- •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 1
ВВЕДЕНИЕ В ИНТЕЛЛЕКТУАЛЬНЫЕ ТЕХНОЛОГИИ
1.1. Нечеткие множества
Этот раздел написан по материалам работ [15,18,25]. С дополнительными сведениями по нечетким множествам можно познакомиться по работам [26,57,64,80,83-85].
Теория множеств представляет собой мощный инструмент математики. Однако, лежащая в ее основе аксиома исключенного третьего, утверждающая, что элемент либо принадлежит множеству либо не принадлежит, часто делает эту теорию неприменимой в реальных задачах, в которых применяются нечеткие оценки, такие как: <большая прибыль>, <высокое давление>, <умеренная температура>, <надежные инструменты>, <безопасные условия> и т.п. К сожалению, подобные высказывания не могут быть адекватно формализованы обычными математическими методами.
Если мы хотим учесть точное значение нечеткого терма, то четкое разделение элементов (например значений давления) на те, которые принадлежат терму <высокое>, и те, которые не принадлежат, является искусственным. Это происходит в первую очередь потому, что некоторые значения могут восприниматься как <высокое давление с некоторой натяжкой>, <не совсем высокое давление>, <не совсем невысокое давление> и др.
Попытка
развития формального аппарата для
вовлечения частичной принадлежности
в теорию множеств была предпринята в
середине 60-х годов Заде [15]. Он ввел
понятие нечеткого множества как собрания
элементов, которые могут принадлежать
этому множеству со степенью от 0 до 1.
Причем 0 обозначает абсолютную
непринадлежность, а 1 - абсолютную
принадлежность множеству. Это было
сделано путем применения понятия функции
принадлежности, которая ставит в
соответствие каждому элементу
универсального множества число из
интервала [0,1], обозначающее степень
принадлежности. Понятие функции
принадлежности является обобщением
понятия характеристической функции
четкого множества, которая оперирует
значениями
.
Поэтому основные свойства и операции
над нечеткими множествами, введенные
Заде и его многочисленными последователями,
являются обобщениями соответствующих
свойств и операций классической теории
множеств.
С момента своего возникновения теория нечетких множеств вызвала беспрецедентный рост интереса практически во всех отраслях науки и техники.
1.1.1. Основные понятия теории нечетких множеств
Пусть
-
универсальное множество, т.е. полное
множество, охватывающее всю проблемную
область.
Определение 1.1. Нечеткое
множество
представляет
собой набор пар
,
где
и
-
функция принадлежности, которая
представляет собой некоторую субъективную
меру соответствия элемента
нечеткому
множеству
.
может
принимать значения от нуля, который
обозначает абсолютную не принадлежность,
до единицы, которая, наоборот, говорит
об абсолютной принадлежности
элемента
нечеткому
множеству
.
Иногда удобно рассматривать значение
как
степень совместимости элемента
с
размытым понятием, представленным
нечетким множеством
.
Часто нечеткое множество и его функцию принадлежности рассматривают как взаимозаменяемые понятия.
Если
множество
заменить
на
,
то функция принадлежности будет
представлять собой характеристическую
функцию обыкновенного (не нечеткого)
множества.
Если
нечеткое множество
определено
на конечном универсальном множестве
,
то его удобно обозначать следующим
образом:
,
где
<
>
- пара <функция принадлежности /
элемент>, называемая синглтоном,
а < + > - обозначает совокупность пар.
Пример 1.1. Пусть
.
Тогда нечеткое множество <большие
числа> может быть представлено следующим
образом:
<большие
числа>=0.2/6 + 0.5/7 + 0.8/8 + 1/9 + 1/10.
Это можно понимать следующим образом: 9 и 10 с абсолютной уверенностью можно отнести к <большим числам>, 8 есть <большое число> со степенью 0.8 и т.д. 1,2,...5 абсолютно не являются <большими числами>.
На
практике удобно использовать
кусочно-линейную аппроксимацию функции
принадлежности нечеткого множества
как это показано на рис. 1.1, так как
требуется только два значения -
и
.
В
случае непрерывного множества
используется
следующее обозначение:
.
(Знак
в
этих формулах обозначают совокупность
пар )
.
