The Cascade Neo-Fuzzy Neural Network and its Learning Algorithm

Abstract

New hybrid system of computational intelligence called the Cascade Neo-Fuzzy Neural Network (CNFNN) is introduced. This architecture has the similar structure with the Cascade-Correlation Learning Architecture (CasCorLA) proposed by S.E. Fahlman and C. Lebiere, but di®ers from it in type of artificial neurons. The CNFNN consists of neo-fuzzy neurons, which can be adjusted using high-speed linear learning procedures. Proposed architecture is characterized by high learning rate, low size of the learning sample and its operations can be described by the fuzzy linguistic ''if- then" rules providing transparency of received results, as compared with the conventional neural networks.

У статтi запропоновано нову гiбридну систему обчислювального iнтелекту каскадну не-офаззi нейронну мережу (CNFNN), що має однакову структуру з каскадно-кореляцiйною нейронною мережею ФальманаЛеб'єра (CasCorLA), однак у якостi вузлiв вона використовує нео-фаззi нейрони, що навчаються за допомогою швидкодiючих лiнiних процедур навчання. Порiвняно з iснуючими традицiйними апроксимуючими нейронними мережами CNFNN характеризується високою швидкiстю навчання, потребує навчальну виборку невеликого об’єму, а її функцiювання може бути описано нечiткими лiнгвiстичними "якщо-то"правилами, забезпечуючи прозорiсть результатiв, що отримуються.