Рассмотрим теперь, как с помощью гибридной системы реша­ется задача классификации, т.е. отнесение объекта, характеризу­ющегося набором признаков, к некоторому классу.

Одна из возможных структур для решения подобной задачи приведена на рис. 7.

Рис. 7. Гибридная сеть для решения задачи классификации

Предполагается, что здесь объект характеризуется двумя коли­чественными признаками х1 и x2 и относится к одному из двух классов – c1 или c2. Каждый вход представляется двумя лин­гвистическими понятиями, что позволяет ограничиться всего че­тырьмя правилами.

Сеть может быть описана следующим образом.

1.  Слой 1 (Layer1). Выходы узлов данного слоя – это степени принадлежности входных переменных определенным для них не­четким множествам A­1, А2, B1, В2.

В данном случае выбраны функции принадлежности колоколо­образного вида

Ai (t) = exp( - (tаi1 / bi1 )2 / 2)

с набором параметров аi1, аi2, bi1, bi2 .

Значения данных параметров корректируются в процессе обу­чения сети (основанном на градиентном методе).

2. Слой 2 (Layer2). Каждый нейрон этого слоя является нейро­ном типа рассмотренного выше гибридного (нечеткого) нейрона «И»

3. Слой 3 (Layer3). Нейроны данного слоя являются обыч­ными (стандартными) нейронами, входами которых являются ли­нейные (взвешенные) комбинации выходов нейронов предыдущего слоя, а выходы формируются с использованием активационных функций сигмоидного типа. Эти выходы трактуются как степени принадлежности предъявленного объекта первому или второму классу.

Алгоритм обучения данной сети, в принципе, не отличается от рассмотренных.