- •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
- •1.1.7. Нечеткость и вероятность
- •1.1.6. Нечеткие числа
- •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
- •6.2.2. Нейро-лингвистический аппроксиматор
- •6.2.1. 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
4.2. Учет влияющих факторов
В настоящем разделе излагается способ учета качественных и количественных факторов, влияющих на значения неопределенных параметров, используемых в аналитических моделях. Классификация таких факторов, как правило, определяется структурой объекта и условиями его функционирования.
Определение 4.4. Базой знаний о влиянии факторов
на значение параметра будем называть следующую систему логических высказываний:
ЕСЛИ И И . . . И ИЛИ
И И . . . И ИЛИ . . .
И И . . . И ,
ТО
,
ИНАЧЕ
ЕСЛИ И И . . . И ИЛИ
И И . . . И ИЛИ . . .
И И . . . И ,
ТО
,
ИНАЧЕ .
. .
ЕСЛИ И И . . . И ИЛИ
И И . . . И ИЛИ . . .
И И . . . И ,
ТО
,
где
-
лингвистическая оценка параметра
,
определяемая из терм-множества
;
-
лингвистическая оценка фактора
,
выбираемая из терм-множества
в
-ой
дизъюнкции,
,
,
;
-
количество правил, определяющих значение
параметра
Используя
операции
(ИЛИ)
и
(И),
систему логических высказываний из
определения 4.4. можно переписать в более
компактном виде:
(4.15)
Определение
4.5.
-формой неопределенного
параметра
будем
называть следующую информацию:
диапазон
изменения параметра
;
терм-множество лингвистических оценок параметра :
множество
факторов
,
влияющих на значение параметра
в
диапазоне
;
терм-множества для лингвистических факторов :
,
;
универсальные
множества для нечеткой оценки факторов
:
;
функции
принадлежности
факторов
лингвистическим
термам
,
;
база
знаний о влиянии факторов
на
значение параметра
;
вектор
текущих значений влияющих факторов
,
где
,
.
Наличие этой информации позволяет реализовать следующий алгоритм.
Алгоритм преобразования - формы к - форме
1°. Обозначить:
-
функции принадлежности термов
;
-
функции принадлежности термов
,
,
,
.
2°. В
базе знаний (4.15) заменить нечеткие
значения факторов
и
параметра
соответствующими
функциями принадлежности.
Операции
и
заменить
операциями
:
.
3°. Вычислить степени принадлежности значения параметра к лингвистическим термам , :
,
где операции отождествляются с операциями min и max соответственно.
4°.
Выбрать терм
,
для которого
.
Пример 4.5. Пусть
вероятность
безошибочного
выполнения человеком-оператором
некоторой операции находиться в
диапазоне [0.95, 0.99] и зависит от таких
факторов:
-
квалификация человека-оператора;
-
напряженность работы;
-уровень
утомленности. Экспертная база знаний
имеет вид:
ЕСЛИ
(
=
B ) И (
=
Н ) И (
=
Н ), ТО
В,
ЕСЛИ ( = С ) И ( = вС ) И ( = нС ), ТО С,
ЕСЛИ ( = Н ) И ( = В ) И ( = В ), ТО Н,
где нечеткие термы имеют функции принадлежности, изображенные на рис.4.10 (Н - низкий, нС - ниже среднего, С - средний, вС - выше среднего, В - высокий).
Рис. 4.10. Кусочно-линейные функции принадлежности нечетких термов
Пусть
текущей ситуации отвечают такие уровни
влияющих факторов:
вС,
нС,
Н.
Возникает вопрос: каким будет уровень
вероятности
?
Из базы знаний получаем следующую систему нечетких логических уравнений:
,
,
.
Используя приведенные уравнения, вычислим степени принадлежности значений параметра :
Поскольку наибольшую принадлежность имеет терм В, то неопределенная вероятность записывается в виде l-формы:
<
0.95, 0.99, высокий >
,
и -формы :
.
