Using Neural Network For Control Of Fuzzy Storage

In the beginning, the data was analyzed and the final storage values were found using the classical method, where two methods were used to compare the preference of the results of these two methods, which are the fuzzy logic method and the hybrid method (fuzzy logic + neural network) and by calculating the value of The mean square error (mean square error), the final storage results are entered into the fuzzy process using the (matlab) program, and the storage results are obtained using fuzzy logic, then we compare them with the results of the classical method using (mse) and the value is (572243), and after obtaining the results The fuzzy logic is inserted into the neural network, we choose the (RNN) network and do (training) and through it the final storage is extracted and then we also calculate the value of (mse) and the value was (599). We note that the value of the mean square error of the hybrid method was much lower than that of the fuzzy logic method, so the hybrid method is adopted as it is better to obtain the result.

-1المقدمة Introduction         

ان اهم المشاکل التی یواجهها الانسان سواء کانت فی البیت او البنوک او مصرف الدم او غیرها هی مشاکل الخزین وفد مرت نظریة الخزین Inventory theory بالعدید من المراحل منذ نشأتها ف عام 1913 على ید العالم Harris  حیث کانت النماذج بسیطة جدا فی بدایاتها اذ استخدمت عددا محددا من المتغیرات للإحاطة بالعوامل الرئیسیة واضافة المزید من المتغیرات لاحقا "" ازدادت هذه النماذج تغیرا وتدریجیا ظهرت النماذج الاحتمالیة ^[Taha,2007] فی الخمسینیات لاستیعاب التأثیر الناجم من التغیر فی الطلبات Demands وفترات التورید Lead times غیر القابلة للتنبؤ. ایضا"" ^{]علی, [2006} ویمکن ان تصنف نماذج الخزین حسب طبیعة الطلب الاولى  هی النماذج التی یمکن التنبؤ بها ویکون الطلب فیها معروفا کما یمکن ان تکون ثابتة او متغیرة وتسمى بالنماذج المحددة او الغیر احتمالیة, وعلى عکسها نماذج الطلب الاحتمالیة التی لا یمکن التنبؤ بها بسبب الظروف الغیر مستقرة وغیرها من الظروف ولکن یمکننا معرفة التوزیع الاحتمالی للطلب والفترات الزمنیة. وقد تم التنبؤ بکمیة الطلب على الخزین ثم تضبیب النتائج باستخدام برنامج ماتلاب وبعدها فک الضبابیة وادخال النتائج المستخرجة على الشبکة العصبیة المعاودة RNN.

 2-المنطق الضبابی Fuzzy logic^{] [Zain Al-Abdeen,2009[Chen And Pham,2001]}

     یقدم المنطق المضبب الحل لمشکلة تمثیل البیانات الغیر محددة او التقریبیة ویوفر الالیة اللازمة لاستخدام هذه المعلومات والمعارف.

نشأ هذا المنطق عام 1965 على ید العالم الأذربیجانی الأصل "لطفی زادة" من جامعة کالیفورنیا حیث طوّره لیستخدمه کطریقة أفضل لمعالجة البیانات، لکن نظریته لم تلق اهتماماً حتى عام 1974 حیث استخدم منطق الغموض فی تنظیم محرک بخاری، ثم تطورت تطبیقاته حتى وصلت لتصنیع شریحة منطق ضبابی والتی استعملت فی العدید من المنتجات کآلات التصویر.

والمنطق المضبب یأخذ احدى القیمتین {0,1} ای {T,F} کما هو معروف وقد حقق المنطق المضبب تطورات کبیرة فی الکثیر من المجالات کما فی الصناعات وغیرها.

3-الشبکات العصبیة neural networks ^{[Al-Husaine,Al-Saedi,2009][Gurney,2003]}

هی تقنیات حسابیة مصممة لمحاکاة الطریقة التی بها الدماغ البشری مهمة معینة, وذلک عن طریق معالجة صحیحة موزعة على التوازی ومکونة من وحدات معالجة بسیطة هذه الوحدات ماهی الا عناصر حسابیة تسمى عصبونات او عقد Nods والتی لها خاصیة عصبیة من حیث انها تقوم بتخزین المعرفة العلمیة والمعلومات التجریبیة لتجعلها متاحة للمستخدم. تم اقتراح القاعدة النظریة الأولیة للشبکات العصبیة المعاصرة بشکل مستقل من قبل ألکسندر بین  (1873) وویلیام جیمس  (1890) فی عملهم، نتجت کل من الأفکار ونشاط الجسم عن التفاعلات بین الخلایا العصبیة داخل الدماغ.

