Особенности и преимущества подхода на основе нечеткой логики
zВозможность формализации, анализа и обработки
неточной, недоопределенной, противоречивой
исходной информации (в частности, информации, выраженной на естественном языке)
zНаличие математического аппарата для организации
вычислений и логического вывода в условиях такой
информации
zВозможность построения моделей сложных систем
на качественном, понятийном уровне, отражающих
принципы функционирования системы
«Знание некоторых принципов легко возмещает незнание некоторых фактов» Гельвеций
Специальные главы интеллектуальных систем. Установочная лекция |
9 |
Проявления нечеткости информации
zБольшинство понятий реального мира нельзя описать в терминах «стандартной» двузначной логики («да-нет»)
zНаиболее явно это видно на примере шкал, в которых классы обозначаются конструкциями естественного языка («много», «мало», «высокий», «эффективный», «похожий», «примерно равный», «намного больше» и т.д.)
z Нечеткость информации проявляется в следующих аспектах:
zотсутствие четкой, однозначной границы между понятием и его отрицанием
z Философский парадокс «кучи песка»
z невозможность однозначного отнесения объекта к конкретному классу z Рост средний/выше среднего, деловая часть города/спальный район и т.п.
z Более того, исследования по обработке естественного языка и моделированию рассуждений позволили сделать вывод о склонности человека к гранулированию информации
zОсновные понятия, с которыми мы оперируем, получаются в результате группировки объектов или значений по сходству. Число получаемых информационных гранул невелико, и они имеют нечеткие границы
Специальные главы интеллектуальных систем. Установочная лекция |
10 |
В каких случаях возникают нечеткие описания в моделях
zОграничения на ресурсы моделирования не позволяют получить четкую информацию (в принципе существующую), и приходится использовать знания и опыт экспертов, выражаемые ими в словесной форме
z Соответственно, модель оказывается «погруженной» в нечеткую среду
zОграничения на ресурсы не позволяют найти решение задачи формальными методами, но ЛПР его находит, пользуясь своим опытом, который оно может передать другому ЛПР в форме нечетких правил
zПример – парковка автомобиля
zВ данном случае «погруженной» в нечеткую среду оказывается уже не модель, а исходная постановка задачи
zНеобходимость оперировать объектами нечисловой природы в моделях управления и принятия решений
zПримеры: надежность, привлекательность, технологичность
zФактически речь идет о необходимости усиления порядковых шкал
Специальные главы интеллектуальных систем. Установочная лекция |
11 |
«Принцип несовместимости»
zСложность моделируемой системы в первом
приближении обратно пропорциональна точности,
с которой ее можно описать и исследовать
традиционными математическими методами
Вместе с тем, для многих сложных систем можно
построить модели, описывающие их поведение
на уровне не микро-, а макропараметров, т.е. принципов их функционирования, и для ряда
практических ситуаций этого оказывается достаточно
Специальные главы интеллектуальных систем. Установочная лекция |
12 |