Нечеткое правило

Cтраница 1

Функции принадлежности лингвистической переменной Падение производства. [1]

Нечеткое правило связывает значения лингвистических переменных. Примером такого правила может быть, например, следующее. [2]

Нечеткое правило логического вывода представляет собой упорядоченную пару ( А, В), где А - нечеткое подмножество пространства входных значений X, В - нечеткое подмножество пространства выходных значений Y. Число элементов в р03) и p w бесконечно велико, поэтому невозможно задать правила нечеткого вывода соответствующими парами точек. Однако они могут быть описаны в терминах теории нечетких множеств. [3]

Нечеткое правило адаптации темпа обучения нейронной сети. [4]

Лингвистические переменные Темп Обучения и Градиент принимают в иллюстрируемом таблицей нечетком правиле адаптации следующие значения: NB - большой отрицательный; NS - малый отрицательный; Z - близок к нулю; PS - малый положительный; РВ - большой положительный. [5]

Пакет, реализующий методы нечеткой логики в виде экспертной системы с нечеткими правилами, применяется для ситуационного моделирования в политике, экономике и финансах, управления в условиях неполноты и неточности информации. С помощью CubiCalc успешно решаются задачи динамического управления в финансовом планировании, управления технологическими процессами и динамического моделирования в сложных предметных областях с качественно изменяющимися параметрами. [6]

Несмотря на упрощенность примера, нельзя не заметить, что поведение довольно сложной системы может быть описано всего лишь несколькими довольно абстрактными нечеткими правилами вывода. Это еще раз подтверждает справедливость утверждения о большом потенциале нечеткой логики как средства решения практических задач. [7]

Форма базы нечетких правил. [8]

Вначале для входных сигналов ( х -, х2) с использованием операции произведения объединим посылки ( условия) / с-го нечеткого правила. Таким образом определяется так называемая степень активности / с-го правила. [9]

Объединение обоих подходов позволяет, с одной стороны, привнести способность к обучению и вычислительную мощность нейронных сетей в системы с нечеткой логикой, а с другой стороны - усилить интеллектуальные возможности нейронных сетей свойственными человеческому способу мышления нечеткими правилами выработки решений. [10]

Количество элементов этого слоя равно количеству правил N. Каждый элемент соответствует одному нечеткому правилу и определяет минимальную из степеней принадлежности, рассчитанных в предыдущем слое. Выходы этого слоя интерпретируются как степень соответствия входных данных условиям ( суждениям) правил вывода. Применение операции минимум обусловлено только способом реализации нечеткой операции AND, и ничто не препятствует тому, чтобы вместо нее использовать, например операцию умножения. [11]

В отличие от обычных нейронных сетей, как веса, так и параметры этого слоя имеют конкретную интерпретацию: х представляет центр функции принадлежности нечеткого множества, соответствующего / - и входной переменной в / с-м правиле, a hk - ширину этих функций. Каждый нейрон соответствует одному нечеткому правилу. [12]

Процесс управления заключается в выборе того фрагмента, который должен быть усвоен обучаемым на данном шаге обучения. Для организации управления используется алгоритм нечеткого контроллера. При этом программа отрабатывает входную информацию в лингвистической форме по нечетким правилам и вырабатывает номер i фрагмента обучения X, который необходимо усвоить. [13]

В слое L5 рассчитывается произведение нормированной степени соответствия условиям Tk и функции № ( х, x2), содержащейся в компоненте заключения. В итоге на выходах элементов слоя L5 формируются количественные значения управляющих воздействий, выведенные по каждому нечеткому правилу. [14]

Конечно заманчиво иметь возможность получения не только качественного, но и количественного правила, связывающего уровень разрыва в доходах с преступностью. Мы знаем, что нейронные сети типа персептрона являются универсальными аппроксиматорами и могут реализовать любое количественное отображение. Очевидно, что добиться этого можно подбором соответствующих функций принадлежности. А именно, задача состоит в том, чтобы так определить понятия высокий разрыв в доходах и повышенный уровень преступности, чтобы выполнялись и качественные и количественные соотношения. Нужно, чтобы и сами эти определения не оказалось дикими - иначе придется усомниться в используемом нами нечетком правиле. Если такая задача успешно решается, то это означает успешный симбиоз теории нечетких множеств и нейронных сетей, в которых играют наглядность первых и универсальность последних. [15]

Страницы: 1