نظام عصبي ضبابي

الأنظمة العصبية الضبابية إنگليزية: Neuro-Fuzzy Systems هي أنظمة هجينة متكونة من أنظمة الشبكات العصبية الإصطناعية و الأنظمة الضبابية أي القائمة على المنطق الضبابي. الهدف من هذه الأنظمة الهجينة هي إستغلال كل من خصائص الأنظمة العصبية الإصطناعية كالتعميم و الأنظمة الضبابية التي تحاكي في عملها عمليات التفكير البشري. عادة ما تعتبر هذه الأنظمة تطويرا لأنظمة المنطق ضبابي لكنها أيضا تستعمل للدلالة على:

• تحسين أو ضبط معاملات الشبكات العصبية الإصطناعية كعدد النيورونات في الشبكة أو معامل التعلم
• نمذجة الضبابية أو طرق الإستنتاج الضبابي عن طريق الشبكات العصبية الإصطناعية

و يتم عادة التفرقة بين نوعين من الأنظمة العصبية الضبابية:

• الأنظمة الهجينة hybrid neuro fuzzy systems التي لا يمكن فيها فك الإرتباط بين النظام العصبي و نظام المنطق الضبابي حيث أن الشبكة يمكن فهمها على أنها نظام شبكات عصبية اصطناعية أو في نفس الوقت كنظام منطق ضبابي
• الأنظمة التعاونية cooperative neuro fuzzy systems: و هي أنظمة يتم فيها استعمال شبكة عصبية اصطناعية للتحصل على المعاملات الخاصة بنظام المنطق الضبابي كدالة الإنتماء و من ثم يتم فصل الشبكةعنه و يعمل نظام المنطق الضبابي بمفرده

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

 أنظمة الشبكات العصبية الضبابية الهجينة

يمكن فهم الأنظمة العصبية الضبابية الهجينة كنظام شبكات عصبية صناعية و كنظام منطق ضبابي في نفس الوقت. لهذا النوع من الأنظمة ميزة كبيرة و هي إمكانية إضفاء معنى أو سياق على معاملات الشبكة العصبية أي سيمانتيك semantic على الشبكة و بالتالي إمكانية استعمال معلومات عن النظام عند النمذجة.
عادة ما يتم في هذه المقاربة استعمال الشبكات العصبية ذات الدالة المحدودة Radial basis function network و التي تكون دالة تحوليها عبارة على هضبة غاوس أي:

• $e^{-{\frac {1}{2}}{\frac {(x-\mu )^{2}}{\sigma ^{2}}}}$

استعمال هذا النوع من النورونات في الطبقة الوسيطة أو المخفية hidden layer للشبكة يمكننا من تحقيق أول خطوة في نظام المنطق الضبابي الذي هو عبارة على جملة من القواعد أو مجموعة من الشروط و نتائج الشروط. الطبقة المخفية يمكن فهمها على أنها حساب قيمة الشروط Premise حسب طريقة لارسن للربط بين المقولات المنطقية أو بما يسمى معيار لارسن Larsen t-norm. حيث يتم ضرب دالة الإنتماء Membership function ببعضها لكل من المقولات المنطقية الأولية ليتم معرفة دالة إنتماء المقولة المركبة A and B مثلا.

الخطوة التالية في عمل أنظمة المنطق الضبابي بعد حساب قيمة تحقق الشروط الأولية و الشروط المركبة هو حساب قيمة الإستنتاجات conclusion باستعمال معيار لارسن أيضا. هذا الإستنتاج في أنظمة المنطق الضبابي يتم ترجمته بعملية ضرب مخارج الطبقة الوسطى بالأوزان weights حيث يمكن اعتبار قيمة الوزن كقيمة النتيجة هذه العملية تسمى الإستنتاج و يليها خطوة التجميع حيث يتم تجميع قيمة الإستنتاجات بالنسبة لمختلف القواعد الموجودة و يمكن تسمية هذه الخطوة خطوة التجميع و هي خطوة تحصل على مستوى طبقة الإخراج بالنسبة للشبكة العصبية. في المرحلة الأخيرة يتم الإنتقال من دالة إنتماء إلى عدد صحيح و هذه المرحلة تسمى رفع لضبابية أو defuzzyfication. الصورة في الأسفل تلخص هذه العملية:

بعد تصميم النظام العصبي الضبابي بالطريقة المبينة أعلاه يتم تدريب الشبكة على تعلم معاملتها التي هي عرض و وسط دالة الإنتماء بالإضافة إلى الوزن W و يمكن من أجل ذلك استعمال خوارزمية التعلم المسمات بالتغذية الخلفية Backpropagation

 تطبيق الأنظمة العصبية الضبابية الهجينة

يمكن تطبيق الأنظمة العصبية الضبابية في العديد من المجالات كاستقراء تغيرات البورصة مثلا. حيث يمكن إعتماد متغيرات مثل قيمة الصرف و مؤشرات البورصة العالمية إلخ.. كمداخل للشبكة و تمثل الطبقة الوسطى مجموعة من القواعد على شاكلة:

• إذا كان مؤشر البورصة الأمريكية مرتفعا و سعر الصرف مرتفعا فإن مؤشر البورصة المحلي منخفض

و يتم عن طريق القياسات تعليم الشبكة المعاملات المناسبة الانظمة العصبية الضبابية القابلة للتكيف Adaptive Neuro-Fuzzy Inference System ظهرت الانظمة الذكية في عدة من مجالات الصناعة الحديثة, مثل علم صناعة الروبوت "الانسان الالي" و انظمة التحكم بالصناعة و معظم هذه الانظمة مبنية على الية التحكم الضبابية و التي تصف نظام معقد من العلاقات الرياضية بمجموعة من العبارات اللغوية . تاتي عبارة انظمة ضبابية من حقيقة ان معظم المشاكل في الحياة العملية هي مشاكل غير واضحة المعطيات و توضح طبيعة الانسان انه قادر على القيام بوظائف متعددة بالتقريب والفكرة هنا القدرة على تلخيص كمية هائلة من المعطيات والبقاء قادرا على حل المشاكل بفعالية.

 كيفية عمل الأنظمة

بافتراض ان مجموعة من المدخلات و المخرجات بحوزتنا و نود انشاء نظام ضبابي لتقريب هذه البيانات يتكون النظام من مجموعة من الاقترانات التي تبين نسبة المشاركة ""mempership function و مجموعة من القواعد ذات المتغيرات القابلة للتعديل لتضبط هذه الاقترانات . الهدف من خاصية التكيف هو انشاء نظام ضبابي محسن وهو عبارة عن القدرة على تحويل المعرفة إلى مجموعة من القيود للتقليل تعددية ابحاث الزيادة في الجودة و من وجهة الباحثين في الخلاية العصبية الصناعية هو القدرة على انشاء شبكة قادرة على التعديل الذاتي لعناصرها . بالرغم من هذه الخصائص فان هذه الانظمة بها بعض العيوب حيث انها ذات ناتج واحد وهذا يقلل عدد المشاكل التي يمكنها التعامل معها و ان شكل الاقترانات لا يتغير في عملية التعلم مما يؤدي إلى ضعف في المحاكاة. يتكون النظام من عدة طبقات كما هو موضح في الشكل التالي و لكل منها وظيفته :

الطبقة الاولى :- هي الطبقة التي تتعامل مباشرة مع المدخلات حيث تقوم هذه الطبقة بحساب نسبة المشاركة لمجموعة المدخلات حسب القواعد التالية.

الطبقة الثانية :- تقوم بحساب قوة القواعد الموضوعة حسب القاعدة.

الطبقة الثالثة : تقوم بحساب نسبة قوة قاعدة معينا إلى القواعد الأخرى.

الطبقة الرابعة :- نقوم في هذه الطبقة بإضافة بعض المتغيرات التي تسلسل البيانات .

الطبقة الخامسة :- هي الطبقة التي تنتج الجواب النهائي حسب المعادلة

بعد دراسة خصائص هذا النظام و طبيعة العمارة التي يقوم عليها و تتابع سير البيانات فانه يتحتم علينا عرض طريقة التعلم في هذا النظام في ما يلي سنعرض خوارزمية التعلم الهجين " hybrid learning algorithm" من خلال دراسة طبيعة النظام يتضح أن الناتج النهائي يمكن التعبير عنها كمجموعة خطية بالنسبة إلى المتغيرات التي تحدد تسلسل البيانات . تقسم عملية التعلم إلى قسمين رئيسيين الأول هو التمرير الأمامي و في هذه المرحلة يتم تعديل المتغيرات التي تحدد تسلسل البيانات في الطبقة الرابعة حسب مبدءا المربع الأقل ، أما القسم الأخر فهو التمرير الخلفي و بحسب التسمية المطلقة عليه فان التسلسل يكون عكسيا من الناتج إلى المدخلات و في هذه المرحلة يتم تعديل المتغيرات في قواعد القانون المستخدم في حساب نسبة المشاركة الموجود في الطبقة الاولى من الشبكة.

بعض التطبيقات المهمة لها من أجدر هذه التطبيقات بالذكر هي • Margoil Oil Thickness Estimator • Voltage Instability Predictor (Smart Relay) • Collateral Evaluation for Mortgage Approval

 النظام بشكله العملي

أحد تطبيقات النظام بشكلها المفصل وهو ازالة التشويش من الصور باستخدام الانظمة الذكية الضبابية يقوم النظام بتقسيم الصور إلى الوحدات الاساسية للصور الا و هي البيكسل و من ثم يحدد الوحدات التي من المحتمل ان تكون معطوبة و عملية تقريب لاحتمال ان تكون الوحدات الجانبية قد تاثرت بهذا الخلل يتم اكتشاف الوحدات المعطوبة باستخدام قانون المثلثات حيث تقسم الصورة إلى مجموعة من المثلثات و تعتبر النقاط التي تمثل رؤوي المثلث هي البيانات الصحيحة والنقاط الواقعة في المنتصف هي الملفات المعطوبة و في ما يلي صورة توضح العملية

والتالي هي صورة تم ازلة التشويش منها :-

لماذا نحن بحاجة إلى مثل هذه الانظمة ؟ تاتي الحاجة إلى الانظمة الضبابية القابلة للتكيف إلى الحاجة إلى زيادة سرعة التعلم كما وضحنا سابقا و الزيادة في سرعة حل المشكلات و سهولة الاستخدام بالمقارنة مع الانظمة الاخرى من الانظمة الذكية التقليدية .

 المصادر

• ويكيبيديا العربية