- •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
5.2. Настройка параметрических функций принадлежности
5.2.1. Кодирование
Для
реализации генетического алгоритма
следует задать способ кодирования
нечетких моделей. Сведем неизвестные
параметры
в
один вектор (рис. 5.2):
,
(5.13)
где - общее число строк в нечеткой базе знаний (5.1);
-
количество термов-оценок входной
переменной
,
,
;
- общее число термов в (5.1);
Вектор
единственным
образом определяет некоторую нечеткую
модель
,
и, наоборот, любая модель
однозначно
определяет некоторый вектор
.
Поэтому вектор
можно
принять в качестве кода нечеткой
модели
для
объектов с непрерывным и дискретным
выходами.
5.2.2. Скрещивание
Поскольку
операция скрещивания является основной
операцией генетического алгоритма, то
его производительность в первую очередь
зависит от производительности
используемой операции скрещивания. В
результате скрещивания двух
хромосом-родителей
и
получаются
хромосомы-отпрыска
и
путем
обмена генов относительно
-ой
точки скрещивания (рис. 5.3).
Следует
заметить, что поскольку
множества
термов-оценок
входных переменных упорядочены по
возрастанию ( т.е. низкий, средний,
высокий и т.п.), то введенная операция
скрещивания может нарушить этот порядок.
Поэтому после обмена генов следует
осуществить контроль за тем, чтобы
множества термов оставались упорядоченными.
Введем следующие обозначения:
-
-й
вес правила в хромосоме-родителе
,
-
-й
вес правила в хромосоме-родителе
,
-
-й
вес правила в хромосоме отпрыске
,
-
-й
вес правила в хромосоме отпрыске
,
,
-
-й
параметр
в
хромосоме-родителе
,
-
-й
параметр
в
хромосоме-родителе
,
-
-й
параметр
в
хромосоме-отпрыске
,
-
-й
параметр
в
хромосоме-отпрыске
.
Алгоритм операции скрещивания двух хромосом родителей и , в результате которой появятся отпрыски и имеет следующий вид:
1°.
Генерируем случайные числа
в
количестве (
),
такие что
,
где
-
число термов-оценок входной переменной
,
;
,
где
-
общее число строк в нечеткой базе знаний
(5.1).
2°.
Осуществляем обмен генов в соответствии
с найденными значениями точек обмена
по
правилам:
,
,
,
,
(5.14)
,
,
.
(5.15)
3°. Осуществляем контроль за порядком термов:
,
,
,
(5.16)
где
символ
обмена.
5.2.3. Мутация
Каждый
элемент вектора
может
подвергнуться операции мутации с
вероятностью
.
Обозначим мутацию элемента
через
:
,
(5.17)
(5.18)
(5.19)
где
(
)
- нижняя (верхняя) граница интервала
возможных значений весов правил,
;
-
интервал возможных значений коэффициента
концентрации-растяжения функций
принадлежности термов-оценок входной
переменной
,
,
;
обозначает
операцию нахождения равномерно
распределенного на интервале
случайного
числа.
Алгоритм операции мутации будет иметь вид:
1°.
Для каждого элемента
в
векторе (5.13) генерируем случайное
число
.
Если
то
мутацию не производим иначе переходим
к шагу 2.
2°.
Осуществляем операцию мутации
элемента
в
соответствии с формулами (5.17)-(5.19).
3°. Осуществляем контроль за упорядоченностью термов в соответствии с (5.16).
