- •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
3.4.2. Нечеткий логический вывод
Рассмотрим на матрице знаний строку с номером . Этой строке соответствует нечеткое логическое высказывание:
ЕСЛИ
И
...
И
,ТО
,
(3.19)
где
,
,
. . . ,
,
,
,
и
-
универсальные множества, определяемые
соотноше-ниями (3.4) и (3.5). В соответствии
с [56], высказывание (3.19) может быть
представлено в виде системы элементарных
высказываний:
Е
СЛИ
,ТО
И
ЕСЛИ
,ТО
И
. . .
ЕСЛИ
,
ТО
Согласно [15], системе (3.20) соответствует система нечетких отношений:
,
,
,
где
-
декартово произведение обычных
множеств
и
,
т.е.
.
,
,
,
и
-
мощности множеств
и
;
-
декартово произведение нечетких
множеств
и
,
определяемое соотношением:
,
где
-
степени принадлежностей, введенные
ранее в формулах (3.8) и (3.9).
В соответствии с композиционным правилом вывода [15], каждое отношение из (3.21) позволяет оценивать нечеткое множество , интерпретируемое в терминах решений-классов :
(3.22)
где - операция нечеткой композиции.
Объединяя,
согласно (3.20), все отношения в (3.22)
операцией (
)
и (
),
получим:
или более компактно
(3.23)
Формула
(3.23) получена для одной строки матрицы
знаний с номером
.
Выпишем аналогичные формулы для строк
с номерами
,.
. .,
:
(3.24)
. . .
(3.25)
Поскольку в системе нечетких логических высказываний (3.10) различ-ные строки соответствующие решению , объединены по ИЛИ( ), то соотношения (3.23)-(3.25) также следует объединить по ИЛИ и заменить единым соотношением
(3.26)
Это
соотношение позволяет вычислять нечеткое
множество
на
основе информации, содержащейся в
строках матрицы знаний с номерами
,
,
...,
.
Аналогичные
соотношения можно выписать для тех
групп строк в табл. 3.1, которые
соответствуют решениям
,
,
. . .,
.
Поскольку искомое нечеткое
множество-решение
представляет
собой объединение по ИЛИ различных
решений
,
,
т.е.
то, учитывая (3.26), получим
(3.27)
Полученное соотношение (3.27) позволяет оценить нечеткое множество , которое должно быть интерпретировано в терминах одного из решений-классов , .
Пусть параметры состояния конкретного объекта оцениваются лингвистическими термами (нечеткими множествами),
,
,
. . .,
.
заданными
на универсумах
,
,
. . .,
.
Согласно (3.27) решением для этого объекта
будет нечеткое множество
,
заданное на универсуме
,
и вычисляемое по формуле:
.
Для
упрощения соотношения (3.27) перенумеруем
строки матрицы знаний (табл. 3.1) номерами
1, 2, ...,
,
учитывая, что
+
+...+
.
Сформируем
модифицированную матрицу знаний (табл.
3.2), в которой
-
нечеткое множество, соответствующее
лингвистической оценке параметра
в
строке с номером
;
-
нечеткое множество-решение в
-ой
строке,
,
,
,
.
В
соответствие с (3.27), расчет нечеткого
множества - решения
на
основе модифицированной матрицы знаний
производится по формуле:
или более компактно
(3.28)
Таблица 3.2.
Модифицированная матрица знаний.
№ |
Параметры состояния объекта |
Решение |
|||
|
|
|
. . . |
|
|
1 |
|
|
|
|
|
2 |
|
|
|
|
|
... |
… |
... |
... |
... |
... |
|
|
|
|
|
|
... |
... |
... |
... |
... |
... |
|
|
|
|
|
|
Таким образом, нами получены соотношения (3.27) и (3.28), позволяю-щие на основе информации , содержащейся в матрицах знаний (табл. 3.1 и 3.2), выводить нечеткие множества - решение для текущих лингвистических оценок параметров состояния объекта.
