عصبی فازی

در رشته هوش مصنوعی، عصبی – فازی به ترکیبی از شبکات عصبی مصنوعی و منطق فازی ارجاع داده می شود.
هیبریداسیون عصبی – فازی، منجر به یک سیستم هوشمند هیبرید می شود که با ترکیب کردن دو تکنیکِ مدل استدلالی انسان گونه از سیستم های فازی همراه با یادگیری و ساختار پیوندگرایِ شبکه های عصبی پدید می آید. در ادبیات، هیبریداسیون عصبی – فازی به طور گسترده ای با عنوان شبکه عصبی فازی ( FNN ) یا سیستم فازی – عصبی ( NFS ) نامیده می شود. سیستم عصبی – فازی ( شکل مشهورتر آن از حالا به بعد مورد استفاده قرار خواهد گرفت ) سیستم سبک استدلالی انسان گونه را از طریق استفاده از مجموعه های فازی و یک مدل زبانی که شامل مجموعه ای از قانون های فازی IF - THEN است به کار می گیرد. نقطه ی قوت سیستم های عصبی – فازی این است که تقریب زننده های جهانی با توانایی درخواست تفسیر قوانین IF - THEN هستند.
قدرت سیستم های عصبی – فازی شامل دو نیازِ متناقض در مدل سازی فازی است: تفسیرپذیری در مقابل دقت. در عمل یکی از این دو ویژگی ها بر دیگری غالب است. در رشته پژوهش مدل سازی فازی، سیستم عصبی – فازی به دو بخش تقسیم می شود: مدل سازی زبانی فازی که بر روی تفسیرپذیری متمرکز می شود، اساساً مدل ممدانی؛ و مدل سازی فازی صریح که بر روی دقت متمرکز است، اساساً مدلِ ( TSK ) .
همچنین به طور کلی فرض شده است که فهم سیستم های فازی از طریق پیوند های ارتباط گرا باشد، این اصطلاح همچنین برای توصیف پیکربندی های دیگری نیز مورد استفاده قرار می گیرد از جمله:
• استخراج قوانین فازی از طریق شبکه های RBF تعلیم داده شده.
• منطق فازی بر اساس پارامتر های تمرینی تنظیم شبکه عصبی.
• معیارهای منطق فازی برای افزایش ظرفیت شبکه.
• درک توابع عضویت بواسطه ی الگوریتم های خوشه بندی کردن در یادگیری بی نظارت در نقشه های خود سازمان دهنده و شبکه های عصبی.
• ارائه فازی کردن، استنتاج فازی و غیرفازی کردن از طریق شبکه پیوندگرای پیشخور چندلایه ای.
همچنین باید اشاره گردد که تفسیرپذیری نوع ممدانی سیستم عصبی – فازی می تواند از بین برود. برای تقویت سیستم عصبی – فازی، اندازه گیری های خاصی باید انجام شود، که در دیدگاه های مهم سیستم های عصبی – فازی نیز مورد بحث قرار گرفته است.
یک راه تحقیقاتی اخیر به مقوله ی جریان داده کاوی می پردازد، به طوری که سیستم های عصبی – فازی مرتباً با نمونه های ورودی جدید در صورت تقاضا و در حین اجرا به روز می گردد. بدین وسیله بروزرسانی های سیستم نه تنها در بر گیرنده ی سازگاری بازگشتی پارامترهای مدل است، بلکه شامل یک تکامل پویا و هرس مولفه های مدل ( نورون ها و قوانین ) برای مدیریت کردن رانش مفهوم و تغییر در اندازه کافی به صورت پویا در رفتار سیستم برای به روز نگه داشتن سیستم / مدل در هر زمان است.