- •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
2.1.4. Многокритериальная оценка
Типичным примером такой задачи является экспертиза различных проектов, включая инновационные [39]. Суть задача состоит в отнесении проекта к одному из классов качества, которые используются для принятия решения о финансировании или отклонении проекта.
Входные переменные -это частные показатели качества, оцениваемые экспертом на основе информации, представленной заявителем проекта:
· уровень предприятия-заявителя, который определяется параметрами:
· уровень руководителя, оцениваемый параметрами:
· коммуникабельность,
· надежность,
· образование,
· опыт работы руководителя,
· комфортность;
· активы предприятия,
· пассивы предприятия,
· балансовая прибыль предприятия,
· дебиторская задолженность предприятия,
· кредиторская задолженность предприятия;
· технико-экономический уровень проекта, который оценивается параметрами:
· масштаб проекта,
· новизна проекта,
· приоритетность направления,
· степень проработки,
· правовая защищенность,
· экологический уровень,
· уровень ожидаемых продаж;
· финансовый уровень предприятия-заявителя, который определяется параметрами:
· соотношение собственных средств к средствам инновационного фонда,
· возвращаемость инновационных средств.
Выходная переменная:
· интегральная оценка качества проекта, используемая для принятия решения (1-финансировать, 2-финансировать после доработки, 3-финансировать при наличии средств, 4-отклонить).
Для оценки входных переменных удобно использовать единую систему качественных термов: очень низкий, низкий, ниже среднего, средний, выше среднего, высокий, очень высокий. Тогда фрагмент иерархической базы знаний, связывающий выходную и входные переменные нетрудно записать в следующем виде (по данным Н.И. Петренко):
ЕСЛИ уровень предприятия-заявителя выше среднего
И технико-экономический уровень проекта выше среднего
И уровень ожидаемых продаж высокий
И финансовый уровень предприятия-заявителя средний,
ТО решение - финансировать после доработки;
ЕСЛИ уровень руководителя высокий
И активы высокие
И пассивы высоки
И балансовая прибыль средняя
И дебиторская задолженность выше средней
И кредиторская задолженность низкая,
ТО уровень предприятия-заявителя высокий;
ЕСЛИ коммуникабельность выше среднего
И надежность высокая
И образование выше среднего
И опыт работы руководителя высокий
И комфортность средняя,
ТО уровень руководителя выше среднего;
ЕСЛИ масштаб проекта высокий
И новизна проекта высокая
И приоритетность направления высокая
И степень проработки высокая
И правовая защищенность высокая
И экологический уровень высокий
ТО технико-экономический уровень проекта выше среднего;
ЕСЛИ соотношение собственных средств к средствам инновационного фонда выше среднего
И возвращаемость инновационных средств высокая,
ТО финансовый уровень предприятия-заявителя выше среднего.
2.1.5. Многофакторный анализ
Проиллюстрируем задачу многофакторного анализа на примере технологического процесса биоконверсии [41]. В ходе выполнения такого процесса осуществляется преобразование отходов сельскохозяйственного производства в биогаз, который используется в дальнейшем как топливо. При проектировании и управлении процессом необходимо прогнозировать количество получаемого биогаза в зависимости от различных сырьевых, технологических и аппаратурных факторов.
Входные переменные - это факторы, влияющие на выход биогаза:
· качество исходного сырья, зависящее от факторов:
· источник сырья (дойные коровы, бычки, свиньи, куры, индюки), · влажность сырья (низкая, нормальная, высокая), · гранулометрический состав (измельчено, не измельчено), · количество летучих жидких кислот (норма, много), · водородный показатель (кислый, нормальный, щелочной); · качество технологического процесса, зависящее от факторов: · время сбраживания (малое, нормальное, повышенное), · температура сбраживания (психрофильная, мезофильная, термофильная), · стабильность температурного режима (высокая, удовлетворительная, низкая), · качество перемешивания (без перемешивания, минимальное, нормальное), · концентрация метаногенной флоры (низкая, средняя, высокая), · доза загрузки реактора(низкая, средняя, высокая); · качество аппаратуры, зависящее от факторов: · тип биореактора (примитивный, традиционный, модифицированный), · степень иммобилизации (незначительная, достаточная, высокая), · качество вспомогательного оборудования (низкое, среднее, высокое), · качество аппаратно-схемного оформления (низкое, среднее, высокое).
Выходная переменная:
· объем биогаза. на выходе процесса который оценивается на семи уровнях: очень высокий, высокий, выше среднего, средний, ниже среднего, низкий, очень низкий.
Фрагмент иерархической базы знаний, связывающей количество получаемого биогаза с влияющими факторами выглядит так (по данным Е.П. Ларюшкина):
ЕСЛИ качество исходного сырья низкое И качество технологического процесса низкое И качество аппаратуры низкое, ТО объем биогаза. на выходе очень низкий.
ЕСЛИ источник сырья дойные коровы И влажность сырья низкая И гранулометрический состав не измельчено И количество летучих жидких кислот много И водородный показатель кислый, ТО качество исходного сырья низкое.
ЕСЛИ время сбраживания малое И температура сбраживания термофильная И стабильность температурного режима удовлетворительная И качество перемешивания минимальное И концентрация метаногенной флоры высокая И доза загрузки реактора высокая, ТО качество технологического процесса высокое.
ЕСЛИ тип биореактора традиционный И степень иммобилизации высокая И качество вспомогательного оборудования среднее И качество аппаратно-схемного оформления высокое, ТО качество аппаратуры высокое.
