INTEGRATED ADAPTIVE FUZZY CLUSTERING (IAFC) NEURAL NETWORKS USING FUZZY LEARNING RULES

شبكه هاي عصبي IAFC پيشنهاد شده هم داراي پايداري و هم انعطاف پذيري ميباشند، زيرا از ساختار كنترلي شبيه به شبكه هاي عصبي ART-1 استفاده ميكنند. شبكه هاي عصبي IAFC بدون نظارت شبكه هايي با يادگيري بدون نظارت هستند كه از قانون يادگيري نشت دار فازي استفاده ميكنند. اين قانون يادگيري به وسيله مقاديرِ (درجاتِ) عضويت، ميزان به هنگام كردن را كنترل ميكند. شبكه هاي عصبي IAFC با نظارت شبكه هايي با يادگيري با نظارت هستند كه از نسخه هاي فازي LVQ استفاده ميكنند. در اين مقاله، چندين الگوريتم مهم يادگيري وفق پذير از ديدگاه ساختار و قانون يادگيري مقايسه ميشوند. كارايي چندين الگوريتم يادگيري وفق پذير با استفاده از مجموعه داده Iris مقايسه ميشود.

The proposed IAFC neural networks have both stability and plasticity because they use a control structure similar to that of the ART-1(Adaptive Resonance Theory) neural network. The unsupervised IAFC neural network is the unsupervised neural network which uses the fuzzy leaky learning rule. This fuzzy leaky learning rule controls the updating amounts by fuzzy membership values. The supervised IAFC neural networks are the supervised neural networks which use the fuzzified versions of Learning Vector Quantization (LVQ). In this paper, several important adaptive learning algorithms are compared from the viewpoint of structure and learning rule. The performances of several adaptive learning algorithms are compared using Iris data set.