Loading article…
人工知能の分野において、ニューロファジーという用語は、人工ニューラルネットワークとファジー論理の組み合わせを指す。
ニューロファジーハイブリッド化は、ファジーシステムの人間のような推論スタイルとニューラルネットワークの学習およびコネクショニスト構造を組み合わせたハイブリッドインテリジェントシステムをもたらします。ニューロファジーハイブリッド化は、文献ではファジーニューラルネットワーク（FNN）またはニューロファジーシステム（NFS）と広く呼ばれています。ニューロファジーシステム（以降、より一般的な用語を使用します）は、ファジー集合と、IF-THENファジールールの集合からなる言語モデルを使用することで、ファジーシステムの人間のような推論スタイルを取り入れています。ニューロファジーシステムの主な強みは、解釈可能なIF-THENルールを要求できる普遍近似器であることです。
ニューロファジーシステムの強みは、ファジーモデリングにおける解釈可能性と精度という2つの相反する要件を満たす点にあります。実際には、どちらか一方の特性が優先されます。ファジーモデリングにおけるニューロファジーの研究分野は、解釈可能性に重点を置いた言語的ファジーモデリング（主にマムダニモデル）と、精度に重点を置いた精密ファジーモデリング（主に高木・菅野・康（TSK）モデル）の2つの領域に分けられます。
一般的にはコネクショニストネットワークによるファジーシステムの実現とみなされているが、この用語は以下のような他の構成を説明するためにも使用される。
マムダニ型ニューロファジーシステムの解釈可能性が失われる可能性があることを指摘しておかなければならない。ニューロファジーシステムの解釈可能性を向上させるためには、いくつかの対策を講じる必要があり、その中でニューロファジーシステムの解釈可能性の重要な側面についても議論されている。[ 2 ]
最近の研究では、ニューロファジーシステムが要求に応じてオンザフライで新しい入力サンプルで順次更新されるデータストリームマイニングのケースが取り上げられています。これにより、システム更新にはモデルパラメータの再帰的適応だけでなく、概念ドリフトや動的に変化するシステム動作を適切に処理し、システム/モデルを常に「最新」に保つために、モデルコンポーネント（ニューロン、ルール）の動的な進化と剪定も含まれます。さまざまな進化型ニューロファジーシステムアプローチの包括的な調査は、[ 3 ]および[ 4 ]に記載されています。
擬似外積ベースのファジーニューラルネットワーク（POPFNN）は、言語的ファジーモデルに基づいたニューロファジーシステムのファミリーです。[ 5 ]
文献にはPOPFNNの3つのメンバーが存在する。
「POPFNN」アーキテクチャは5層ニューラルネットワークであり、1層目から5層目はそれぞれ入力言語層、条件層、ルール層、結果層、出力言語層と呼ばれます。入力のファジィ化と出力の非ファジィ化は、それぞれ入力言語層と出力言語層によって行われ、ファジィ推論はルール層、条件層、結果層によってまとめて行われます。
POPFNNの学習プロセスは、以下の3つのフェーズから構成されます。
ファジーメンバシップ生成アルゴリズムには、学習ベクトル量子化（LVQ）、ファジーコホーネン分割（FKP）、離散増分クラスタリング（DIC）など、さまざまな手法が用いられます。一般的には、POPアルゴリズムとその派生アルゴリズムであるLazyPOPがファジールールの識別に用いられます。