- •А.П. Ротштейн Интеллектуальные технологии идентификации
- •Глава 1
- •1.1. Нечеткие множества
- •1.1.1. Основные понятия теории нечетких множеств
- •1.1.2. Свойства нечетких множеств
- •1.1.3. Операции над нечеткими множествами
- •1.1.4. Некоторые дополнительные понятия
- •1.1.5. Нечеткие отношения
- •1.1.6. Нечеткие числа
- •1.1.7. Нечеткость и вероятность
- •1.2. Генетические алгоритмы
- •1.2.1. Принципы построения генетических алгоритмов
- •1.2.2. Основные операции генетических алгоритмов
- •1.2.3. Стратегии поиска
- •1.2.4. Отличие от классического поиска
- •1.2.5. Преимущества генетических алгоритмов
- •1.2.6. Терминология
- •1.2.7. Примеры генетической оптимизации
- •1.3. Нейронные сети
- •1.3.1. Основные понятия
- •1.3.2. Имитация нервных клеток
- •1.3.4. Обучение нейронных сетей
- •1.3.5. Метод обратного распространения ошибки
- •Глава 2
- •2.1. Лингвистические правила в принятии решений
- •2.1.1. Автоматическое управление
- •2.1.2. Ситуационное управление
- •2.1.3. Медицинская диагностика
- •2.1.4. Многокритериальная оценка
- •2.1.5. Многофакторный анализ
- •2.2. Принятие решений и идентификация
- •2.3. Принципы лингвистического моделирования
- •Глава 3
- •3.1. Формализация исходной информации
- •3.1.1. Входы и выходы объекта
- •3.1.2. Лингвистические переменные
- •3.1.3. Нечеткая база знаний
- •3.1.4. Функции принадлежности
- •3.2. Объекты с дискретным выходом
- •3.2.1. Постановка задачи
- •3.2.2. Нечеткие логические уравнения
- •3.2.3. Алгоритм аппроксимации
- •3.3. Объекты с непрерывным выходом
- •3.3.1. Постановка задачи
- •3.3.2. Алгоритм аппроксимации
- •3.4. Применение композиционного правила вывода
- •3.4.1. Постановка задачи
- •3.4.2. Нечеткий логический вывод
- •3.4.3. Интерпретация вывода
- •3.5. Иерархические объекты
- •3.5.1. Обобщенное дерево логического вывода
- •3.5.2. Нечеткие логические уравнения
- •Глава 4
- •4.1. Нечеткое представление неопределенных параметров
- •4.2. Учет влияющих факторов
- •4.3. Нечеткое обобщение аналитических моделей
- •4.3.1. Принцип обобщения Заде
- •4.3.3. Модифицированный принцип обобщения
- •4.4. Методика нечеткого обобщения аналитических моделей
- •Глава 5
- •5.1. Задачи оптимальной настройки
- •5.1.1. Веса правил
- •5.1.2. Объект с непрерывным выходом
- •5.1.3. Объект с дискретным выходом
- •5.1.4. Критерии качества идентификации
- •5.2. Настройка параметрических функций принадлежности
- •5.2.1. Кодирование
- •5.2.2. Скрещивание
- •5.2.3. Мутация
- •5.2.4. Функция соответствия
- •5.2.5. Выбор родителей
- •5.2.6. Генерация популяции
- •5.2.7. Генетический алгоритм
- •5.3. Настройки -уровневых функций принадлежности
- •5.3.1. Аналитические модели функций принадлежности
- •5.3.2. Настройки модели с дискретным выходом
- •5.3.3. Настройки модели с непрерывным выходом
- •5.3.4. Кодирование и скрещивание
- •5.3.5. Мутация
- •5.3.6. Функция соответствия
- •5.3.7. Генерация популяции
- •5.3.8. Генетический алгоритм
- •5.4. Компьютерные эксперименты
- •5.4.1. Методика экспериментов
- •5.4.2. Объекты с непрерывным выходом
- •5.4.3. Объекты с дискретным выходом
- •5.4.4. Исследование -уровневой настройки
- •5.5. Извлечение знаний из экспериментальных данных
- •5.5.1. Постановка задачи
- •5.5.2. Критерий оптимизации
- •5.5.3. Генетический алгоритм оптимизации
- •5.5.4. Пример
- •5.6. Объект "много входов - много выходов"
- •Глава 6
- •6.1. Нейронная идентификация
- •6.1.1. Нейронная сеть как универсальный аппроксиматор
- •6.1.2. Обучение нейронной сети
- •6.1.3. Компьютерные эксперименты
- •6.2.1. Лингвистический аппроксиматор
- •6.2.2. Нейро-лингвистический аппроксиматор
- •6.2.3. Обучение нейро-нечеткой сети
- •6.2.4. Компьютерные эксперименты
- •6.3. Сравнение с нейронной идентификацией
- •Глава 7
- •7.1. Принцип слияния целей и ограничений
- •7.1.1. Нечёткие цели и ограничения
- •7.1.2. Нечёткие решения
- •7.2. Метод построения функции принадлежности
- •7.2.1.Постановка задачи
- •7.2.2. Основные определения и соотношения
- •7.2.3. Алгоритм построения функции принадлежности
- •7.3. Многокритериальный анализ вариантов
- •7.3.1. Общие принципы
- •7.3.2. Критерии как нечеткие множества
- •7.3.3. Равновесные критерии
- •7.3.4. Неравновесные критерии
- •7.4. Пример многокритериального анализа
- •7.4.1.Критерии оценки вариантов
- •Глава 8
- •8.1. Система fuzzy expert
- •8.1.1. Структура системы
- •8.1.2. Экранные формы
- •8.2. Диагностика ишемической болезни сердца
- •8.2.1. Типы диагнозов и параметры состояния больного
- •8.2.2. Нечеткая база знаний
- •8.2.3. Нечеткие логические уравнения
- •8.2.4 Грубые функции принадлежности
- •8.2.5. Алгоритм принятия решения
- •8.2.6. Тонкая настройка нечеткой базы знаний
- •8.3. Прогнозирование количества заболеваний
- •8.3.1. Экспериментальные данные
- •8.3.2. Экспертно-лингвистические закономерности
- •8.3.3. Модель прогнозирования