الشکل :(1)مکوناتالشبکةالعصبیةالاصطناعیة

وهناک انواع کثیرة من الشبکات العصبیة نأخذ منها:

4-الشبکة المتکررة Recurrent NN(RNN)

     وهی الشبکات التی تعتمد فکرتها على تغذیة المدخل (input) او الطبقات الخفیة (hidden layer) بالمخرجات (out puts) وتکون مناسبة جدا لای استخدام متعلق بالتنبؤ , وتستخدم ایضا فی استکمال الکتابة والترجمة وتحویل الصوت الى نصوص.

الشکل (2)الشبکة العصبیة المتکررة (RNN)

5-الشبکة العصبیة المضببة fuzzy neural network ^{[Barhom,2018]}

هی أنظمة هجینة متکونة من أنظمة الشبکات العصبیة الاصطناعیة والأنظمة الضبابیة أی القائمة على المنطق الضبابی. الهدف من هذه الأنظمة الهجینة هی استغلال کل من خصائص الأنظمة العصبیة الاصطناعیة کالتعمیم والأنظمة الضبابیة التی تحاکی فی عملها عملیات التفکیر البشری. عادة ما تعتبر هذه الأنظمة تطویرا لأنظمة المنطق ضبابی .وهذا یعنی أن الهدف الأساس لنهج ال neuro fuzzy هو إنشاء وتحسین النظام الضبابی بشکل أتوماتیکی وذلک بوساطة الشبکات العصبیة الاصطناعیة. یعد النظام العصبی الضبابی نظاما وسطیا بین نظام الاستدلال الضبابی ونظام الاستدلال العصبی الضبابی المتکیف وهو یتألف من خمس طبقات ذات انتشار امامی

الشکل (3)بنیةالنظامالعصبیالضبابی

أ-الطبقةالأولى )طبقةالدخل(:

فی هذه الطبقة یتم إدخال الدخل x إلى تابع العضویة المقابل له فی الطبقة الآتیة.

ب-الطبقةالثانیة )المطابقة(:

فی هذه الطبقة کل عقدة هی تابع عضویة، تقوم هذه الطبقة بحساب التشابه بین الدخل وتابع العضویة.یمکن أن یکون تابع العضویة أی نوع من التوابع المثلثی أو الجرسی أو الغوصی أو اللوجیستی او غیرها من التوابع.

ج-الطبقةالثالثة :( MIN )

تقوم هذه الطبقة بإنجاز عملیة ال AND التی یعبر عنها  بmin.

د-الطبقةالرابعة(MAX):

تقوم هذه الطبقة بإنجاز عملیة ال OR الضبابیة وذلک من أجل دمج القواعد التی لها نفس النتیجة.

و-الطبقةالخامسة defuzzifaction) ):

تقوم هذه الطبقة بالتجمیع الخطی للخرج من القواعد المختلفة.

-الجانب التطبیقی

تم اخذ بیانات من مصرف الدم فی محافظة نینوى لسنة 2018 وکانت البیانات للدم الکامل Whole Blood والبیانات تشمل (المتبرعین بالدم, کمیة الدم التالفة وکمیة الطلب على الدم) بغض النظر عن صنف الدم حیث تم ایجاد حجم الخزین بالطریقة الکلاسیکیة وایضا ایجاد حجم الخزین بالطریقة الضبابیة والحصول على نتائج من انقشاع الضبابیة ثم ادخال النتائج على شبکة RNN العصبیة ومقارنتها مع النتائج بالطریقة الکلاسیکیة بحساب MSE والجدول التالی یوضح البیانات التی تم الحصول علیها:

جدول (1)البیانات فی مصرف الدم

وباستخدام المعادلة التالیة یتم التنبؤ بکمیة الخزین وکالتالی:   

حیث ان :

S: کمیة الخزین.

ES: کمیة الخزین السابق.

D: عدد المتبرعین بالدم.

M: الکمیة التالفة.

O: کمیة الطلب.

حیث ان الکمیة السابقة للخزین کانت 1879 قنینة دم وبعد ادخال المعطیات على المعادلة تم الحصول على الخزین وکالتالی:

جدول (2) نتائج الطریقة الکلاسیکیة

وتعتبر هذه الطریقة هی الطریقة الکلاسیکیة .

 الطریقة الثانیة سوف تکون بإدخال نفس البیانات التی تم الحصول علیها على المنطق المضبب وباستخدام برنامج MATLAB ومن ال TOOL الجاهزة فعند فتح نافذة برنامج MATLAB نکتب کلمة fuzzy یفتح نافذة الاستدلال الضبابی حیث نقوم بإعداد مدخلات ومخرجات هذا النظام

یوجد ثلاث انواع من المنطق الضبابی سنستخدم اشهرها والتی استخدمها العالم زاده عام 1973 وهو نظام Mamdani

