Стр. 81 - СИСТЕМЫ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА И ПРИНЯТИЯ РЕШЕНИЙ
Упрощенная HTML-версия
79
СИСТЕМЫИСКУССТВЕННОГО ИНТЕЛЛЕКТА И ПРИНЯТИЯ РЕШЕНИЙ.
ОПТИМИЗАЦИЯ БАЗ ЗНАНИЙ НЕЧЕТКИХ ЭКСПЕРТНЫХ СИСТЕМ
ТО
"
Низкий риск развития кариеса"
ЕСЛИ "Высокий или средний уровень резистентности (1 или 2)"
И
"
Низкая или невысокая вязкость смешанной слюны"
И
"
Пациентка зрелого возраста"
И
"
Повышенный МПС"
ТО
"
Низкий риск развития кариеса"
ЕСЛИ НЕ "Высокая буферная ёмкость смешанной слюны"
И
"
Высокий или средний уровень резистентности (1 или 2)"
И
НЕ "Пониженный МПС"
И
НЕ "Нормальная невысокая вязкость смешанной слюны"
И
НЕ "КОСРЭ = 5 при низкой буферной ёмкости"
И
НЕ "Очень низкий pH смешанной слюны"
И
НЕ "Очень низкий МПС"
ТО
"
Низкий риск развития кариеса"
ЕСЛИ НЕ "Параметры соответствуют среднему или высокому риску развития кариеса"
ТО
"
Низкий риск развития кариеса"
4.3.
Прогнозирование валютных цен на финансовом рынке
Рассмотрим возможность применения разработанной системы для решения
задач прогнозирования временных рядов на примере предсказания курса евро.
Суть задачи состоит в том, чтобы, зная динамику изменения курсовой стоимости
продажи валюты за фиксированный интервал времени, предсказать значение ее
курсовой стоимости на определенный момент времени в будущем.
В качестве исходных данных была использована информация о динамике
курса евро за период с 01.01.2004 по 10.05.2005, которая доступна в Интернете по
адресу:
. Обучающая выборка строится методом скользящего
окна, когда каждая запись содержит значения курса за несколько дней, следую-
щих друг за другом (в нашем примере – пять дней). При этом значения за первые
четыре дня являются независимыми параметрами (с именами "D1", "D2", "D3" и
"
D4"), а за пятый – зависимой от них переменной "y". Пятидневное окно смеща-
ется на один день для получения очередного обучающего примера. Для исполь-
зования было отобрано 130 примеров, из них первые 100 вошли в обучающую
выборку, а последние 30 составили тестовый задачник.
Все переменные были равномерно разбиты на три сегмента каждая. Для вы-
ходной переменной для каждого примера были найдены значения функций при-
надлежности трех нечетких множеств ("y_I", "y_II" и "y_III"), соответствующих
сегментам. Эти значения и должна научиться предсказывать система после обу-
чения.
В результате структурно-параметрической оптимизации была получена сле-
дующая база знаний:
