Стр. 24 - СИСТЕМЫ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА И ПРИНЯТИЯ РЕШЕНИЙ
Упрощенная HTML-версия
[
Введите текст]
22
СИСТЕМЫИСКУССТВЕННОГО ИНТЕЛЛЕКТА И ПРИНЯТИЯ РЕШЕНИЙ.
ОПТИМИЗАЦИЯ БАЗ ЗНАНИЙ НЕЧЕТКИХ ЭКСПЕРТНЫХ СИСТЕМ
G
–
процедура генерации новых термов из базовых при помощи связок "И",
"
ИЛИ" и модификаторов "НЕ", "очень" и др. Например: "НЕ очень высокая тем-
пература";
M
–
процедура задания нечетких множеств для базовых термов и термов,
сгенерированных процедурой
G
,
в соответствии с правилами учета нечетких
связок и модификаторов (такие правила подробно рассмотрены в работе
).
На практике также получили применение упрощенные варианты лингвис-
тических переменных, для которых новые термы не порождаются, т.е. они пред-
ставляют собой именованные множества нечетких переменных.
1.3.2.
Адаптивные системы нечеткого логического вывода
При решении практических задач с применением нечетких моделей основ-
ные трудности связаны с выбором параметров таких моделей (набора нечетких
правил, вида функций принадлежности). Эффективность системы напрямую за-
висит от качества базы знаний, сформированной экспертом. При этом структура
и параметры компонентов системы могут быть не вполне адекватны решаемой
задаче из-за субъективности их выбора. Указанные трудности можно преодолеть
объединением нейросетевых методов с технологиями нечеткой логики.
Рассмотрим нечеткие нейронные сети – гибридные системы, состоящие из
нечетких нейронов, которые играют роль продукционных правил в сети логиче-
ского вывода экспертной системы. Система на основе нечеткой нейронной сети
обладает всеми преимуществами нейросетевых систем (параллельная обработка
данных, обучаемость) и систем, использующих нечеткую логику. Для ускорения
обучения сети имеется возможность применения априорной информации (на-
пример, знаний эксперта) путем формирования начальной сети с частично опти-
мальными параметрами. При обучении сети на примерах следует абстрагиро-
ваться от того, что она нечеткая, и применять известные методы настройки ней-
росетей (генетические алгоритмы, метод обратного распространения ошибки и
т.п.).
В настоящее время наиболее исследованы модели с одноуровневой базой
знаний, известные также под названием адаптивных нейро-нечетких систем вы-
вода (AdaptiveNeuro-FuzzyInferenceSystem, ANFIS). Примером архитектуры та-
кой системы может служить нечеткая сеть Ванга-Менделя.
В классических алгоритмах оптимизации нечетких нейронных сетей число
продукционных правил и вид функций принадлежности задаются заранее и не
изменяются в процессе обучения. Получить эффективную модель будет невоз-
можно, если данные параметры выбраны неверно. Для решения этой проблемы
