- •Основы теории систем и системного анализа
- •Основные определения
- •Основные процедуры системного анализа
- •Определение системы как семантической модели
- •1.3.1 Понятие семантической модели
- •1.3.2 Семантическая модель системы
- •Классификация систем
- •Свойства систем
- •Система с управлением
- •Структура систем с управлением
- •Производственная организация как кибернетическая система
- •Организационная структура связана с разделением труда группами людей в соответствии с этапами производственного процесса.
- •Моделирование сложных систем
- •Определение моделирования
- •Цели и критерии эффективности систем с управлением
- •Классификация видов моделирования
- •Принципы моделирования
- •Основные операции с нечеткими множествами
- •Нечеткие логические выводы
- •Когнитивное моделирование сложных систем
- •Традиционные когнитивные карты
- •Когнитивная карта – граф, узлами (узлами или концептами) которого являются элементы, понятия, характеристики системы. А дугами – связи между ним.
- •Нечеткие когнитивные карты
- •Обобщенные нечеткие когнитивные карты
- •4.3.1 Классификация объектов, явлений и ситуаций
- •4.3.2 Постановка задачи
- •4.3.3 Алгоритм построения эталонов
- •4.3.4 Метод дробящихся этапов
- •4.3.5 Метод ближайших соседей
- •4.3.6 Метод потенциальных функций
- •Локально-ситуационные модели сложных систем
- •Многокритериальный выбор альтернатив на основе теории нечетких множеств
- •Многокритериальный выбор альтернатив на основе теории нечетких множеств
- •Предмет теории игр
- •5.1 Основные понятия
- •5.2 Платежная матрица
- •5.3 Нижняя и верхняя цена игры. Принцип min и max
- •Игра 2 X 2
- •Геометрическая интерпретация решения игры 2 X 2
4.3.3 Алгоритм построения эталонов
Эталон – это обобщенный образ класса, полученный путем усреднения всех объектов класса по всем признакам классификации.
Эталон может не совпадать не с одним элементом класса.
Абстрактным образ называется потому, что он может не совпадать не с одним объектом генеральной совокупности.
Признаки эталона:
,
где ,
где - значение j признака i образа в k примере обучающей выборке;
- количество объектов образа в обучающей выборке.
Распознавания осуществляются следующим образом: на вход системы поступает объект (набор признаков x*), принадлежность которого к тому или иному образу системы неизвестно. От этого объекта измеряются расстояния до эталона всех образов, и считается принадлежащим тому образу расстояние, до которого минимально.
Расстояние вычисляется в той метрике, которая введена для постоянной задачи распознавания образов.
4.3.4 Метод дробящихся этапов
На первом этапе в обучающей выборке «охватывают» все объекты каждого класса гиперсферой возможно меньшего радиуса.
Строится эталон каждого класса. Вычисляется расстояние от эталона до всех объектов данного класса. Выбирается максимальное из этих расстояний . Строится гиперсфера с центром в эталоне и радиусом, охватывающая все объекты данного класса .
Эта процедура проводится для всех классов. Если гиперсферы различным образом пересекаются и в области перекрытия оказываются объекты более чем одного образа, то для них строится гиперсфера второго уровня. Затем третьего и так далее до тех пор, пока область окажется не пересекающейся, либо в области пересечения будут присутствовать объекты только одного образа.
Распознавание идет следующим образом: определяется место каждого объекта относительно гиперсфер первого уровня. При попадании объекта в гиперсферу соответствующего одному и только одному гиперобразу, процедура распознавания прекращается.
Если объект оказывается в области перекрытия гиперсферы, которая при обучении содержала объекты более чем одного образа, то осуществляется переход к гиперсферам второго уровня, и проводятся те же действия, что и для гиперсфер первого уровня.
Процесс продолжается до тех пор, пока принадлежность неизвестного объекта к тому или иному образу определяется однозначно.
Следует отметить, что неизвестный объект может не попасть ни в одну из гиперсфер какого-либо уровня.
Необходима корректировка решающих правил. Данный метод по сравнению с предыдущим представляется более точным, но трудоемким ввиду большого числа определенных и использованных эталонов. Возможность в применении в задаче динамического распознавания, что и у метода построения эталонов.
4.3.5 Метод ближайших соседей
Обучение в данном случае состоит в запоминании всех объектов в обучающей выборке. Если системе предъявлен нераспознаваемый объект Х*, то она относит этот объект тому образу, чей «представитель» оказался ближе всех к Х*. Это правило называется «правилом ближайшего соседа».
Правило состоит в том, что строится гиперсфера объемом V с центром Х*. Распознавание осуществляется по большому числу «представителей» какого-либо образа оказавшегося внутри гиперсферы.
Метод ближайшего соседа имеет недостаток, так как необходимо хранить всю обучающую выборку. Другим недостатком является большая величина ошибки, при x* близкой к границе X, то есть на границе сферы.
Использование данного метода в задаче динамического распознавания представляется проблематичным.