Consider the integration of symboli

Consider the integration of symbolic (e.g., fuzzy systems) and connectionist (e.g., neural networks) systems. This embedded combination, toward a neuro-fuzzy sys-tem, provides an effective and efficient approach to problem solving. Fuzzy systems carry a notion that truth values (in fuzzy logic terms) or membership values (in fuzzy sets) are indicated as a range [0.0, 1.0], with 0.0 representing absolute false-ness and 1.0 representing absolute truth (Dubois and Prade, 2004). Fuzzy systems make use of linguistic knowledge and are interpretable in nature. In contrast, neural networks are largely considered a “black box” approach and characteristically learn from scratch (Olden and Jackson, 2002). By combining these two paradigms, the drawbacks pertaining to both become complementary. A variety of other hybrid approaches are used, including expanded hybrid connectionist-symbolic models, evolutionary neural networks, genetic fuzzy systems, rough fuzzy hybridization, and reinforcement learning with fuzzy, neural, or evolutionary methods, and symbolic reasoning methods. A variety of these models will be discussed in Chapter 4 and in various applications presented throughout this book.

Kết quả (Việt) 1:

Xem xét việc tích hợp các biểu tượng (ví dụ: Hệ thống mờ) và hệ thống việc (ví dụ như mạng nơ-ron). Sự kết hợp nhúng này, về hướng sys neuro-fuzzy – tem, cung cấp một phương pháp hiệu quả để giải quyết vấn đề. Hệ thống mờ mang một ý niệm rằng thật giá trị (trong điều kiện fuzzy logic) hoặc thành viên giá trị (trong bộ mờ) được chỉ định như là một loạt các [0.0, 1.0], với 0,0 đại diện cho tuyệt đối sai-ness và 1,0 đại diện cho sự thật tuyệt đối (Dubois và Prade, 2004). Hệ thống mờ làm cho việc sử dụng các kiến thức về ngôn ngữ và được interpretable trong tự nhiên. Ngược lại, mạng nơ-ron chủ yếu được coi là một cách tiếp cận "hộp đen" và tìm hiểu đặc trưng từ đầu (Olden và Jackson, 2002). Bằng cách kết hợp những hai paradigms, hạn chế liên quan đến cả hai trở thành bổ sung. Một loạt các khác phương pháp tiếp cận hybrid được sử dụng, bao gồm cả lai mở rộng mô hình việc tượng trưng, mạng nơ-ron tiến hóa, di truyền hệ mờ, thô mờ lai và tăng cường việc học với phương pháp mờ, thần kinh hoặc tiến hóa, và các phương pháp lý luận mang tính biểu tượng. Một loạt các mô hình này sẽ được thảo luận trong chương 4 và trong các ứng dụng trình bày trong cuốn sách này.

Kết quả (Việt) 2:

Hãy xem xét việc tích hợp các biểu tượng (ví dụ, hệ thống mờ) và các hệ thống connectionist (ví dụ, các mạng thần kinh). kết hợp nhúng này, hướng tới một neuro-fuzzy sys-tem, cung cấp một cách tiếp cận hiệu quả và hiệu quả để giải quyết vấn đề. hệ thống mờ mang theo một quan điểm cho rằng giá trị chân lý (về logic mờ) hoặc giá trị thành viên (trong tập mờ) được chỉ định như một loạt [0.0, 1.0], với 0.0 đại diện tuyệt đối sai-Ness và 1.0 đại diện cho sự thật tuyệt đối (Dubois và Prade, 2004). hệ thống mờ sử dụng các kiến ​​thức ngôn ngữ và có thể phiên dịch trong tự nhiên. Ngược lại, các mạng thần kinh được phần lớn được coi là một "hộp đen" phương pháp tiếp cận và đặc trưng học từ đầu (Olden và Jackson, 2002). Bằng cách kết hợp hai mô này, những hạn chế liên quan đến cả hai trở thành bổ sung. Một loạt các phương pháp lai khác được sử dụng, bao gồm cả mô hình mở rộng hybrid connectionist-tượng trưng, ​​mạng thần kinh tiến hóa, hệ thống mờ di truyền, lai mờ thô, và củng cố việc học với mờ, thần kinh, hoặc các phương pháp tiến hóa, và phương pháp suy luận mang tính biểu tượng. Một loạt các mô hình này sẽ được thảo luận trong chương 4 và trong các ứng dụng khác nhau được trình bày trong cuốn sách này.