Cтраница 2
Нечеткая логика, в основном, обеспечивает эффективные средства отображения неопределенностей и неточностей реального мира. Наличие математических средств отражения нечеткости исходной информации позволяет построить модель, адекватную реальности. [16]
Система Нечеткая логика способна осуществлять нечеткий логический вывод на множестве правил, заданных пользователем. Вычисления в процессе логического вывода могут быть реализованы различными способами. [17]
Название нечеткая логика не совсем точно. Существует некоторая область, именуемая нечеткая логика, которая имеет дело с многочисленными формами логики. [18]
Система Нечеткая логика способна осуществлять нечеткий логический вывод на множестве правил, заданных пользователем. Вычисления в процессе логического вывода могут быть реализованы различными способами. [19]
Хотя нечеткая логика может явно использоваться для представления знаний эксперта с помощью правил для лингвистических переменных, обычно требуется очень много времени для конструирования и настройки функций принадлежности, которые количественно определяют эти переменные. Нейросетевые методы обучения автоматизируют этот процесс и существенно сокращают время разработки и затраты на нее, улучшая при этом параметры системы. [20]
Методы нечеткой логики успешно используются в адаптивных системах для настройки и коррекции параметров регуляторов в процессе их работы. [21]
Для нечетких логик характерно ослабление свойства ( Р1), поскольку в них предполагается назначение оценки доверия расплывчатым высказываниям. [22]
Применение нечеткой логики в этих отраслях позволяет повысить эффективность создаваемых систем, уменьшить время и затраты на их разработку. [23]
Методы нечеткой логики позволяют в сети рыночных бизнес-коммуникаций вести диалог компьютерной системы ( на основе базы данных нечетких множеств) о состоянии бизнеса на обычном языке делового мира, что является реальным вкладом в создание эффективных бизнес-коммуникаций. [24]
Системы нечеткой логики ( fuzzy logics systems) могут оперировать с неточной качественной информацией и объяснять принятые решения, но не способны автоматически усваивать правила их вывода. Вследствие этого, весьма желательна их кооперация с другими системами обработки информации для преодоления этого недостатка. Подобные системы сейчас активно используются в различных областях, таких как контроль технологических процессов, конструирование, финансовые операции, оценка кредитоспособности, медицинская диагностика и др. Нейронные сети используются здесь для настройки функций принадлежности нечетких систем принятия решений. Такая их способность особенно важна при решении экономических и финансовых задач, поскольку вследствие их динамической природы функции принадлежности неизбежно должны адаптироваться к изменяющимся условиям. [25]
В нечеткой логике предполагается, что выражение S является приближенно верным, если Т ( S) ] 0 5 при всех возможных значениях аргумента. S); 0 5, выражение считают приближенно неверным. [26]
В нечеткой логике имеются свои правила вывода для нечетких множеств. Ее полезность в рассуждениях о ненадежных данных зависит от приемлемости интерпретации мягких данных [238] как нечетких высказываний. Среди исследователей в области искусственного интеллекта существуют большие разногласия в отношении полезности таких модифицированных логических систем для интеллектуальных систем и даже об их преимуществах для рассуждений с неполными данными. [27]
В нечеткой логике более высокие значения для автомобилей Porche-944 и Chevy-Nova объясняются тем фактом, что степень принадлежности каждого из этих объектов к нечеткому множеству FAST-CAR выше. [28]
В нечеткой логике принято считать, что утверждение ( факт, высказывание), является приближенно истинным, если l ( s) 0 5 при всех значениях аргумента. [29]
В нечеткой логике достоверность представляется как истинное значение между 1 и 0, и значения, приписанные ПП ( см. рис. 3.2), это и есть истинные значения. [30]