Cтраница 3
Теперь, когда задача выбора переменных и преобразования данных обсуждены, можно познакомиться с наиболее известными коэффициентами сходства. Как уже отмечалось, существует четыре их вида: коэффициенты корреляции; меры расстояния; коэффициенты ассоциативности и вероятностные коэффициенты сходства. Каждый из этих видов имеет свои достоинства и недостатки, которые следует рассматривать прежде, чем будет принято решение использовать один из них. Хотя все четыре вида мер сходства широко применялись специалистами в численной таксономии и в биологии, лишь коэффициенты корреляции и расстояния получили широкое распространение в области социальных наук. Поэтому мы уделим больше внимания этим двум типам мер. [31]
На третьем этапе агент-координатор предпринимает попытки разрешить конфликты между субъектами выбора. Эта работа начинается с выявления конфликтов, разрешение которых наиболее актуально. Множество таких конфликтов формируется на основе вычисленных оценок мер сходства требований со свойствами и упорядочивается в соответствии с весовыми коэффициентами субъектов, а также важностью их требований. В множество конфликтов заносятся оценки мер сходства, значения которых ниже заданного порога А. Агент-координатор рассылает владельцам соответствующих требований сообщения, содержащие предложения изменить конфликтующие требования или их весовые коэффициенты в направлении достижения компромисса. [32]
Теперь предположим, что необходимо вычислить насколько близки по значениям 1 0000 множеств. Сделать это вручную, т.е. расставить все эти множества в некую последовательность, упорядоченную по близости, очень трудно. Гораздо эффективнее и быстрее использовать для этого формулу мер сходства, которая позволяет по достаточно простому алгоритму рассчитать меры близости всех 1 0000 множеств по отношению к какому-либо выбранному отдельному множеству. [33]
Исследование различных способов вычисления импликации показало, что в подавляющем большинстве случаев полученные разными способами результаты позволяют правильно судить о приближенной истинности или ложности выведенных понятий. Однако практически во всех примерах имеют место отличия в результатах, которые усиливаются тем больше, чем больше образцы реальных фактов отличаются от эталонных. Невозможно рекомендовать один способ вычисления как более правильный. Вопрос о потерях точности в процессах многошаговых логических выводов требует дальнейшего исследования, так как в нечеткой логике результат вывода на каждом правиле требует соотнесения с образцом истинного или противоположного ему суждения. Эта задача возлагается либо на пользователя, либо решается самой системой на основе оценки степени сходства. В ситуациях, когда меры сходства с обоими образцами примерно одинаковы, существует высокая вероятность ошибки, которая может фатально повлиять на окончательный результат. В подобных ситуациях целесообразно отнесение полученного результата к обоим классам понятий и реализация двух версий рассуждения. [34]
В соответствии с алгоритмом первый входной сигнал считается эталоном первого кластера. Следующий входной сигнал сравнивается с эталоном первого кластера. Говорят, что входной сигнал следует за лидером и принадлежит первому кластеру, если расстояние до эталона первого кластера меньше порога. В противном случае второй входной сигнал становится эталоном второго кластера. Процесс повторяется для всех следующих входных сигналов. Таким образом, число кластеров растет с течением времени и зависит как от значения порога, так и от меры сходства, использующейся для сравнения входных сигналов и эталонов классов. [35]