- •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
7.2.3. Алгоритм построения функции принадлежности
Для реализации предложенного метода необходимо:
1
. Задать
лингвистическую переменную
.
2 . Определить универсальное множество, на котором задается переменная .
3
. Задать
совокупность нечетких термов
,
которые используются для оценки
переменной
.
4
. Для
каждого терма
сформировать
матрицу (7.13).
5 . Используя формулы (7.12) вычислить элементы функций принадлежности для каждого терма. Нормирование найденных функций осуществляется путем деления на наибольшие степени принадлежности.
Пример 7.1. Рассмотрим
лингвистическую переменную "КАЧЕСТВО
СЫРЬЯ для процесса биоконверсии",
которая определена на универсальном
множестве {
-
коровы,
-
бычки,
-
свиньи,
-
куры,
-
индюки } [41]. Уровень качества будем
оценивать такими нечеткими термами: Н
- низкий; С - средний; В - высокий.
Матрицы (7.13) для каждого терма сформировано таким образом:
После обработки этих матриц по формулам (7.12) получим функции принадлежности, которые в нормированном виде приведены на рис.7.2.
Рис.7.2. Функции принадлежности нечетких множеств.
Главным преимуществом предложенного метода является то, что в отличие от известного метода Саати, он не требует решения характеристического уравнения матрицы парных сравнений при нахождении элементов ее собственного вектора. Кроме того, полученные соотношения дают возможность вычислять функции принадлежности с использованием ранговых оценок, которые задаются экспертно, или при помощи методик, разработанных в теории структурного анализа систем.
7.3. Многокритериальный анализ вариантов
Анализ вариантов по многим критериям - это важная задача принятия решений, которая возникает не только в технике, но и в экономике, образовании' политике и т. д..
Известные методики многокритериального анализа, которые используются в технических системах [52], предусматривают преобразование вектора частичных критериев, которыми оценивается система, к скалярному интегральному критерию. Существенное ограничение такого подхода состоит в том, что он плохо приспособлен к качественным критериям, которые оцениваются экспертными методами.
Методика, которая предлагается в этой работе, не требует ни количественной оценки частичных критериев, ни процедуры скаляризации. Она использует информацию о качестве вариантов в виде парных сравнений типа:
по критерию А вариант 1 приблизительно такой же, как вариант 2,
по критерию В вариант 1 намного лучше, чем вариант 2 и т.п.
7.3.1. Общие принципы
Будем считать известными:
-
множество вариантов (аналогов), которые
подлежат многокритериальному анализу;
-
множество количественных и качественных
критериев, которыми оцениваются
варианты.
Задача
состоит в том, чтобы упорядочить элементы
множества
по
критериям из множества
.
Для решения этой задачи предлагается использование следующих принципов:
Принцип 1 рассмотрение критериев как нечетких множеств, которые заданы на универсальных множествах вариантов с помощью функции принадлежности.
Принцип 2 определение функций принадлежности нечетких множеств на основе экспертной информации о парных сравнениях вариантов с помощью 9-тибальной шкалы Саати.
Принцип 3 ранжирование вариантов на основе пересечения нечетких множеств - критериев, которые отвечают известной в теории принятия решений схеме Беллмана - Заде.
Принцип 4 ранжирование критериев методом парных сравнений и учет полученных рангов как степеней концентрации соответствующих функции принадлежности.
