- •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
7.1.2. Нечёткие решения
Обратимся теперь к понятию решения. Интуитивно ясно, что решение - это по существу выбор одной или нескольких из имеющихся альтернатив. Предыдущий пример наводит на мысль, что расплывчатое решение, или просто решение, следует определить как нечёткое множество в пространстве альтернатив, получающееся в результате пересечения заданных целей и ограничений. Следующее определение уточняет эту мысль.
Определение
7.1. Пусть
в пространстве альтернатив
заданы
нечёткая цель
и
нечёткое ограничение
.
Тогда нечёткое множество
,
образуемое пересечением
и
,
называется решением. В символической
форме
(7.3)
и
соответственно
.
Взаимосвязь между G и C показана
на рис.7.1
Рис.7.1.
Функции ограничения, цели и решения.
В
более общем случае, если имеется
целей
и
ограничений,
то результирующее решение определяется
пересечением всех заданных целей и
ограничений, т.е.
(7.4)
и соответственно
(7.5)
Заметим, что в приведенном определении нечёткого решения цели и ограничения входят в выражение для совершенно одинаковым образом, что и соответствует тождественности целей и ограничений в логической схеме процесса принятия решений в нечётких условиях.
Коротко обобщенное определение решения можно сформулировать следующим образом:
Решение = Слияние целей и ограничений.
В
качестве иллюстрации к соотношению
(7.5) рассмотрим простой пример, в
котором
,
а
,
,
и
определяются
табл. 7.1. Образуя конъюнкцию
,
,
и
,
получим таблицу значений для
(табл.7.2).
Решение в этом случае есть расплывчатое
множество
={(2;0,1), (3; 0,4), (4; 0,7), (5; 0,8), (6; 0,6), (7; 0,4), (8; 0,2)}.
Заметим, что ни одно из не принадлежит решению полностью (т.е. со степенью принадлежности, равной 1). Это, конечно, является следствием того, что заданные цели и ограничения вступают в конфликт друг с другом, исключая тем самым возможность существования альтернативы, которая бы полностью им всем удовлетворяла.
Понятие решения как расплывчатого множества в пространстве альтернатив может по началу показаться несколько искусственным. На самом деле оно совершенно естественно, поскольку расплывчатое решение может рассматриваться как некоторая "инструкция", расплывчатость которой является следствием неточности формулировки поставленных целей и ограничений. Так, в приведенном примере , , и могли бы быть выражены следующими фразами: " следует взять близким к 5", " следует взять близким к 3", " следует взять близким к 4", " следует взять близким к 6". Тогда решение состоит в том, что "следует взять" " близкое к 5". При этом точное значение слова "близко" определяется в каждом случае значением соответствующей функции принадлежности.
Таблица 7.1.
Определение нечётких целей и ограничений
|
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
10 |
|
0 |
0.1 |
0.4 |
0.8 |
1.0 |
0.7 |
0.4 |
0.2 |
0 |
0 |
|
0.1 |
0.6 |
1.0 |
0.9 |
0.8 |
0.6 |
0.5 |
0.3 |
0 |
0 |
|
0.3 |
0.6 |
0.9 |
1.0 |
0.8 |
0.7 |
0.5 |
0.3 |
0.2 |
0.1 |
|
0.2 |
0.4 |
0.6 |
0.7 |
0.9 |
1.0 |
0.8 |
0.6 |
0.4 |
0.2 |
Таблица 7.2.
Определение нечёткого решения
|
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
10 |
|
0 |
0,1 |
0,4 |
0,7 |
0,8 |
0,6 |
0,4 |
0,2 |
0 |
0 |
Как
следует выполнять расплывчатые
инструкции типа "
следует
взять близким к 5"?
Хотя на вопросы такого типа не
представляется возможным дать
универсальный ответ, во многих случаях
все же разумно выбрать те альтернативы,
которые имеют максимальную степень
принадлежности к
.
В нашем примере этому соответствует
.
В определении нечёткого решения как пересечения или, в более общем смысле, как слияния цели и ограничений подразумевается, что все входящие в цели и ограничения имеют в некотором смысле одинаковую важность. Однако встречаются ситуации, в которых некоторые цели и, возможно, некоторые ограничения являются более важными, чем остальные. В таких случаях решение может быть выражено выпуклой комбинацией целей и ограничений с весовыми коэффициентами, характеризующими относительную важность составляющих элементов. Таким образом, может быть записано в виде:
(7.6)
где
и
-
функции принадлежности, такие, что
С
учетом этого ограничения
и
могут
быть подобраны так, чтобы передавать
относительную важность целей
и
ограничений
.
В частности, если
,
получится любое расплывчатое множество,
содержащееся в
и
включающее
.
Отметим, что формула (7.6) напоминает
известный способ сведения векторного
критерия к скалярному с помощью
образования линейной комбинации
компонент векторной функции цели.
