Стр. 26 - СИСТЕМЫ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА И ПРИНЯТИЯ РЕШЕНИЙ

[Введите текст]
Содержание 24
СИСТЕМЫИСКУССТВЕННОГО ИНТЕЛЛЕКТА И ПРИНЯТИЯ РЕШЕНИЙ.
ОПТИМИЗАЦИЯ БАЗ ЗНАНИЙ НЕЧЕТКИХ ЭКСПЕРТНЫХ СИСТЕМ
Отметим, что при применении эволюционного подхода имеется большое
число параметров алгоритма, которые для эффективного решения задачи долж-
ны быть правильно выбраны. Некоторые рекомендации по их выбору приведены
в работе[21].
4. Алгоритмы сокращения нечетких нейронных сетей (алгоритмы ре-
дукции)
В алгоритмах сокращения при инициализации формируется нечеткая систе-
ма, содержащая заведомо избыточное число продукционных правил, в предпо-
ложении, что параметрическая оптимизация позволит уменьшить ошибку по
обучающей выборке до приемлемого уровня. Далее в процессе работы алгорит-
ма исключаются лишние продукционные правила. Рассмотрим основные прин-
ципы редукции нечетких систем:
• исключение правил, для которых результирующая функция принадлежно-
сти меньше определенного порога, как мало влияющих на окончательный
результат;
• исключение противоречивых правил, как взаимно компенсирующихся;
• исключение одного из двух совпадающих правил, как не несущего новой
информации.
Существенным недостатком алгоритмов сокращения является необходи-
мость первоначально работать с заведомо избыточной по размеру сетью, что и
обусловливает в ряде случаев медленную работу алгоритмов.
5. Алгоритмы наращивания нечетких нейронных сетей (конструктив-
ные алгоритмы)
В данных алгоритмах вначале формируется исходная база продукционных
правил (она может быть и пустой), которая затем последовательно пополняется
нечеткими правилами. Перспективным для дальнейшей модернизации является
конструктивный алгоритм, предложенный в работе[15], как обладающий высо-
ким быстродействием, низкими требованиями к вычислительным ресурсам и
возможностью априорного задания требуемого уровня точности. Отметим также,
что может оказаться полезной комбинация описанных подходов (например,
применение алгоритма сокращения к сети, полученной в результате копирования
обучающей выборки или выполнения конструктивного алгоритма).
Методы параметрической оптимизации нечетких систем с одной стороны
различаются подходами к разделению данного этапа обучения на стадии (совме-
стная настройка правил и ФП лингвистических переменных либо их раздельная
настройка), с другой – применяемыми алгоритмами. Основная масса разрабо-