شبکه های عصبی یا همان شبکه های عصبی مصنوعی ANN نوعی از سیستم های هوش مصنوعی هستند که میتوانند الگوهای مختلف را پیدا و از هم متمایز سازند. مغز شما آموخته که چگونه جنبههای مختلف را با یکدیگر ترکیب کرده و اشیا را از هم تشخیص دهد، وضع در شبکه های عصبی نیز به همین ترتیب است. شبکه های عصبی میتوانند با استفاده از نمونهها، مفاهیم و دانشهای جدید را اقتباس کنند. از شبکه های عصبی در پیدا کردن الگوهای تصویری و سیستم های تشخیص صدا استفاده میشود. دستگاههای تلفن همراهی که میتوانند دست خط شما را به متن تبدیل کنند نیز احتمالا از شبکه های عصبی استفاده میکنند.
منطق فازی روشی ریاضی است که به بیان اطلاعاتی که صرفا در دو حالت هستند میپردازد. اساس این رویکرد تخصیص اعداد و ارزشهایی در فاصله بین دو عدد ۰ و ۱ است تا اطلاعاتی را که بین دو حالت ۰ و ۱ هستند بیان کند. به طور مثال شما ممکن است عدد ۰٫۸ را به ارزش (داغ) اختصاص دهید. در مرحله بعدی قواعد و فرایند ها مشخص میشود که به آن الگوریتم گفته میشود و و رابطه متقابل بین متغیرها را توضیح میدهد. الگوریتم منطق فازی مجموعه اقداماتی هستند که متغیرهایی را که اطلاعات غیر رند و ادراکات شخصی را تعیین میکنند به یکدیگر مرتبط میکند.
معمولا از منطق فازی و شبکه های عصبی برای ساده سازی مسائل و اعمال قواعد مفاهیم ذهنی و پیچیده استفاده میشود. این شیوه بسیار شبیه ولی نه کاملا مساوی سطح اطمینان در آمار است. در علم آمار از احتمال برای تخمین امکان وقوع نتایج استفاده میشود در حالی که از منطق فازی تنها به تعریف داده از منظر درک ذهنی میپردازیم و هرچه ارزش آن بالاتر باشد به یک نزدیکتر است.
از منطق فازی تا حد زیادی برای تعریف وزن از مجموعه های فازی در شبکه های عصبی استفاده می شود. وقتی امکان اعمال مقادیر واضح وجود ندارد ، از مقادیر فازی استفاده می شود. ما قبلاً مطالعه کرده ایم که آموزش و یادگیری به شبکه های عصبی کمک می کند در شرایط غیر منتظره عملکرد بهتری داشته باشند.
منطق فازی این امکان را فراهم میکند تا بر اساس اطلاعات نامشخص و یا مبهم تصمیم گیریهای قطعی اتخاذ شود، در حالی که ANN تلاش دارد تا با مشارکت فرآیند تفکر انسانی مشکلات را بدون مدل سازی ریاضی آنها حل کند. اگر چه از هر دو این روشها میتوان برای حل مشکلات غیر خطی و مشکلاتی که به درستی مشخص نشدهاند استفاده کرد، اما آنها هیچ ارتباطی باهم ندارند. بر خلاف منطق فازی، ANN قصد دارد برای حل مسائل از فرآیند تفکر مغز انسان کمک بگیرد. علاوه بر این، ANN شامل یک فرآیند یادگیری است که الگوریتمهای یادگیری را شامل میشود و نیاز به اطلاعات آموزشی دارد. سیستمهای ترکیبی هوشمندی با استفاده از این دو روش توسعه داده شدهاند که تحت عنوان شبکه عصبی فازی (FNN) یا سیستم عصبی – فازی (NFS) نامگذاری شده است.
شبکه عصبی فازی یا سیستم عصبی فازی یک ماشین یادگیری است که با بهره گیری از تکنیک های تقریب شبکه های عصبی ، پارامترهای یک سیستم فازی (یعنی مجموعه های فازی ، قوانین فازی) را پیدا می کند.
هر دو شبکه عصبی و سیستم های فازی مشترکاتی دارند. آنها می توانند برای حل یک مشکل (به عنوان مثال تشخیص الگو ، رگرسیون یا برآورد چگالی) در صورت عدم وجود هیچ مدل ریاضی از مسئله داده شده استفاده شوند. آنها فقط معایب و مزایای خاصی دارند که با ترکیب هر دو مفهوم تقریباً از بین می رود.
شبکه های عصبی تنها در صورتی می توانند وارد عمل شوند که مشکل با تعداد کافی از مثالهای مشاهده شده بیان شود. این مشاهدات برای آموزش جعبه سیاه استفاده می شود. از یک سو هیچ دانش قبلی در مورد مشکل لازم نیست داده شود. از سوی دیگر ، استخراج قوانین قابل درک از ساختار شبکه عصبی چندان ساده نیست.
برعکس ، یک سیستم فازی به جای یادگیری مثالها به عنوان دانش قبلی ، قوانین زبانی می طلبد. علاوه بر این ، متغیرهای ورودی و خروجی باید به صورت زبانی توصیف شوند. اگر دانش ناقص ، اشتباه یا متناقض است ، پس سیستم فازی باید تنظیم شود. از آنجا که هیچ روش رسمی برای آن وجود ندارد ، تنظیم به شیوه اکتشافی انجام می شود. این معمولاً بسیار وقت گیر و مستعد خطا است.
مطلوب است که سیستم های فازی یک روش تطبیق خودکار داشته باشند که قابل مقایسه با شبکه های عصبی است. ترکیب هر دو رویکرد باید مزایا را متحد و معایب را حذف کند.