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( - (t – аi1 / 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.