Utilizing a new feed-back fuzzy neural network for solving a system of fuzzy equations

اين مقاله در نظر دارد يك روش تكراري جديد مبتني بر شبكه هاي عصبي فازي را جهت يافتن جواب دستگاه معادلات فازي را ارايه دهد. شبكه عصبي فازي پيشنهاد شده، يك شبكه عصبي پنج لايه اي پسخور است كه در آن وزنهاي متناظر با لايه خروجي را اعداد فازي تشكيل مي دهند. اين شبكه عصبي قادر است كه يك بردار حقيقي را به عنوان ورودي دريافت و خروجي متناظر فازي آن را محاسبه كند. براي يافتن جواب تقريبي مساله، ابتدا يك تابع هزينه روي -برشهاي جواب محاسبه شده و جواب واقعي تعريف مي گردد. سپس يك الگوريتم يادگيري مبتني بر قاعده گراديان نزولي جهت تعديل پارامترهاي شبكه مفروض بكارگيري مي شود. روش پيشنهادي با چندين مثال عددي شبيه سازي مي گردد.

This paper intends to oer a new iterative method based on articial neural networks for nding solution of a fuzzy equations system. Our proposed fuzzied neural network is a ve-layer feed- back neural network that corresponding connection weights to output layer are fuzzy numbers. This architecture of articial neural networks, can get a real input vector and calculates its corresponding fuzzy output. In order to nd the approximate solution of the fuzzy system that supposedly has a real solution, rst a cost function is dened for the level sets of the fuzzy network and target output. Then a learning algorithm based on the gradient descent method is used to adjust the crisp input signals. The present method is illustrated by several examples with computer simulations.