|
Материалы

Применение эволюлюционных методов для настройки систем нечеткой логики


Терехов Д.В.

Научный руководитель: канд. техн. наук, доц.

Синюк В.Г.

Белгородский государственный технологический

университет им. В.Г. Шухова

ПРИМЕНЕНИЕ ЭВОЛЮЛЮЦИОННЫХ МЕТОДОВ ДЛЯ НАСТРОЙКИ СИСТЕМ НЕЧЕТКОЙ ЛОГИКИ

 

Основу любой системы нечеткой логики, которые получили в последнее время широкое распространение благодаря простоте своей реализации, составляют два взаимосвязанных компонента: концепция машины вывода и параметры набора нечетких правил (база правил и база данных). Вследствие этого, и точность работы каждой из нечетких систем зависит от этих же двух факторов:

·           какие нечеткие операции будут применены для процесса вывода (алгоритм нечеткого вывода).

·           каким образом были формализованы и описаны знания, специфичные именно для этой предметной области (каким образом была получена база правил).

Если в первом случае, разработчик системы должен сделать (порой непростой) выбор между несколькими известными ему правилами вывода в пользу одного единственного, то во втором случае уже необходимо определить облик каждого правила базы нечетких правил, при условии, что таких правил не десять и не двадцать. На втором этапе необходимо не только указать структуру правил, но и конкретные числовые параметры каждого из них, что увеличивает объем работы в разы, что в свою очередь в значительной мере влияет на точность работы системы в целом.

Генерация множества нечетких правил, также как и разработка машины вывода или любой другой подсистемы, требует решения ряда подзадач, которые правда весьма специфичны для каждого типа нечетких систем. Основные подзадачи, специфичные для большинства систем представлены ниже:

·           выбор входных и выходных переменных системы из множества возможных

·           выбор возможных множеств термов для каждой лингвистической переменной, чем регулируется гранулярность системы.

·           выбор формы функций принадлежности: треугольная, трапециевидная, кривая гаусса и пр..

·           определение функций принадлежности для каждой из лингвистической переменной

·           выведение правил, которые сформируют базу нечетких правил. На этом этапе определить количество правил также важно, как сформировать антицендент и консеквент для каждого из них.

Проблемно-специфические знания играют большую роль в формировании базы правил, и как следствие, кропотливое ее изучение может в значительной мере увеличить производительность и точность нечеткой системы в целом. Для типичных приложений нечетких систем характерны два вида доступной для разработчика информации: числовая (полученная в результате измерений - объективная) и лингвистическая (субъективная). Первая приобретается посредством наблюдения за системой, когда вторую предоставляет ЛПР (человек-эксперт). Отсюда может быть два пути получения базы правил:

Создание экспертом. В этом случае база правил формируется за счет доступной от эксперта информации. Человек-эксперт «руками» указывает лингвистические термы, ассоциированные с каждой лингвистической переменной, структуру каждого правила в базе и значение каждого терма. Это наиболее постой способ, когда эксперт в состоянии формализовать свои знания в виде нечетких правил. Однако, он применим только для лингвистических нечетких систем.

Автоматическое выведение на основе имеющейся объективной информации. В последние годы было разработано множество индуктивных методов обучения для систем различных типов.

Для разработки нечетких лингвистических систем может использоваться оба типа доступной информации. Но, не смотря на то, что системы с базами знаний, выведенными из лингвистической информации, успешно применяются для решения различного рода проблем, эксперт не всегда в состоянии выразить свои знания о предметной области в виде набора нечетких правил (либо эксперт попросту отсутствует). Возможны также варианты, когда эксперт может предоставить только общую информацию об области суждений, в которой определены переменные; и не в способен определить функции принадлежности.

1 2
Общее время работы: 10.446071624756 мс
Использование памяти: 661 КБ