بهینه سازی الگوریتم lolimot با استفاده از مدلهای محلی درجه سوم

مدل عصبی-فازی خطی محلی یک سیستم فازی با ساختار شبکه های عصبی مصنوعی است که ساختار قوانین فازی (مدلهای محلی) آن همانند قوانین فازی در مدلهای فازی تاکاگی-سوگنو-کانگ (tsk) بوده و از امتیاز محلی گرایی برای تقریب و شناسایی بهره می برد. درخت مدل خطی محلی یا lolimot الگوریتمی بر پایه استراتژی تقسیم و حل برای ساخت مدلهای عصبی-فازی خطی محلی می باشد. در این الگوریتم حل مسأله پیچیده با کمک تقسیم مسأله اصلی به زیرمسأله های کوچکتر و ساده تر انجام می شود. مشخصات این زیرمسأله های کوچکتر به مقدار زیادی به ساختار الگوریتم به کار برده شده جهت تقسیم بندی وابسته است. lolimot برای رسیدن به خروجی بهتر (خروجی با خطای کمتر)، فضای مسأله را به تعدادی مدل خطی محلی (یا llm) تقسیم می کند و پس از یافتن بدترین llm (مدل خطی محلی که بدترین خروجی محلی را دارد) با شکستن آن به دو llm کوچکتر، کار را دنبال می کند. در این پایان نامه، جایگزین کردن مدلهای خطی محلی (llm) با شکل ساده ای از مدلهای درجه سوم محلی (یا lcm) در الگوریتم lolimot بررسی شده است. به کارگیری lcm ها به دلیل قدرت انعطاف پذیری بیشتر نسبت به llm ها در الگوریتم lolimot، پیچیدگی مدل عصبی-فازی سراسری (تعداد مدلهای محلی) را کاهش داده و کارایی و دقت آن را بهبود می بخشد. مدل محلی درجه سوم پیشنهادی از مدلهای درجه سوم کامل، ساده تر و هزینه محاسباتی و زمانی کمتری داشته و با اینکه توان تقریب کمتری نسبت به آنها دارند اما از نظر تعداد کل پارامترهای مدل سراسری برتری دارند؛ زیرا lcm های کامل دارای o(n^3 ) پارامتر در ساختار خود می باشند، در حالی که lcm پیشنهادی 3n+1 پارامتر دارد. الگوریتم بهینه شده می تواند با قدرت انعطاف بسیار بالا مدلهای عصبی-فازی با پیچیدگی کمتر (تعداد مدلهای کمتر) و خروجی بهتری را نسبت به lolimot با مدلهای خطی محلی تولید کند.