- •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
8.1.2. Экранные формы
Процесс построения нечеткой экспертной системы выполняется по следующему алгоритму:
А°. Определение характеристик системы.
На этом шаге выводится информация о назначении системы, определяется выходная переменная идентифицируемого объекта (с непрерывным или дискретным выходом).
Б°. Формирование дерева логического вывода.
Дерево логического вывода формируется путем последовательного выполнения операций добавления и/или удаления узлов. При добавлении нового узла запрашивается информация о названии (например, температура), обозначении (t), количестве термов для оценки и их названиях (<низкая>, <нормальная>, <высокая>). При добавлении узла, соответствующего входной переменной, запрашивается информация о диапазоне ее изменения. Сформированное дерево логического вывода изображено на рис. 8.2.
В°. Определение функций принадлежности лингвистических термов.
На этом шаге определяются модели функций принадлежности, используемые для формализации термов - оценок переменных. На рис. 8.3 показано соответствующее диалоговое окно. Этот шаг соответствует этапу фаззификации переменных.
Г°. Определение экспертных правил ЕСЛИ-ТО, описывающих поведение объекта. Экспертные правила ЕСЛИ-ТО вносятся в соответствующие матрицы знаний (рис. 8.4).
Д°. Настройка нечеткой экспертной системы путем решения задач оптимизации с использованием обучающей выборки.
Ввод значений входных переменных при выполнении расчетов осуществляется в количественной или качественной форме, а также по шкале термометра (рис. 8.5).
В результате нечеткого логического вывода получаются функции принадлежности выходной переменной каждому из классов решений. Соответствующее диалоговое окно содержит так же интерпретированный результат.
В ходе одно- и двухфакторного моделирования инженер по знаниям может наблюдать за поведением объекта в разных областях пространства входных переменных. Настройка по имеющимся экспериментальным данным позволяет повысить адекватность нечеткой экспертной системы.
8.2. Диагностика ишемической болезни сердца
Ишемическая болезнь сердца (ИБС) является одной из наиболее распространенных причин снижения работоспособности и смерти людей в зрелом возрасте. Успешность лечения ИБС определяется возможностью ее дифференциальной диагностики, то есть отнесения к одному из принятых в клинической практике уровней тяжести [40]: нейроциркуляторной дистонии и стенокардии. Качество диагностики сильно зависит от квалификации врача. Это обуславливает актуальность создания компьютерной системы интеллектуальной поддержки принятия диагностических решений.
8.2.1. Типы диагнозов и параметры состояния больного
В соответствии со сложившейся клинической практикой тяжесть ИБС будем определять на следующих уровнях (от низшего к высшему):
- нейроциркуляторная дистония (НЦД) легкой степени;
-
НЦД средней степени;
-
НЦД тяжелой степени;
-
стенокардия первого функционального
класса;
-
стенокардия второго функционального
класса;
-
стенокардия третьего функционального
класса.
Перечисленные
уровни
будем
считать типами диагнозов, которые
подлежат распознаванию. При установлении
диагноза ИБС для конкретного больного
будем принимать во внимание следующие
основные параметры, которые измеряются
в лабораторных условиях (возможные
диапазоны изменения указаны в скобках):
- возраст
больного (31-57 лет),
- двойное
произведение (ДП) пульса на артериальное
давление (147-405 условных единиц - у.е.),
- толерантность
к физической нагрузке (90-1200 кгм/мин),
- прирост
ДП на один кг веса тела больного (0.6-3.9
у.е.),
- прирост
ДП на один кГм нагрузки (0.1-0.4 у.е.),
- аденозинтрифосфорная
кислота АТФ (34.5-66.2 ммоль/л),
- аденозиндифосфорная
кислота АДФ (11.9-29.2 ммоль/л),
- аденозинмонофосфорная
кислота АМФ (3.6-27.1 ммоль/л),
- коэффициент
фосфорилирования (1-5.7 у.е.),
- максимальное
потребление кислорода на один кг веса
тела больного (10.5-40.9 млитр/мин кг),
- прирост
ДП в ответ на субмаксимальную нагрузку
( 46-312 у. е.),
- коэффициент
отношения содержания молочной и
пировиноградной кислот (3.9-22.8 у.е.) .
Перечисленные
параметры (кроме возраста) измеряются
в лабораторных условиях после работы
больного на велоэргометре. Задача
диагностики состоит в том, чтобы каждому
сочетанию значений параметров поставить
в соответствие одно из решений:
.
