Стр. 25 - СИСТЕМЫ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА И ПРИНЯТИЯ РЕШЕНИЙ
Упрощенная HTML-версия
23
СИСТЕМЫИСКУССТВЕННОГО ИНТЕЛЛЕКТА И ПРИНЯТИЯ РЕШЕНИЙ.
ОПТИМИЗАЦИЯ БАЗ ЗНАНИЙ НЕЧЕТКИХ ЭКСПЕРТНЫХ СИСТЕМ
применяются алгоритмы самоорганизации нечетких НС, изменяющие в процессе
обучения не только параметры, но и структуру сети. Специалисты отмечают, что
оптимальных методов обучения нечетких систем на данный момент не найдено,
и актуальными являются исследования в этом направлении.
В работе
выделено несколько основных принципов построения алго-
ритмов самоорганизации нечетких систем:
1.
Копирование обучающей выборки
Пусть обучающая выборка состоит из
m
пар значений. При адаптации сети
согласно рассматриваемому методу формируется
N m
=
нечетких продукцион-
ных правил, каждое из которых описывает один пример из обучающей выборки (
m
–
число примеров в выборке).
Достоинствами описанного алгоритма являются простота и высокая ско-
рость работы. К недостаткам алгоритма можно отнести то, что получаемая не-
четкая сеть очень громоздка (число правил равно числу обучающих примеров).
Кроме того, для выбора параметров функций принадлежности необходимо ис-
пользовать отдельную процедуру.
2.
Оптимизация числа продукционных правил как отдельного парамет-
ра
Допустим, что обученная каким-либо алгоритмом параметрической оптими-
зации нечеткая НС, содержащая
N
продукционных правил, имеет ошибку по
обучающей выборке
N
E
.
Обучая сеть при различных значениях
N
,
можно по-
лучить функцию
( )
N
E E N
=
.
Оптимизируя данную функцию по параметру
N
,
можно прийти к оптимальной структуре нечеткой сети. Недостатком данного
метода являются очень высокие требования к вычислительным ресурсам, обу-
словленные необходимостью заново обучать нечеткую сеть на каждом шаге.
Кроме того, трудности может вызвать выбор процедуры изменения параметра
N
.
3.
Совместная оптимизация по числу продукционных правил и весам не-
четкой сети
В данных алгоритмах совмещено в виде одной оптимизационной процедуры
определение числа продукционных правил и весов нечеткой сети. При этом по-
лучается достаточно сложная многоэкстремальная задача оптимизации. Для ее
решения часто используются технологии эволюционных вычислений, в частно-
сти, генетические алгоритмы. Оригинальным подходом здесь является примене-
ние нечеткого метода группового учета аргументов (НМГУА).
