqishlari o'rtasidagi funktsional bog'liqlikni aniq tushuntirib bera olmaslikdir. Noravshan tizimlarning afzalligi shundaki, bu tizimlardagi bilimlar IF - THEN ishlab chiqarish qoidalari ko'rinishida ifodalanadi. NNT oddiy signallar foydalaniladigan qayta aloqasi mavjud bo‘lmagan maxsus strukturaga ega ko‘p qatlamli SNTni ifodalaydi.

21. NNT modeli

22. ANFIS (Adaptive-Network- Based Fuzzy Inference System) tizimi birinchi gibrid NNT sxemalardan biri hisoblanadi, u Takagi-Sugeno noravshan tizimini amalga oshiradigan noravshan xulosalar tizimiga asoslangan adaptive neyron tarmoq hisoblanadi. ANFIS tizimi besh qatlamli to‘g‘ri tarqatiladigan neyron tarmoqdir