WIPO logo
Mobile | Deutsch | Español | Français | 日本語 | 한국어 | Português | Русский | 中文 | العربية |
PATENTSCOPE

Search International and National Patent Collections
World Intellectual Property Organization
Search
 
Browse
 
Translate
 
Options
 
News
 
Login
 
Help
 
Machine translation
1. (WO1997006493) PROCESS FOR SIMULATING ESPECIALLY TRIANGULAR OR TRAPEZOIDAL RELEVANCE FUNCTIONS IN THE TRANSFORMATION OF A FUZZY SYSTEM INTO A NEURONAL NETWORK
Latest bibliographic data on file with the International Bureau   

Pub. No.:    WO/1997/006493    International Application No.:    PCT/DE1996/001400
Publication Date: 20.02.1997 International Filing Date: 26.07.1996
Chapter 2 Demand Filed:    28.11.1996    
IPC:
G06N 3/04 (2006.01)
Applicants: SIEMENS AKTIENGESELLSCHAFT [DE/DE]; Wittelsbacherplatz 2, D-80333 München (DE) (For All Designated States Except US).
MÜLLER, Claudia [DE/DE]; (DE) (For US Only).
WOLF, Thomas [DE/DE]; (DE) (For US Only)
Inventors: MÜLLER, Claudia; (DE).
WOLF, Thomas; (DE)
Priority Data:
195 28 984.6 07.08.1995 DE
Title (DE) VERFAHREN ZUR NACHBILDUNG VON INSBESONDERE DREIECK- ODER TRAPEZFÖRMIGEN ZUGEHÖRIGKEITSFUNKTIONEN BEI DER TRANSFORMATION EINES FUZZY-SYSTEMS IN EIN NEURONALES NETZ
(EN) PROCESS FOR SIMULATING ESPECIALLY TRIANGULAR OR TRAPEZOIDAL RELEVANCE FUNCTIONS IN THE TRANSFORMATION OF A FUZZY SYSTEM INTO A NEURONAL NETWORK
(FR) PROCEDE DE SIMULATION DE FONCTIONS D'APPARTENANCE NOTAMMENT TRIANGULAIRES OU TRAPEZOIDALES LORS DE LA TRANSFORMATION D'UN SYSTEME A LOGIQUE FLOUE EN UN RESEAU NEURONAL
Abstract: front page image
(DE)Nach dem erfindungsgemäßen Verfahren werden bei der Transformation eines Fuzzy-Systems in ein neuronales Netz in der Fuzzifizierungskomponente zur Nachbildung von insbesondere dreieck- oder trapezförmigen Zugehörigkeitsfunktionen Sigmoidfunktionen (1, 2) multiplikativ (3, $g(p)) verknüpft. Hierzu werden vorteilhaft Produktneuronen ($g(p)) eingesetzt. Bevorzugt werden die Sigmoidfunktionen (1, 2) vor Durchführung der multiplikativen Verknüpfung mit je einem festen Gewichtswert bewertet, wobei vorteilhaft die Gewichtswerte jeweils eine Größe von 1 aufweisen. Die Erfindung hat den Vorteil, daß keine undefinierten, negativen Fuzzy-Mengen auftreten und die erfindungsgemäße Neuronenstruktur eine mit bekannten Neuro-Fuzzy-Strukturen vergleichbar hohe Transformationsgenauigkeit besitzt. Ein weiterer Vorteil liegt darin, daß Lernprozesse mit der erfindungsgemäßen multiplikativen Verknüpfung in den meisten Fällen schneller ablaufen als bei einer Neuro-Fuzzy-Struktur mit additiv verknüpften Sigmoidneuronen.
(EN)In the process of the invention, sigmoid functions (1, 2) are multiplicatively (3, $g(p)) linked in the fuzzification component to simulate especially triangular or trapezoidal relevance functions in the transformation of a fuzzy system into a neuronal network. Product neurons ($g(p)) are advantageously used for this purpose. The sigmoid functions (1, 2) are preferably each given a set weighting before the multiplicative linking is undertaken, with the weightings advantageously having a value of 1. The invention has the advantage that no undefined negative fuzzy quantities occur and the transformation precision of the neuron structure of the invention is comparable to that of prior art neurofuzzy structures. A further advantage is that learning processes generally take place more rapidly with the multiplicative linking of the invention than in a neuro-fuzzy structure using additively linked sigmoid neurons.
(FR)L'invention concerne un procédé selon lequel, lors de la transformation d'un système à logique floue en un réseau neuronal, des fonctions sigmoïdes (1, 2) sont combinées de manière multiplicative (3, $g(p)) dans la composante de mise en logique floue, pour simuler des fonctions d'appartenance notamment triangulaires ou trapézoïdales. On utilise à cet effet avantageusement des neurones-produits ($g(p)). Avant d'être combinées de manière multiplicative, les fonctions sigmoïdes (1, 2) sont toutes pondérées par une valeur de pondération fixe, les valeurs de pondération présentant de préférence une valeur de 1. L'invention présente l'avantage qu'aucune quantité de logique floue négative non définie n'intervient et que la structure neuronale offre une précision de transformation élevée, comparable à celle des structures de logique floue connues. Un autre avantage de l'invention réside dans le fait qu'avec le mode de combinaison multiplicative de l'invention, les processus d'apprentissage se déroulent de manière générale plus rapidement que dans une structure de logique floue neuronale où des neurones sigmoïdes sont combinés de manière additive.
Designated States: CA, CN, IL, JP, KR, SG, US.
European Patent Office (AT, BE, CH, DE, DK, ES, FI, FR, GB, GR, IE, IT, LU, MC, NL, PT, SE).
Publication Language: German (DE)
Filing Language: German (DE)