Information Technology Reference
In-Depth Information
linguistischer Regeln oder Zugehörigkeitsfunktionen weitere Verfahren eingesetzt, wie
beispielsweise die Gewichtung von Regeln, so wird dadurch die Semantik des Reglers
aufgegeben. Da ein Fuzzy-System mit unscharfen Angaben über die Systemvariablen aus-
kommt, ist zu erwarten, dass geringfügige Änderungen in den Zugehörigkeitsfunktionen
die Leistung des Systems nicht wesentlich beeinflussen. Allerdings wird diese Erwartung
nicht erfüllt und es gibt zahlreiche Beispiele dafür, dass durch die geringe Änderung nur
einer Zugehörigkeitsfunktion ein Fuzzy-Regler so beeinflusst wird, dass er seine Regel-
aufgabe nicht mehr erfüllen kann. In solch einem Fall bleibt einem nichts anders übrig, als
das Fuzzy-System manuell an die geänderte Problemstellung anzupassen. Neben der Tat-
sache, dass kleine Veränderungen eventuell große Auswirkungen auf das Systemverhalten
haben, kann eine Optimierung zudem mehr als einem Kriterium gleichzeitig unterworfen
sein, wie beispielsweise Geschwindigkeitsaspekte, minimaler Energieaufwand usw. Es ist
daher wünschenswert, einen automatischen Adaptionsprozess zur Verfügung zu haben,
der dem Lernverfahren neuronaler Netze gleicht und die Optimierung von Fuzzy-Syste-
men unterstützt.
Nach der vergleichenden Gegenüberstellung der Vor- und Nachteile neuronaler Netze
und Fuzzy-Systeme wird deutlich, dass es durch eine geeignete Kombination beider An-
sätze möglich ist, Vorteile zu vereinen und Nachteile auszuschließen (Tab.
2.1
). Das wich-
tigste Argument für eine Kombination von Fuzzy-Systemen mit neuronalen Netzen ist die
Lernfähigkeit letzterer. Ein entsprechendes System sollte in der Lage sein, linguistische
Tab. 2.1
Vergleich neuronaler Netze und Fuzzy Systeme
Neuronales Netz
Fuzzy System
Vorteile
Kein mathematisches Modell
erforderlich
Kein mathematisches Modell
erforderlich
Kein Regelwissen erforderlich
A-priori-Wissen anwendbar
Umfangreiche Lernalgorithmen
vorhanden
Einfache Interpretation und
Implementierung
Nachteile
Black-Box-Verhalten
Regelwissen muss vorhanden und
verfügbar sein
Kein Regelwissen extrahierbar
Nicht lernfähig
Heuristische Wahl der Netzparameter
Keine formalen Methoden für das
Justieren oder Tuning
Schwierige Anpassung an veränderte
Parameter und erforderliches Wiederan-
stossen des Lernvorgangs
Semantische Probleme bei der Inter-
pretation der Systeme
Kein a-priori-Wissen verwendbar
Anpassung an veränderte Parameter
unter Umständen nur sehr schwierig
möglich
Bezüglich des Konvergierens des Lern-
vorgangs kann eine Garantie gegeben
werden
Bezüglich des Tunings kann keine
Garantie gegeben werden
