Стр. 19 - СИСТЕМЫ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА И ПРИНЯТИЯ РЕШЕНИЙ

17

Содержание

СИСТЕМЫИСКУССТВЕННОГО ИНТЕЛЛЕКТА И ПРИНЯТИЯ РЕШЕНИЙ.

ОПТИМИЗАЦИЯ БАЗ ЗНАНИЙ НЕЧЕТКИХ ЭКСПЕРТНЫХ СИСТЕМ

ансамбля выходов сети для прогнозирования одного выходного значения). Огра-

ничения, накладываемые на параметры нейронов, не позволяют использовать

многие традиционные методы обучения, например метод обратного распростра-

нения ошибки. Перечисленные недостатки делают данный подход недостаточно

перспективным.

Большего интереса заслуживает стремление объединить положительные

стороны различных технологий ИИ для получения эффективной и легко интер-

претируемой модели. Вопросы построения гибридных систем исследованы в ра-

ботах

[20,

22]

.

1.3.

Нечеткие знания

1.3.1.

Основы теории нечетких множеств

Знания, которыми оперирует экспертная система, часто не являются абсо-

лютно точными. Качественные данные, предоставленные экспертами в виде эв-

ристик при заполнении базы знаний, субъективны, т.е. не точны по своей приро-

де. Количественные данные, полученные в результате экспериментов, надежны и

значимы в разной степени, их точность определяется статистическими оценками.

При обработке нечетких знаний традиционными четкими методами логиче-

ского вывода возникает противоречие, разрешить которое можно либо перехо-

дом к четким знаниям, если это возможно, либо использованием специальных

способов представления нечетких знаний и методов их обработки

[1]

.

Разработка и применение моделей приближенных рассуждений человека

является на данный момент одним из самых перспективных направлений разви-

тия интеллектуальных систем. Значительный вклад в это направление внес

Л. Заде, который расширил классическое понятие множества, допустив, что

функция принадлежности элемента множеству может принимать любые значе-

ния из области допустимых значений, а не только 0 или 1.

Для таких множеств, названных нечеткими, были определены операции, со-

ответствующие основным операциям над множествами (объединение, пересече-

ние, дополнение и т.д.). Кроме того, Заде предложил обобщение известных пра-

вил логического вывода modusponens и modustollens и ввел понятие лингвисти-

ческой переменной

[13]

, значения которой являются нечеткими множествами.

Все это послужило фундаментом теории нечетких множеств и нечеткой логики.

Новая математическая теория позволила описывать нечеткие знания и про-

изводить нечеткий вывод. Подходы, основанные на теории нечетких множеств,

оказываются полезными, когда доступная информация является неточной, ха-

рактеристики исследуемых объектов описываются качественно, а наблюдаемые

процессы являются слишком сложными для анализа с помощью общепринятых

методов. Считается, что нечеткая логика ближе к человеческому мышлению, чем

традиционные логические системы, благодаря тому, что предоставляет эффек-