A New Approach to the Development of Genetically Optimized Multilayer Fuzzy Polynomial Neural Networks / Oh, Sung-Kwun in IEEE transactions on industrial electronics, Vol. 53 N° 4 (Aout 2006)  

Public ISBD [article]  inIEEE transactions on industrial electronics > Vol. 53 N° 4 (Aout 2006) . - 1309- 1321 p. Titre : A New Approach to the Development of Genetically Optimized Multilayer Fuzzy Polynomial Neural Networks Titre original : Une Nouvelle Approche au Développement des Réseaux Neurologiques Polynômes Brouillés Multicouche Génétiquement Optimisés Type de document : texte imprimé Auteurs : Oh, Sung-Kwun, Auteur ; Pedrycz, Witold, Auteur ; Park, Ho-Sung Année de publication : 2006 Article en page(s) : 1309- 1321 p. Note générale : Génie Electrique Langues : Anglais (eng) Mots-clés : Fuzzy polynominal neuron Genetic algorithms Genetically optimized fuzzy neural networks Multilayer perceptron Self-organizing network.Neurone brouillé Algorithmes génétiques Réseaux neurologiques génétiquement optimisés de Perceptron multicouche Réseau à organisation automatique. Index. décimale : 621 Ingénierie mécanique en général. Technologie nucléaire. Ingénierie électrique. Machinerie Résumé : In this paper, the authors propose and investigate a new category of neurofuzzy networks—fuzzy polynomial neural networks (FPNNs)—and develop a comprehensive design methodology involving mechanisms of genetic optimization and, in particular, genetic algorithms (GAs). The conventional FPNNs developed so far are based on mechanisms of self-organization and evolutionary optimization. The design of the network exploits the extended group method of data handling, with some essential parameters of the network being provided by the designer and kept fixed throughout the overall development process. This restriction may hamper a possibility of producing an optimal architecture of the model. The design proposed in this paper addresses this issue. The augmented genetically optimized FPNN (gFPNN) results in a structurally optimized structure and comes with a higher level of flexibility in comparison with the one encountered in the conventional FPNN. The GA-based design procedure that is applied to each layer of FPNN leads to the selection of the preferred nodes (or fuzzy polynomial neurons) available within the FPNN. In the sequel, two general optimization mechanisms are explored. First, the structural optimization is realized via GAs, whereas the ensuing, detailed parametric optimization is carried out in the setting of a standard least-square-method-based learning. The performance of gFPNN is quantified through experimentation where a number of modeling benchmarks are being used, i.e., synthetic and experimental data already experimented within fuzzy or neurofuzzy modeling. The obtained results demonstrate superiority of the proposed networks over the existing fuzzy and neural models. En cet article, les auteurs proposent et étudient une nouvelle catégorie des réseaux neurologiques polynômes réseau-brouillés neurofuzzy (FPNNs) - et développent une méthodologie de conception complète impliquant des mécanismes d'optimisation génétique et, en particulier, d'algorithmes génétiques (gaz). Le FPNNs conventionnel développé jusqu'ici sont basés sur des mécanismes d'individu-organisation et d'optimisation évolutionnaire. La conception du réseau exploite la méthode prolongée de groupe de traitement des données, avec quelques paramètres essentiels du réseau fourni par le concepteur et maintenu fixe dans tout le procédé global de développement. Cette restriction peut entraver une possibilité de produire une architecture optimale du modèle. La conception proposée en cet article aborde cette question. Le FPNN génétiquement optimisé augmenté (gFPNN) a comme conséquence une structure structurellement optimisée et vient avec un de plus haut niveau de la flexibilité en comparaison de celle produite dans le FPNN conventionnel. Le procédé de conception GA-basé qui est appliqué à chaque couche de FPNN mène au choix des noeuds préférés (ou des neurones polynômes brouillés) disponibles dans le FPNN. Dans la suite, deux mécanismes généraux d'optimisation sont explorés. D'abord, l'optimisation structurale est réalisée par l'intermédiaire du gaz, tandis que s'ensuivre, optimisation paramétrique détaillée est effectué dans l'arrangement d'une étude moindre-place-méthode-basée standard. L'exécution du gFPNN est mesurée par l'expérimentation où un certain nombre de repères modelants sont employés, c.