- •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
3.5.2. Нечеткие логические уравнения
Поставим
в соответствие соотношениям (3.29) - (3.32)
нечеткие логические уравнения, связывающие
функции принадлежности нечетких термов
входных и выходных переменных. Для
получения этих уравнений заменим
нечеткие множества в левых и правых
частях высказываний (3.42), (3.45), (3.48) и
(3.51) соответствующими функциями
принадлежности, а операции И и ИЛИ над
нечеткими множествами заменим
операциями
и
над
соответствующими функциями принадлежности.
Из высказывания (3.42) получаем:
(3.52)
где
-
поверхность принадлежности
переменных
нечеткому
терму-оценке
;
,
,
-
функции принадлежности переменных
нечетким
термам
,
,
,
соответственно,
,
Из высказывания (3.45) получаем:
(3.53)
где
-
поверхность принадлежности вектора
переменных
нечеткому
терму-оценке
;
-
функция принадлежности переменной
,
,
нечеткому терму
,
,
.
Из высказывания (3.48) получаем:
(3.54)
где
-
поверхность принадлежности вектора
переменных
нечеткому
терму-оценке
;
-
функция принадлежности переменной
,
нечеткому
терму
,
,
.
Из высказывания (3.51) получаем:
(3.55)
где
-
поверхность принадлежности вектора
переменных
нечеткому
терму-оценке
;
-
функция принадлежности переменной
,
нечеткому
терму
,
,
.
Учитывая то, что операциям и в теории нечетких множеств соответствуют операции min и max, перепишем соотношения (3.52)-(3.55) в виде:
(3.56)
(3.57)
(3.58)
(3.59)
Таким образом нами получена система соотношений (3.56)-(3.59), которая полностью соответствует обобщенному дереву логического вывода (рис. 3.5) и позволяет вычислить степени принадлежности вектора значений входных переменных нечетким термам-оценкам выходной переменной. Алгоритм нечеткого логического вывода, использующий обобщенное дерево вывода имеет вид:
1°. Зафиксируем вектор значений входных переменных
.
2° .
Определим значения функций принадлежности
термов-оценок входных
переменных
,
,
,
,
,
,
,
,
.
3° .
Используя соотношения (3.56) - (3.59) вычислим
функции принадлежности
термов-оценок
выходной величины
,
которая соответствует вектору значений
входных переменных
4° .
Определим оценку
,
функция принадлежности которой
максимальна:
(3.60)
Последовательность расчетов которые соответствуют алгоритму приведена на рис. 3.6.
При моделировании нелинейных объектов с непрерывным выходом нечеткое число
,
которое получается на выходе алгоритма (соотношение 3.56) следует дефаззифицировать, как это было изложено в разделе 3.3.1. (соотношение (3.18)).
Глава 4
АНАЛИТИКО - ЛИНГВИСТИЧЕСКАЯ АППРОКСИМАЦИЯ
Под аналитико-лингвистической аппроксимацией понимается получение настраиваемой модели объекта путем комбинации аналитической и лингвистической составляющих. Предполагается, что имеется аналитическая зависимость <вход-выход>, параметры которой могут иметь неопределенный характер и описываться нечеткими базами знаний.
Для получения аналитико-лингвистической модели необходимо:
а) обобщить аналитическую зависимость на случай нечетких параметров;
б) представить нечеткие параметры в виде баз знаний, учитывающих влияющие факторы.
Эта глава написана на основе работ [36,69].