- •8.3.4. Настройка модели прогнозирования
- •8.4. Идентификация коэффициента сцепления "автомобиль-дорога"
- •8.4.1. Методика идентификации
- •8.4.2. Структурная идентификация
- •8.4.3. Параметрическая идентификация
- •8.4.4. Пример и сравнение с действующей методикой
- •8.5. Многофакторный анализ технологического процесса биоконверсии
- •8.5.1. Этапы и принципы моделирования
- •8.5.2. Дерево вывода
- •8.5.3. Нечеткие матрицы знаний
- •8.5.4. Нечеткий логический вывод и дефаззификация
- •8.5.5. Примеры моделирования
- •8.6. Оценка дипломных проектов
- •8.6.1. Интегральные и частные показатели
- •8.6.2. Уровни качества
- •8.6.3. Оценка частных показателей по принципу термометра
- •8.6.4. Оценка интегрального показателя
- •8.6.5. Возможные обобщения
- •8.7. Оценка кредитоспособности инновационных проектов
- •8.7.1. Типы решений и частные показатели качества
- •8.7.2. Нечеткие базы знаний
- •8.7.3. Функции принадлежности и примеры оценки
- •8.8. Управление динамической системой
- •8.8.1. Объект управления
- •8.8.2. Классическая модель управления
- •8.8.3. Нечеткая модель управления
- •8.8.4. Связь с функциями Ляпунова
Глава 2
МЕТОДОЛОГИЧЕСКИЕ АСПЕКТЫ
2.1. Лингвистические правила в принятии решений
В этом разделе показывается, что различные по физическому смыслу задачи принятия решений, возникающие в управлении, прогнозировании, диагностике, и других областях кибернетики, сводятся к идентификации нелинейных объектов с одним выходом и многими входами. Особенность рассматриваемых задач заключается в том, что в каждой из них взаимосвязь переменных "вход-выход" задается в виде экспертных высказываний: ЕСЛИ <входы>, ТО <выход>, представляющих собой нечеткие базы знаний.
2.1.1. Автоматическое управление
Типичным представителем задач этого класса является управление контейнерным краном. Эта задача состоит в построении регулятора, который осуществляет погрузку контейнеров на корабль с железнодорожной платформы или обратно (рис. 2.1).
Во время погрузки кран подбирает контейнер с платформы при помощи гибких кабелей, присоединенных к башне. После этого башня крана передвигается по горизонтальной колее. При движении контейнер начинает колебаться в воздухе. Колебания не создают проблем при транспортировке, но затрудняют и задерживают остановку контейнера при его погрузке на платформу. Поскольку время погрузки напрямую влияет на себестоимость , то возникает задача доставки контейнера к цели за минимальное время.
Попытки автоматизировать управление краном предпринимались при помощи ПИД-регуляторов. Однако, применение таких регуляторов, а также различных моделей классической теории управления оказывается неэффективным из-за большой нелинейности задачи, а также трудностей учета различных возмущений, таких как порывы ветра и др [82].
Рис.
2.1. Процесс погрузки контейнерным краном
С другой стороны, с этой, непростой для классической теории управления задачей, легко справляется опытный оператор-крановщик, не составляя и не решая дифференциальных уравнений движения груза. Наблюдая за деятельностью оператора, можно заметить, что он управляет краном на основе следующих рассуждений.
Подняв контейнер, оператор запускает двигатель со средней скоростью, чтобы определить каким будет колебание контейнера. В зависимости от реакции, задается такая скорость двигателя, чтобы контейнер был слегка позади башни крана. В этой позиции обеспечивается наибольшая скорость движения при минимальном колебании груза. Приближаясь к цели, оператор уменьшает мощность двигателя или даже прилагает отрицательную мощность для торможения. Поэтому контейнер уходит чуть-чуть вперед башни крана. После этого башня крана достигает цели и скорость, а вместе с ней и колебания контейнера, быстро уменьшаются до нуля.
Приведенные выше рассуждения нетрудно преобразовать в систему высказываний ЕСЛИ <входы>, ТО <выход>, в которых входные и выходные переменные оцениваются словесными (нечеткими) термами.
Входные переменные:
· расстояние между башней крана и целью (большое, среднее, малое, нулевое, груз за целью),
· угол между контейнером и башней крана (большой положительный, малый положительный, нулевой, малый отрицательный, большой отрицательный).
Выходная переменная:
· мощность двигателя (большая, средняя, нулевая, средняя отрицательная).
С использованием этих переменных и их лингвистических оценок можно записать набор правил, которые выражают алгоритм деятельности опытного оператора-крановщика [82]:
ЕСЛИ расстояние большое И угол нулевой,
ТО мощность двигателя средняя;
ЕСЛИ расстояние большое И угол малый отрицательный,
ТО мощность двигателя большая;
ЕСЛИ расстояние большое И угол большой отрицательный,
ТО мощность двигателя средняя;
ЕСЛИ расстояние среднее И угол малый отрицательный,
ТО мощность двигателя средняя;
ЕСЛИ расстояние нулевое И угол нулевой,
ТО мощность двигателя нулевая.
