Нечеткий MLP-подход для распознавания нелинейных систем

В рассмотрении задач принятия решения распознавание нелинейных систем играет огромную роль. Распознавание нелинейных систем с помощью многослойного персептрона (MLP), обученного по алгоритму обратного распространения, становится значительно более сложным с увеличением количества входных данных, слоев, узлов и количества итераций в процессе вычисления. В этой работе мы предприняли попытку использования нечеткого MLP и его обучающего алгоритма для распознавания нелинейных систем. Предложили подход нечеткого MLP и его обучающего алгоритма, который позволяет ускорить процесс обучения, превышающего скорость такового в случае классического MLP. Результаты показывают значительное упрощение при поиске оптимальных параметров для нейронной нечеткой модели в сравнении с классическим MLP. Также было проведено сравнение показателей работы обучения классического MLP и предложенной нечеткой MLP-модели. Нами были проанализированы временная и пространственная сложности алгоритма. Также мы выяснили, что серьезно сократилось количество моментов, а показатели работы выросли в сравнении с классическим MLP.