حیث سیکون ثلاث مدخلات حسب البیانات لسنة 2018

المدخل الاول (المتبرعین) عدد دوال الانتماء 2

المدخل الثانی (الکمیة التالفة) عدد دوال الانتماء 2

المدخل الثالث (کمیة الطلب) عدد دوال الانتماء 2

شکل(4) محرر الاستدلال الضبابی

حیث تمثل المدخلات In puts کما ذکرنا وهی ثلاثة (المتبرعین, الکمیة التالفة وکمیة الطلب) وتمثل المخرجات Out puts کمیة الخزین , حیث تم تحویل توزیع دالة الانتماء من trimf الى gaussmf وکانت عملیة تضبیب البیانات کما فی الاشکال التالیة:

الشکل(5) یوضح تضبیب المتبرعین بالدم

الشکل اعلاه یمثل عملیة تضبیب المتبرعین بالدم فی البیانات الداخلة الى البرنامج

الشکل((6 یمثل تضبیب کمیة الدم التالفة

الشکل اعلاه یمثل عملیة تضبیب کمیة الدم التالفة فی البیانات الداخلة

الشکل(7) یمثل عملیة تضبیب کمیة الطلب

الشکل اعلاه یمثل عملیة تضبیب کمیة الطلب على الدم من المستشفیات فی المحافظة.

وفیما یلی ایضا عملیة تضبیب کمیة الخزین للبیانات الداخلة فی العملیة الضبابیة

الشکل(8) یمثل عملیة تضبیب الخزین

والمرحلة التالیة هی عملیة تعریف النظام وذلک عبر ادخال قواعد الشرط والنتیجة فی نظام الاستدلال الضبابی, من قائمة Editor نختار Rule حیث تم اعداد 8 قواعد وکما فی الشکل ادناه

شکل(9) محرر قواعد نظام الاستدلال الضبابی

یلیها مرحلة تضبیب القواعد الخمسة التی تم ادخالها الى النظام الضبابی

شکل((10 تضبیب القواعد

الى هنا قد تم تعریف جمیع خطوات عملیة تضبیب البیانات للمدخلات حیث ان الجزء المتبقی هو عملیة فک الضبابیة والتی استعملنا طریقة ال centroid بالاعتماد على قیم المخرجات وکانت النتیجة:

جدول(3) یمثل نتائج تضبیب البیانات

وبعد الحصول على نتائج عملیة التضبیب سوف یتم ادخال هذه النتیجة على شبکة RNN العصبیة وذلک عن طریق برنامج MATLAB بکتابة nntool شوف تفتح نافذة الشبکات العصبیة والتی سوف نقوم بإدخال البیانات ودالة الهدف لدینا والحصول على نتائج الشبکة العصبیة .

شکل(11) :نافذة الشبکة العصبیة

من خلال هذه النافذة سنقوم بإدخال inputs و target data ومن خیار ال import نحدد المدخلات ودالة الهدف ثم من خیار NEW نقوم بتحدید نوع الشبکة العصبیة ونقوم بعمل Training للشبکة العصبیة والقیام بهذه العملیة ل 9 مرات واستخراج نتیجة الشبکة العصبیة

شکل(12) نافذة ال training

وفیما یلی شکل عملیة ال training وعملیة المعالجة والتدریب

الشکل(13) یوضح عملیة training

نکرر هذه العملیة على جمیع معالجات الشبکة العصبیة ول 9 مرات والحصول على نتائج الشبة العصبیة والتی سنقوم بمقارنة کل نتیجة مع النتیجة المستخرجة بالطریقة الکلاسیکیة وحساب mse لها واختیار اقل mes کما فی الجدول ادناه

جدول(4) یمثل نتائج الشبکة العصبیة وال mse

اقل قیمة mse تم الحصول علیها لmse  عی   598.85 

-الاستنتاجConclusion:

فی البدایة تم تحلیل البیانات وایجاد قیم الخزین النهائی باستخدام الطریقة الکلاسیکیة حیث تم استخدام طریقتین للمقارنة بین افضلیة نتائج هذه الطریقتین وهما طریقة المنطق الضبابی(fuzzy logic) والطریقة الهجینة(منطق ضبابی + شبکة عصبیة)(fuzzy logic +neural network) ومن خلال حساب قیمة متوسط مربع الخطـأ (mean square error), یتم ادخال نتائج الخزین النهائی الى العملیة الضبابیة وباستخدام برنامج (matlab) والحصول على نتائج الخزین باستخدام المنطق الضبابی ثم نقارنها مه نتائج الطریقة الکلاسیکیة باستخدام (mse) وکانت القیمة هی (572243), وبعد الحصول على نتائج المنطق الضبابی یتم ادخالها الى الشبکة العصبیة ,نختار شبکة (RNN) وعمل (training) ومن خلالها یتم استخراج الخزین النهائی وبعدها ایضا نحسب قیمة (mse) وکانت القیمة (599). نلاحظ ان قیمة متوسط مربع الخطأ فی للطریقة الهجینة کانت اقل بکثیر من طریقة المنطق الضبابی لذلک یتم اعتماد الطریقة الهجینة کونها افضل للحصول على النتیجة  .