- •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
8.6.3. Оценка частных показателей по принципу термометра
Особенность
частных показателей
,
и
,
состоит в том, что все они имеют
качественный характер, т.е. не имеют
точного количественного измерения.
Поэтому при оценке одного и того же
показателя несколькими экспертами
могут возникать разные мнения. Кроме
того эксперт не всегда способен словесно
оценить частный показатель, хотя
интуитивно ощущает его уровень. Для
преодоления этих трудностей можно
оценивать частичные показатели по
принципу
термометра
(рис. 8.23).
Удобство такого подхода состоит в том, что разные по смыслу частные показатели определяются как лингвистические переменные, заданные на едином универсальном множестве
(8.20)
которым является шкала термометра. Снижение субъективизма может быть достигнуто за счет использования рекомендаций из табл. 8. 23. Например, закрашенная часть шкалы на рис. 8.23 для показателя "НОВИЗНА РАБОТЫ", соответствует уровню перспективных образцов.
8.6.4. Оценка интегрального показателя
Таблица 8.23.
Рекомендации по оценке частных показателей качества
Частный |
Уровни оценки показателей |
|||
показатель |
Минимальный уровень |
Средний уровень |
Максимальный уровень |
|
Новизна работы |
Ниже среднего уровня |
Уровень средних образцов |
Перспективные образцы |
Оригинальные идеи |
Качество обзора литературы |
Недостаточный анализ |
Отечественная литература |
Современная отечественная литература |
Новая отечественная и зарубежная литература |
Глубина обоснования решений |
Вариантные расчеты отсутствуют |
Есть результаты только одного варианта |
Обоснован выбор оптимального варианта |
|
Возможность практического использования |
Нет конкретных практических рекомендаций |
Результаты имеют рекомендационный характер |
Возможное непосредственное использование |
|
Качество графического материала |
Не раскрывают смысл проекта |
Не полностью раскрывают смысл, есть погрешность в оформлении |
Полностью раскрывают смысл и отвечают ГОСТ |
|
Грамотность изложения |
Много стилистических и грамматических ошибок |
Есть отдельные грамматические ошибки |
Текст читается легко, ошибки отсутствуют |
|
Научно-технический уровень |
Использование ЭВМ отсутствует или носит второстепенный характер |
Современные пакеты программ в основной части |
Оригинальные программно-технические средства в основной части работы |
|
Качество доклада |
Не раскрывает тему проекта |
Не соблюден регламент, недостаточно раскрыта тема проекта |
Есть ошибки в регламенте и использовании плакатов |
Соблюдение времени, раскрытие актуальности, новизны, метода с использования плакатов |
Качество чертежей |
Не отвечают докладу, выполнены на низком уровне |
Не полностью отвечают содержанию доклада, есть ошибки в оформлении и отклонение от стандартов |
Есть незначительные погрешности в оформлении |
Полностью отвечают содержанию доклада, дополняют его, отвечают требованиям стандартов |
Качество ответов на вопросы |
Не может ответить на дополнительные вопросы |
Знание основного материала |
Высокая эрудиция, нет существенных ошибок |
Ответы точные, высокий уровень эрудиции |
Предположим, что лингвистические переменные , , и , , оцениваются нечеткими термами: Н - низкий, нС - ниже среднего, С - средний, вС - выше среднего, В - высокий, которые определены с помощью функций принадлежности (рис. 8.24). Пользуясь нечеткими термами, зададим знания о соотношениях (8.16-8.19), в виде матриц, фрагменты которых представлены в табл. 8.24-8.27. Общее количество групп строчек в этих матрицах составляет 5+5+5+7. Каждая группа строчек отображает условное высказывание, которое связывает нечеткие значения входных и выходных переменных. Например, из табл. 8.24 видно, что условием очень высокого ( ) качества дипломного проектирования ( ) является высказывание:
ЕСЛИ ( =В) И ( =В) И ( =В) ИЛИ ( =вС) И ( =В) И ( =В),
ТО
.
Таблица 8.24. Фрагмент знаний о соотношениях (8.16) |
|
Таблица 8.25. Фрагмент знаний о соотношениях (8.17) |
|
|
|
|
|
|
|
|
|
|
В |
В |
В |
|
В |
В |
В |
В |
|
|
вС |
В |
В |
|
вС |
вС |
В |
В |
В |
|
С |
В |
В |
|
вС |
В |
В |
В |
|
|
вС |
вС |
вС |
|
С |
С |
вС |
вС |
|
|
... |
... |
... |
... |
нС |
вС |
вС |
вС |
вС |
|
Н |
Н |
Н |
|
Н |
вС |
В |
В |
|
|
Y |
Yc |
Y |
|
вС |
вС |
вС |
вС |
|
|
|
... |
... |
... |
... |
... |
||||
В |
В |
Н |
Н |
|
|||||
С |
С |
Н |
Н |
Н |
|||||
Н |
Н |
Н |
Н |
|
|||||
Таблица 8.26. Фрагмент знаний о соотношениях (8.18) |
|
Таблица 8.27. Фрагмент знаний о соотношениях(8.19) |
|||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
В |
В |
В |
В |
В |
В |
В |
В |
В |
|
В |
В |
В |
В |
В |
|
В |
В |
В |
В |
вС |
вС |
вС |
вС |
В |
В |
вС |
В |
В |
В |
|
|
вС |
вС |
В |
В |
В |
В |
В |
В |
В |
|
вС |
вС |
вС |
вС |
|
|
вС |
вС |
вС |
вС |
вС |
вС |
вС |
вС |
вС |
|
С |
вС |
вС |
вС |
вС |
|
вС |
вС |
вС |
вС |
вС |
С |
С |
С |
С |
С |
вС |
В |
С |
вС |
|
|
С |
С |
вС |
вС |
вС |
вС |
вС |
вС |
вС |
|
В |
вС |
вС |
вС |
|
|
... |
... |
... |
... |
... |
... |
... |
... |
... |
... |
... |
... |
... |
... |
... |
|
Н |
Н |
Н |
Н |
Н |
Н |
Н |
Н |
Н |
|
Н |
Н |
Н |
Н |
|
|
нС |
нС |
Н |
Н |
Н |
вС |
Н |
вС |
Н |
Н |
С |
С |
Н |
Н |
Н |
|
нС |
Н |
Н |
Н |
Н |
нС |
Н |
нС |
Н |
|
В |
В |
Н |
Н |
|
|
Нечеткие логические уравнения, поставленные в соответствие табл. 8.24-8.27, позволяют оценивать интегральное качество дипломного проектирования для фиксированных значений частных показателей. (табл. 8.28). Автоматизированная система оценки качества дипломного проектирования описана в [39].
Опыт применения системы показал, что она дает ряд позитивных эффектов, которые способствуют повышению качества дипломного проектирования. Во-первых, студент-дипломник может оперативно прогнозировать свою оценку, тем самым управляя качеством собственной деятельности во время дипломирования. Во-вторых, благодаря существованию формализованного бланка оценки частных показателей, заведующий кафедрой может оперативно контролировать качество и объективность отзывов, которые подают руководитель и рецензент на каждый дипломный проект. В-третьих, выпускающая кафедра накапливает банк данных о качестве деятельности всех своих выпускников. В-четвертых, появляется возможность оценки планки учебного заведения, благодаря сопоставлению расчетных 7-ми уровневых оценок, и окончательных оценок по пятибалльной системе, которые выставляет ГЭК (рис. 8.22).
