Стр. 37 - СИСТЕМЫ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА И ПРИНЯТИЯ РЕШЕНИЙ
Упрощенная HTML-версия
35
СИСТЕМЫИСКУССТВЕННОГО ИНТЕЛЛЕКТА И ПРИНЯТИЯ РЕШЕНИЙ.
ОПТИМИЗАЦИЯ БАЗ ЗНАНИЙ НЕЧЕТКИХ ЭКСПЕРТНЫХ СИСТЕМ
Рис. 2.4. Графическое представление сегментации переменной "Признак 1"
Элементы типа "Сегмент" имеют следующие значения параметров
K
,
рав-
ные номерам сегментов соответствующих переменных (перечисляем слева на-
право по рис. 2.3): 1, 2, 3, 2.
С одной стороны описанную сеть можно рассматривать как разновидность
искусственных нейронных сетей. По топологии это будут многослойные син-
хронные сети прямого распространения с перекрестными связями. С другой сто-
роны нечеткие нейроны играют роль продукционных правил, а их совокупность
может быть представлена в виде базы знаний, т.е. сеть может быть легко верба-
лизована. От стандартных гибридных сетей, описанных в работах
и
,
приведенные сети отличаются наличием нейронов, реализующих промежуточ-
ные вводы, что приводит к получению многоуровневой иерархии правил. Эта
особенность делает предложенные системы более гибким инструментом для вы-
ражения знаний о прикладной области.
В терминах нечетких систем сеть описанного типа производит нечеткий ло-
гический вывод по алгоритму Сугэно 0-го порядка
, однако она не содержит
характерный для всех нечетких систем блок деффузификации. В предыдущем
разделе рассматривались особенности интерпретации значений степеней истин-
ности нескольких исходов и указывалось на отсутствие универсального подхода.
Поэтому в данной работе предлагается отказаться от включения в систему блока
деффузификации. Это позволит упростить преобразование базы знаний в сеть и
обратно, приведет к упрощению алгоритма структурной оптимизации, а также
сократит набор оптимизируемых параметров системы (за счет отсутствия функ-
ций принадлежности для выходных переменных).
Кроме того, особенностью данной системы является применение блока аг-
регации выводов в виде элемента типа "ИЛИ" (реализующего функцию max), а
не сумматора, более характерного для типичных нечетких систем. Такой подход
позволяет получать сети более однородной структуры (не требуется введение
дополнительного типа элементов), что упрощает вербализацию.
