Стр. 70 - СИСТЕМЫ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА И ПРИНЯТИЯ РЕШЕНИЙ

[

Введите текст]

Содержание

68

СИСТЕМЫИСКУССТВЕННОГО ИНТЕЛЛЕКТА И ПРИНЯТИЯ РЕШЕНИЙ.

ОПТИМИЗАЦИЯ БАЗ ЗНАНИЙ НЕЧЕТКИХ ЭКСПЕРТНЫХ СИСТЕМ

столбце, соответствующем классу, к которому принадлежит рассматриваемый

образец. В остальные столбцы записываются 0.

В начале эксперимента по решению задачи база знаний не содержит ни од-

ного правила. Структурно-параметрическая оптимизация запускается со сле-

дующими параметрами генетического алгоритма:

–

размер популяции: 300 особей;

–

доля мутаций: 33%;

–

доля элитных особей: 33%;

–

максимально допустимое число поколений: 3000;

–

максимально допустимое число повторений характеристик лучшей особи:

100;

–

битов для кодирования параметров сегментации: 8 (т.е. параметры кодиру-

ются с максимальной относительной погрешностью 0,004);

–

битов для кодирования весов: 3;

–

цена ложного срабатывания: 1;

–

цена пропуска: 1.

На первой итерации конструктивного алгоритма структурной оптимизации

создается по одному правилу для каждого выхода системы. Параметрическая оп-

тимизация приводит к решению задачи со среднеквадратичной ошибкой

0,0316483.

На второй итерации добавляется еще три правила (ошибка составляет

0,0294714).

На третьей итерации добавляется еще по одному правилу для каждого вы-

хода системы (всего на данный момент сеть содержит 9 правил). Достигнутое

значение ошибки 0,0293827 оказывается наилучшим и не уменьшается с добав-

лением новых правил. Если считать пример правильно решенным при разнице

между эталонным значением выхода и рассчитанным системой, не превышаю-

щей 0,3, то полученная система ошибается только в 6 случаях из 150, т.е. точ-

ность классификации составляет 96%.

Далее было произведено сокращение полученной сети. В результате оказа-

лось, что 4 правил достаточно для решения задачи с удовлетворительной точно-

стью. База знаний содержит по одному правилу для классов "IrisSetosa" и

"

IrisVersicolour", а для класса "IrisVirginica" – два правила. Т.о. оптимизация

могла быть успешно завершена уже на второй итерации, но вследствие стохас-

тического характера ГА лучшие значения параметров были найдены только на

третьей итерации конструктивного алгоритма. Далее приводится вербализация

результирующей базы знаний:

ВХОДНАЯ ВЕЛИЧИНА

"

sepallength"

С РАЗМЕРНОСТЬЮ (см)

И ПАРАМЕТРАМИ СЕГМЕНТАЦИИ:

Xmin = 4.3000, X1 = 7.0422, X2 = 7.0422, Xmax = 7.9000