Нечеткая модель

Cтраница 1

Нечеткая модель была реализована при решении задачи сопровождения маневрирующих воздушных объектов для увеличения быстродействия при вычислении размеров стробов. Она представляет собой набор систем нечеткого вывода, которые на основании текущих оценок координат и параметров движения объекта вычисляют параметры области стробирования. [1]

Реализация нечеткой модели при вычислении размеров строба для параметров движения ВС из примера раздела 2.5.2 позволила получить выигрыш в быстродействии более чем в 6.5 раз, что имеет важное значение в современных условиях непрерывного роста интенсивности и плотности движения транспорта. [2]

Построение нечеткой модели осуществляется в следующей последовательности. [3]

Построение нечеткой модели включает несколько этапов. На первом этапе определяется-минимальное число входных и выходных параметров объекта управления, которые обеспечивают необходимое количество информации. [4]

Графики функций принадлежности. [5]

Степень адекватности нечеткой модели, также как и адекватность классических моделей, прежде всего зависит от глубины познания исследуемой системы. Составной частью нечеткой модели, в значительной мере определяющей качество описания, является функция принадлежности. [6]

Вторым этапом построения нечеткой модели является формирование с использованием нечетких терминов описаний возможных ситуаций. Это описание, иногда называемое лингвистической моделью, задается набором логических правил вида: если А, то В, где А, В - нечеткие подмножества соответствующих универсальных множеств, характеризующие входные и выходные переменные. [7]

Успех же сочетания нечетких моделей существенно зависит от разумного нечеткого разбиения пространств входов и выходов. Вследствие этого, задача адаптации функций принадлежности может быть поставлена как задача оптимизации, для решения которой и могут использоваться нейронные сети. Наиболее простой путь для этого заключается в выборе некоторого вида функции принадлежности, форма которой управляется рядом параметров, точное значение которых находится при обучении нейронной сети. [8]

На этом этапе построение нечеткой модели заканчивается. [9]

С нейрокомпьютерной точки зрения достоинства нечетких моделей как раз и связано с нелинейностью функции принадлежности. Фиксирование и изначальное задание архитектуры сети позволяет интерпретировать ее решения. И что особенно важно, описанный подход по сути позволяет инкорпорировать априорные знания в структуру нейронной сети. [10]

Коммерческое программное обеспечение, основанное на нечетких моделях представления знаний, широко представлено на мировом рынке. Большая часть программных продуктов ориентирована на решение научно-технических задач и продвигается на рынок вместе с соответствующей аппаратурой. [11]

В настоящее время для описания знаний используются логические, сетевые, фреймовые, продукционные, нечеткие модели и объектно-ориентированные языки. Ниже вкратце рассматриваются эти модели. [13]

Тогда говорим, что для рассматриваемого индекса т прогнозная нечеткая модель привела к непротиворечивому прогнозу. [14]

Нечеткое правило адаптации темпа обучения нейронной сети. [15]

Страницы: 1 2 3