-à-d., les données synthétiques et expérimentales ont déjà expérimenté dans modeler brouillé ou neurofuzzy. Les résultats obtenus démontrent la supériorité des réseaux proposés au-dessus des modèles brouillés et neuraux existants. DEWEY : 621 ISSN : 0278-0046 En ligne : perdrycz@ece.ualberta.ca [article] A New Approach to the Development of Genetically Optimized Multilayer Fuzzy Polynomial Neural Networks = Une Nouvelle Approche au Développement des Réseaux Neurologiques Polynômes Brouillés Multicouche Génétiquement Optimisés [texte imprimé] / Oh, Sung-Kwun, Auteur ; Pedrycz, Witold, Auteur ; Park, Ho-Sung . - 2006 . - 1309- 1321 p. Génie Electrique Langues : Anglais (eng) in IEEE transactions on industrial electronics > Vol. 53 N° 4 (Aout 2006) . - 1309- 1321 p. Mots-clés : Fuzzy polynominal neuron Genetic algorithms Genetically optimized fuzzy neural networks Multilayer perceptron Self-organizing network.Neurone brouillé Algorithmes génétiques Réseaux neurologiques génétiquement optimisés de Perceptron multicouche Réseau à organisation automatique. Index. décimale : 621 Ingénierie mécanique en général. Technologie nucléaire. Ingénierie électrique. Machinerie Résumé : In this paper, the authors propose and investigate a new category of neurofuzzy networks—fuzzy polynomial neural networks (FPNNs)—and develop a comprehensive design methodology involving mechanisms of genetic optimization and, in particular, genetic algorithms (GAs). The conventional FPNNs developed so far are based on mechanisms of self-organization and evolutionary optimization. The design of the network exploits the extended group method of data handling, with some essential parameters of the network being provided by the designer and kept fixed throughout the overall development process. This restriction may hamper a possibility of producing an optimal architecture of the model. The design proposed in this paper addresses this issue. The augmented genetically optimized FPNN (gFPNN) results in a structurally optimized structure and comes with a higher level of flexibility in comparison with the one encountered in the conventional FPNN. The GA-based design procedure that is applied to each layer of FPNN leads to the selection of the preferred nodes (or fuzzy polynomial neurons) available within the FPNN. In the sequel, two general optimization mechanisms are explored. First, the structural optimization is realized via GAs, whereas the ensuing, detailed parametric optimization is carried out in the setting of a standard least-square-method-based learning. The performance of gFPNN is quantified through experimentation where a number of modeling benchmarks are being used, i.e., synthetic and experimental data already experimented within fuzzy or neurofuzzy modeling. The obtained results demonstrate superiority of the proposed networks over the existing fuzzy and neural models. En cet article, les auteurs proposent et étudient une nouvelle catégorie des réseaux neurologiques polynômes réseau-brouillés neurofuzzy (FPNNs) - et développent une méthodologie de conception complète impliquant des mécanismes d'optimisation génétique et, en particulier, d'algorithmes génétiques (gaz). Le FPNNs conventionnel développé jusqu'ici sont basés sur des mécanismes d'individu-organisation et d'optimisation évolutionnaire. La conception du réseau exploite la méthode prolongée de groupe de traitement des données, avec quelques paramètres essentiels du réseau fourni par le concepteur et maintenu fixe dans tout le procédé global de développement. Cette restriction peut entraver une possibilité de produire une architecture optimale du modèle. La conception proposée en cet article aborde cette question. Le FPNN génétiquement optimisé augmenté (gFPNN) a comme conséquence une structure structurellement optimisée et vient avec un de plus haut niveau de la flexibilité en comparaison de celle produite dans le FPNN conventionnel. Le procédé de conception GA-basé qui est appliqué à chaque couche de FPNN mène au choix des noeuds préférés (ou des neurones polynômes brouillés) disponibles dans le FPNN. Dans la suite, deux mécanismes généraux d'optimisation sont explorés. D'abord, l'optimisation structurale est réalisée par l'intermédiaire du gaz, tandis que s'ensuivre, optimisation paramétrique détaillée est effectué dans l'arrangement d'une étude moindre-place-méthode-basée standard. L'exécution du gFPNN est mesurée par l'expérimentation où un certain nombre de repères modelants sont employés, c.-à-d., les données synthétiques et expérimentales ont déjà expérimenté dans modeler brouillé ou neurofuzzy. Les résultats obtenus démontrent la supériorité des réseaux proposés au-dessus des modèles brouillés et neuraux existants. DEWEY : 621 ISSN : 0278-0046 En ligne : perdrycz@ece.ualberta.ca

Exemplaires

Code-barres	Cote	Support	Localisation	Section	Disponibilité
aucun exemplaire