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

• تحسين أوضبط معاملات الشبكات العصبية الإصطناعية كعدد النيورونات في الشبكة أومعامل التفهم
• نمذجة الضبابية أوطرق الإستنتاج الضبابي عن طريق الشبكات العصبية الإصطناعية

ويتم عادة التفرقة بين نوعين من الأنظمة العصبية الضبابية:

• الأنظمة الهجينة hybrid neuro fuzzy systems التي لا يمكن فيها فك الإرتباط بين النظام العصبي ونظام المنطق الضبابي حيث حتى الشبكة يمكن فهمها على أنها نظام شبكات عصبية اصطناعية أوفي نفس الوقت كنظام منطق ضبابي
• الأنظمة التعاونية cooperative neuro fuzzy systems: وهي أنظمة يتم فيها استعمال شبكة عصبية اصطناعية للتحصل على المعاملات الخاصة بنظام المنطق الضبابي كدالة الإنتماء ومن ثم يتم فصل الشبكةعنه ويعمل نظام المنطق الضبابي بمفرده

أنظمة الشبكات العصبية الضبابية الهجينة

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

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

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

المستوى التالية في عمل أنظمة المنطق الضبابي بعد حساب قيمة تحقق الشروط الأولية والشروط المركبة هوحساب 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 ويليها خطوة التجميع حيث يتم تجميع قيمة الإستنتاجات بالنسبة لمختلف القواعد الموجودة ويمكن تسمية هذه المستوى خطوة التجميع وهي خطوة تحصل على مستوى طبقة الإخراج بالنسبة للشبكة العصبية. في الفترة الأخيرة يتم الإنتنطق من دالة إنتماء إلى عدد سليم وهذه الفترة تسمى حمل لضبابية أوdefuzzyfication. الصورة في الأسفل تلخص هذه العملية:

بعد تصميم النظام العصبي الضبابي بالطريقة المبينة أعلاه يتم تدريب الشبكة على تفهم معاملتها التي هي عرض ووسط دالة الإنتماء بالإضافة إلى الوزن W ويمكن من أجل ذلك استعمال خوارزمية التفهم المسمات بالتغذية الخلفية Backpropagation

الأنظمة العصبية الضبابية التعاونية

تطبيق الأنظمة العصبية الضبابية الهجينة

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

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

ويتم 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 فهم صناعة الروبوت "الانسان الالي" وانظمة التحكم بالصناعة ومعظم هذه الانظمة مبنية على الية التحكم الضبابية والتي تصف نظام معقد من العلاقات الرياضية بمجموعة من العبارات اللغوية . تاتي تعبير انظمة ضبابية من حقيقة ان معظم المشاكل في الحياة العملية هي مشاكل غير واضحة المعطيات وتوضح 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 والمخرجات بحوزتنا ونود انشاء نظام ضبابي لتقريب هذه البيانات يتكون النظام من مجموعة من الاقترانات التي تبين نسبة المشاركة ""mempership function ومجموعة من القواعد ذات المتغيرات القابلة للتعديل لتضبط هذه الاقترانات . الهدف من خاصية التكيف هوانشاء نظام ضبابي محسن وهوتعبير عن القدرة على تحويل الفهم إلى مجموعة من القيود للتقليل تعددية ابحاث الزيادة في الجودة ومن وجهة الباحثين في الخلاية العصبية الصناعية هوالقدرة 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 وان شكل الاقترانات لا يتغير في عملية التفهم مما يؤدي إلى ضعف في المحاكاة. يتكون النظام من عدة طبقات كما هومشروح في الشكل التالي ولكل 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 وطبيعة العمارة التي يقوم عليها وتتابع سير البيانات فانه يتحتم علينا عرض كيفية التفهم في هذا النظام في ما يلي سنعرض خوارزمية التفهم الهجين " hybrid learning algorithm" من خلال دراسة طبيعة النظام يتضح حتى الناتج النهائي يمكن التعبير عنها كمجموعة خطية بالنسبة إلى المتغيرات التي تحدد تسلسل البيانات . تقسم عملية التفهم إلى قسمين رئيسيين الأول هوالتمرير الأمامي وفي هذه الفترة يتم تعديل المتغيرات التي تحدد تسلسل البيانات في الطبقة الرابعة حسب مبدءا المربع الأقل ، أما القسم الأخر فهوالتمرير الخلفي وبحسب التسمية المطلقة عليه فان التسلسلقد يكون عكسيا من الناتج إلى المدخلات وفي هذه الفترة 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 وهوازالة التشويش من الصور باستخدام الانظمة الذكية الضبابية يقوم النظام بتقسيم الصور إلى الوحدات الاساسية للصور الا وهي البيكسل ومن ثم يحدد الوحدات التي من المحتمل ان تكون معطوبة وعملية تقريب لاحتمال ان تكون الوحدات الجانبية قد تاثرت بهذا الخلل يتم اكتشاف الوحدات المعطوبة باستخدام قانون المثلثات حيث تقسم الصورة إلى مجموعة من المثلثات وتعتبر النقاط التي تمثل رؤوي المثلث هي البيانات السليمة والنقاط الواقعة في المنتصف هي الملفات المعطوبة وفي 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 التفهم كما وضحنا سابقا والزيادة في سرعة حل المشكلات وسهولة الاستخدام بالمقارنة مع الانظمة الاخرى من الانظمة الذكية التقليدية .

المصادر

• ويكيبيديا العربية