Нечеткий вывод

Cтраница 3

Пакет Fuzzy Logic располагает большим набором функций, исполняемых из командной строки MATLAB и позволяющих, в принципе, не использовать при работе с системами нечеткого вывода рассмотренные программы графического интерфейса. [31]

Результат тестирования обученной системы. [32]

В пакет Fuzzy Logic Toolbox входит еще одна программа, позволяющая работу в режиме графического интерфейса, - программа Clustering ( Кластеризация) выявления центров кластеров, т.е. точек в многомерном пространстве данных, около которых группируются ( скапливаются) экспериментальные данные. Выявление подобных центров, надо сказать, является значимым этапом при предварительной обработке данных, поскольку позволяет сопоставить с этими центрами функции принадлежности переменных при последующем проектировании системы нечеткого вывода. [33]

Ваша нечеткая модель может быть сохранена в формате ASCII для последующего использования вне среды MATLAB a. Пакет предоставляет эффективный инструмент нечеткого вывода, способный запускать нечеткую модель как автономное приложение или как часть другого приложения. [34]

Эти веса, также как и значения параметров xf и af в слое L1, будут модифицироваться в процессе обучения. На выходе слоя L4 формируется четкое ( дефуззифицированное) выходное значение модуля управления у. Представленная на рис. 5.1 структура имеет много общего с нейронными сетями - она представляет собой многослойную сеть, основанную на идее нечеткого вывода. В отличие от чистых нейронных сетей, каждый слой в целом и отдельные составляющие его элементы, также как и конфигурация связей, все параметры и веса имеют физическую интерпретацию. Это свойство оказывается необычайно важным, поскольку знания не распределяются по сети и могут быть легко локализованы и при необходимости откорректированы экспертом-наблюдателем. [35]

Наличие неопределенной или нечеткой информации, которая не может быть интерпретирована в вероятностных терминах, приводит к тому, что традиционные количественные методы, используемые в теории автоматического управления, являются недостаточно адекватными. В результате появляются трудности в формировании алгоритмов управления. Один из способов их преодоления состоит в использовании нечетких понятий и знаний, проведении операций с использованием нечетких логических правил и в получении на их основе нечетких выводов, на базе которых формируются алгоритмы управления. [36]

К известным алгоритмически-ориентированным программным продуктам относятся пакеты CubiCalc и NeuFuz. Пакет CubiCalc предоставляет набор средств для построения нечетких моделей, в том числе нечеткий редактор для ввода и редактирования значений ЛП, соответствующих им нечетких множеств и правил; операторы, позволяющие изменять значения ЛП с помощью специальных модификаторов ( например, несколько, очень); весовые коэффициенты правил. CubiCalc содержит нечеткий словарь и редактируемую базу знаний. Результаты нечеткого вывода представляются в виде двумерной решетки. [37]

В главе 3 обсуждаются системы, использующие нечеткую логику. Они особенно полезны в ситуации, когда доступные знания представлены в виде правил, основанных на нечетких множествах и лингвистических переменных. Системы этого типа де-факто признаны стандартом в Японии, где они применяются в автоматических стиральных и посудомоечных машинах, видеокамерах и фотоаппаратах, кондиционерах и автомобилях. Излагаются элементы теории нечетких множеств и нечеткого вывода, также описывается функционирование различных нечетких процессоров. [38]

ПВР-это совокупность программных средств, которые реализуют операции извлечения и применения необходимых знаний из БЗ и РБЗ, а также данных из БД для автоматизированной генерации семантического решения НФЗ. Разработка процедур вывода решений НФЗ может осуществляться с использованием различных формализмов искусственного интеллекта: логики высказываний, псевдофизических логик, исчисления предикатов 1-го порядка и др. ( см. гл. ПВР может включать два блока: логического вывода и естественного вывода по здравому смыслу. При использовании в ЭС нечетких знаний в состав ПВР входит блок правдоподобного вывода ( вероятностного, индуктивного или нечеткого вывода) ( см. гл. [39]

Кажется логичным рассматривать предложенную структуру и связанные с ней алгоритмы в качестве серьезной базы для дальнейших исследований и размышлений. Естественное разделение алгоритма обучения на два независимых этапа открывает интересные возможности для применения описанного подхода во многих реальных ситуациях. Фаза самоорганизации структуры на основе обучающих данных устраняет главный недостаток известных ранее структур: необходимость хорошего исходного размещения функции принадлежности и полного априорного знания всех нечетких правил. Кроме того, слоистая структура и межслойные связи оказываются настолько прозрачными и интуитивно понятными, что формирование базы правил и нечетких множеств по завершении первой фазы не представляет никакой проблемы. Следовательно, они могут с легкостью как модифицироваться, так и переноситься в другую систему, реализующую нечеткий вывод. В свою очередь, на второй фазе ( обучения с учителем) применяется хорошо известный алгоритм обратного распространения ошибки. Благодаря оптимальному уточнению функий принадлежности удается еще лучше подготовить модуль нечеткого управления для решения конкретной задачи. [40]

Страницы: 1 2 3