- •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
4.3. Нечеткое обобщение аналитических моделей
В этом разделе вводится принцип обобщения, который позволяет преобразовать аналитические модели таким образом, чтобы в качестве их параметров можно было использовать нечеткие числа.
4.3.1. Принцип обобщения Заде
Определение 4.6. Если
задана функция от
переменных
и
аргументы
-
суть нечеткие числа
с
носителями supp
,
то
нечеткое число
определяется
следующим образом [6,15]:
(4.16)
Реализация этого принципа осуществляется по следующему алгоритму.
I°. Зафиксировать
значение
.
2°.Найти
все
-ки
,
удовлетворяющие условиям:
,
,
,
.
3°.Степень
принадлежности элемента
нечеткому
числу
определить
по формуле:
.
4°. Проверить условие "Взяты все элементы ?". Если "да", то перейти к шагу 5, иначе зафиксировать новое значение и перейти к шагу 2.
5°. Конец.
Пример 4.6. Пусть заданы нечеткие числа
=0/1+1/2+1/3+0/4
и
=0/2+1/3+1/4+0/8.
Требуется
найти нечеткое число
с
использованием принципа обобщения.
Решение. Процесс
решения сведен в табл.4.1. Из этой таблицы
видно, что нечеткое число
определяется
так:
=0/2+ 0/3 + 0/4 + 1/6 + 1/8 +1/9 + 1/12 + 0/16 + 0/24 +0/32.
Переходя к разложениям по -уровневым множествам, получаем:
В этом примере применение принципа обобщения Заде потребовало перебора 16 вариантов.
Таблица 4.1 к примеру 4.6
|
2 |
3 |
4 |
6 |
8 |
9 |
12 |
16 |
24 |
32 |
||||||
|
1 |
1 |
1 |
2 |
2 |
3 |
1 |
2 |
4 |
3 |
3 |
4 |
2 |
4 |
3 |
4 |
|
2 |
3 |
4 |
2 |
3 |
2 |
8 |
4 |
2 |
3 |
4 |
3 |
8 |
4 |
8 |
8 |
|
0 |
0 |
0 |
1 |
1 |
1 |
0 |
1 |
0 |
1 |
1 |
0 |
1 |
0 |
1 |
0 |
|
0 |
1 |
1 |
0 |
1 |
0 |
0 |
1 |
0 |
1 |
1 |
1 |
0 |
1 |
0 |
0 |
|
0 |
0 |
0 |
0 |
1 |
0 |
0 |
1 |
0 |
1 |
1 |
0 |
0 |
0 |
0 |
0 |
|
0 |
0 |
0 |
1 |
1 |
1 |
1 |
0 |
0 |
0 |
||||||
Предложение
4.5. Если
-
функция от
нечетких
аргументов
,
каждый из которых задается функцией
принадлежности в
точках
универсального множества
,
тo для
определения нечеткого числа
по
принципу обобщения Заде необходимо
перебрать
вариантов.
Доказательство этого предложения следует из элементарных комбинаторных рассуждений.
Из
предложения 4.5 становится ясно, что
применение известного принципа обобщения
Заде [6,15] связано с большими вычислительными
трудностями. Например, для нахождения
только одного значения функции от семи
аргументов (
=
7), каждый из которых задан на трех
-уровнях
(
),
необходимо перебрать
=
67 =
279 936 вариантов.
Для решения практических задач ниже будет предложен модифицированный принцип обобщения, не требующий трудоемких вычислительных процедур. Для доказательства его корректности введем -уровневый принцип обобщения.
4.3.2. -уровневый принцип обобщения
Определение 4.7. Если задана функция от нечетких аргументов , в которой нечеткие числа представлены в виде разложения по -уровневым множествам:
,
,
.
то для любого -уровня значение функции вычисляется по формулам:
;
,
где
,
.
Эквивалентность -уровневого принципа обобщения и классического принципа обобщения Заде доказывается в следующем предложении.
Предложение 4.6. Если задана функция от нечетких аргументов и нечеткие числа представлены в виде разложения по -уровневым множествам:
,
,
.
то результаты нечеткого обобщения по определениям 4.6 и 4.7 совпадают.
Доказательство. Достаточно
доказать, что определение 4.7 следует
из определения 4.6. Вначале покажем, что
для вычисления значения функции
на
конкретном
-уровне
достаточно знать значения аргументов
только на этом
-уровне.
В этом случае формула (4.16) преобразуется
к виду:
(4.17)
Докажем,
что применение значений аргументов на
других
-уровнях
не добавляет новых значений
со
степенью принадлежности
.
Доказательство выполним от противного.
Рассмотрим аргумент
.
Новое значение аргумента
обозначим
через
.
Предположим, что изменение
аргумента
добавит
новое значение
со
степенью принадлежности
.
Возможны следующие три случая:
Случаи
1:
и
.
В связи с тем, что нечеткие числа представлены в виде разложения по -уровневым множествам, то из выполнения условия
следует,
что
Последнее
означает, что аргумент
не
изменяется. Поэтому новые значения
со
степенью принадлежности
не
появляются.
Случай
2:
и
.
Первое
условие означает, что диапазон
изменения
шире,
чем
.
В связи с этим
.
В результате расширения диапазона
изменения аргумента
может
появиться новое значение
.
Однако это новое значение
не
может иметь степень принадлежности
равную
,
т.к. по формуле (4.16)
.
Таким образом, изменение аргумента не приводит к появлению новых значений со степенью принадлежности .
Случай
3:
и
Первое
условие означает, что диапазон изменения
аргумента не расширился. Учитывая
второе условие, получаем
.
Отсюда следует, что диапазон изменения
аргумента сузился, что означает
невозможность появления новых значений
.
Таким образом, любое изменение аргумента не приводит к появлению новых значений со степенью принадлежности равной . Аналогичные выкладки можно проделать для всех остальных аргументов. Это означает, что в случае представления нечетких чисел в виде разложения по -уровневым множествам формула (4.17) справедлива.
Заметим, что
.
Поэтому
результат применения операций min и sup
в (4.17) всегда равен
.
Формула (4.17) дает ряд значений
со
степенью принадлежности, равной
.
Для перехода к
-уровневому
представлению необходимо найти
минимальное и максимальное значения:
и
Окончательно получаем:
;
,
где
,
,
.
Применение -уровневого принципа обобщения сопряжено с необходимостью решения задачи оптимизации, которая формулируется следующим образом.
Дано: функция
от
переменных
,
в которой аргументы
,
.
Требуется: найти
такие значения аргументов
,
которые обеспечивают максимальное
и
минимальное
значение
функции
на
области определения
,
.
В общем случае решение этой задачи является достаточно сложным. Однако, вводя ряд ограничений, свойственных peальным моделям, удается упростить решение оптимизационной задачи и получить достаточно простой алгоритм.
