- •1. Подходы к определению понятия «система». Классификация и характеристика систем. Модель «черного ящика». Статические и динамические модели.
- •1 Класс моделей – это модели типа черного ящика.
- •2 Класс моделей – это модель состава системы.
- •3 Класс моделей – структурная схема системы.
- •2. Определение, обозначение, примеры нечеткого множества. Основные характеристики нечетких множеств.
- •3. Расширение понятия нечеткого множества
- •4. Стандартные операции над нечеткими множествами и их свойства. Расширенные операции над нечеткими множествами.
- •Стандартная функция дополнения
- •Нечеткое разбиение. (это лучше не писать!)
- •Нечеткое пересечение (fuzzy intersection).
- •Нечеткое объединение. Fuzzy union
- •5. Операции для определения различия между нечеткими множествами:
- •6. Показатели неопределенности (размытости) нечетких множеств.
- •7. Определение и свойства нечетких чисел. Декомпозиция нечеткого числа. Операции над нечеткими числами на основе интервального метода.
- •9. Определение нечетких отношений. Способы представления нечетких отношений.
- •10. Нечеткие графы. Разновидности нг. Нечеткие гиперграфы.
- •11. Операции над нечеткими отношениями. Свойства нечетких отношений. Транзитивное замыкание нечетких отношений.
- •12. Расширение понятия нечеткого отношения.
- •13. Нечеткое отношение эквивалентности, неэквивалентности, сходства, различия, предпорядка, порядка. Нечеткий гомоморфизм между нечеткими отношениями.
- •14. Понятие нечеткой переменной, понятие лингвистической переменной, логико-лингвистическая шкала.
- •15. Области применения нечетких моделей. Классификация нечетких моделей.
- •16. Определение нечеткой продукционной модели. Компоненты нечетких продукционных моделей.
- •17. Определение нечеткой продукционной модели. Компоненты нечетких продукционных моделей.
- •18. Определение нечеткой продукционной модели. Компоненты нечетких продукционных моделей. Классы операций нечеткой импликации. Критерии оценки нечеткой импликации
- •19. Основные задачи создания базы нечетких продукционных правил. Формирование нечетких (простых и составных) высказываний в предпосылках и заключениях правил.
- •20. Основные задачи создания базы нечетких продукционных правил. Классификация лингвистических продукционных правил.
- •21. Основные задачи создания базы нечетких продукционных правил. Классификация нечетких продукционных правил с заключениями в виде четких значений или функций.
- •22. Основные задачи создания базы нечетких продукционных правил. Типы структур базы нечетких продукционных правил (siso-, miso-, mimo-структуры).
- •24. Основные задачи создания базы нечетких продукционных правил. Каскадное соединение баз нечетких продукционных правил.
- •25. Основные задачи создания базы нечетких продукционных правил. Обеспечение полноты и непротиворечивости базы нечетких правил.
- •26. Основные компоненты нечетких продукционных моделей.
- •27. Алгоритмы нечеткого вывода Мамдани, Ларсена
- •27. Алгоритмы нечеткого вывода Цукамото, Такаги–Сугено.
1. Подходы к определению понятия «система». Классификация и характеристика систем. Модель «черного ящика». Статические и динамические модели.
Подходы:
Система представляет собой совокупность переменных, свойств или сущностей. Недостатком этого определения является то, что в рамках системы могут быть выбраны произвольные либо слабо связные объекты.
Система понимается как множество связанных между собой элементов. Недостатком является то, что это множество элементов может быть разбито на произвольные подмножества.
Система определяется как относительно устойчивая организованная совокупность взаимодействующих и взаимосвязанных элементов ориентированных на достижение определенных целей.
Здесь под системой понимается совокупность элементов и процессов, находящихся во взаимоотношениях и взаимосвязях между собой, образующих единое целое и характеризующихся интегративным свойством, отличающим данную совокупность элементов и процессов от внешней среды.
Классификация систем:
По происхождению.
Естественные т.е. существующие в объективной действительности.
Концептуальные (идеальные) – это продукт человеческого знания, теории и т.д.
Искусственные – это какие-либо машины, орудия, механизмы и.т.д.
Смешанные – объединяют либо в виде подсистем предыдущие виды либо содержат признаки нескольких.
По целевому предназначению.
Ценностно-ориентированные – внутренняя цель не присуща, как правило в этих системах отсутствует иерархия уровней направления, а целевая функция задается извне.
Целеориентированные – присуще внутренняя цель, антипод ценностно-ориентированной.
По типу переменных:
Количественные
Дискретные
Непрерывные
Качественные – средствами естественного языка.
Смешанные
По типу управления:
Управляемые извне системы (без обратной связи, регулируемые, управляемые структурно, информационно или функционально)
Управляемые изнутри (самоуправляемые или саморегулируемые – программно управляемые, регулируемые автоматически, адаптируемые - приспосабливаемые с помощью управляемых изменений состояний, и самоорганизующиеся - изменяющие во времени и в пространстве свою структуру наиболее оптимально, упорядочивающие свою структуру под воздействием внутренних и внешних факторов);
С комбинированным управлением (автоматические, полуавтоматические, автоматизированные, организационные).
По ресурсной обеспеченности
Малые
Большие – системы моделирование которых затруднено из-за их размерности или из-за того что их элементы не поддаются точному описанию.
По достаточности информации для моделирования.
Простые
Сложные – системы, состоящие из подсистем, являющихся в свою очередь простыми системами и в модели которой не хватает информации для эффективного управления.
К лассификация моделей систем.
1 Класс моделей – это модели типа черного ящика.
Модель отражает 2 свойства системы: целостность и обособленность от внешней среды.
Источником информации при построении этой модели являются данные типа: - вход, выход. Стимул-реакция, состояние – действие.
Предполагается, что моделируемый процесс может быть аппроксимирован. При этом нас не интересует способ восстановления этой зависимости, нас волнует только возможность аппроксимации.
Универсальный аппроксиматор позволяет сколь угодно точно восстановить зависимость, но с большими ресурсами и затратами.
Недостатки модели «ЧЯ»:
Структуру и параметры модели сложно интерпретировать;
Существует опасность неполноты перечня входов и выходов (на вход и с выхода вектор параметров);