J TT (3.21) với là m ột ngưỡng nhỏ nào đó Theo cách này sẽ đạt được K v ùng siêu hình
3.7 Những mô hình neuro-mờ
Trong một hệ neuro-mờ (NFS) một mạng nơron và một hệ mờ được kết hợp
thành một cấu trúc hài hoà. Những hệ neuro-mờ tận dụng những uư điểm của cả
chúng; những kỹ thuật học mạng nơron đã tinh chỉnh hệ mờ. Có một vài cách
để tích hợp những mạng nơron và hệ mờ. Một vài loại hệ neuro-mờ được xem
xét ở đây. NFS xấp xỉ những hàm không biết n chiều được định nghĩa từng
phần bởi một tập dữ liệu vào-ra. NFS là một hệ mờ mà những luật kiến thức của
nó thể hiện mối liên hệ giữa những mẫu dữ liệu. Những thành phần của NFS được xác định dùng những thuật toán học mạng nơron áp dụng cho tập dữ liệu.
Với mục đích học, những hệ mờ có thể được thể hiện bởi một mạng nơron
truyền thằng ba lớp. Lớp thứ nhất thể hiện những biến vào, lớp giữa thể hiện
những luật mờ và lớp hthư1 ba thể hiện những biến ngõ ra và những trọng số
kết nối được chỉ định với những tập mờ. Những đơn vị nơron tính những toán
hạng t-norm và t-conorm với những hàm kích hoạt. Những mô hình với nhiều hơn ba lớp và những tập mờ là những hàm kích hoạt cũng được dùng. Nói chung, thể hiện mạng nơron minh hoạ rõ nét bản chất song song của những hệ
mờ.
Chương trình học là một quá trình được lái theo dữ liệu. Chương trình học
vận hành trên những thông tin cục bộ, và chỉ gây ra những hiệu chỉnh cục bộ
trong những hệ mờ cơ sở. Chương trình học lấy những đặc tính của những hệ
mờ liên quan, vì vậy ràng buộc những hiệu chỉnh có thể của những thông số hệ
thống. Vì NFS luôn là một hệ mờ ở bất kỳ tầng nào của quá trình học, chương
trình học có thể được khởi động chỉ rõ những thành phần của một hệ mờ. Kết
quả là, NFS có thể được dùng để xây dựng một hệ mờ từ dữ liệu hay cải tiến
một hệ đang tồn tại bằng cách học từ ví dụ.
Một vài mô hình hiện thời được dùng để tổng hợp những hệ neuro-mờ là:
GARIC,NEFCON,FuNe,ANFIS,…Trong đề tài này, hệ neuro-mờ được tổng
hợp dùng kỹ thuật hệ suy luận neuro-mờ thích nghi.