Комплексное исследование задачи классификации с применением нечетких моделей и распределенных вычислений

• Автор: Нгуен Данг Минь
• Шифр специальности: 05.13.18
• Научная степень: Кандидатская
• Год защиты: 2014
• Место защиты: Иркутск
• Количество страниц: 142 с. : ил.

ОГЛАВЛЕНИЕ
Введение
Г лава 1. Методы построения классификаторов изделий
1 Л. Роль классификаторов в деятельности промышленных предприятий
1.2. Основные подходы к решению проблемы классификаций объектов
1.3. Неопределенность в задаче классификации
1.4. Методы решения задачи классификации в условиях неопределенности
1.5. Описание системы разработки классификатора изделий, основанной на методах логического вывода
Выводы по первой главе
Глава 2. Логико-математические модели решения задачи классификации
2.1. Модели представления знаний
2.2. Математическая модель классификации при использовании нечетких рассуждений
2.3. Модель нейро-нечеткой сети
2.4. Метод обучения адаптивной системы нейро-нечеткого вывода
Выводы по второй главе
Глава 3. Программный комплекс обучения нейро-нечеткой сети в параллельном режиме
3.1. Исследование влияния числа нейронов и обучающих выборок на процесс обучения адаптивных нейро-нечетких сетей (А1МЕ18)
3.2. Краткое описание программного комплекса
3.3. Технология параллельных вычислений при обучении адаптивных нейро-нечетких сетей
3.4. Применение МЕХ-файлов при реализации программы параллельного обучения адаптивной нейро-нечеткой сети
3.5. Структура программного комплекса
3.6. Экспериментальная оценка эффективности
Выводы по третьей главе

Глава 4. Исследование применения рассмотренных моделей при решении задач классификации изделий
4.1. Разработка системы нечетких рассуждений для подбора материала при изготовлении сосудов давления
4.2. Реализация представления знаний в виде семантической сети как средство решения задачи классификации
4.3. Решение задачи классификации деталей
4.4. Решение задачи классификации постоянных кондукторных втулок с помощью разработанного программного комплекса
Выводы по четвертой главе
Заключение
Список использованной литературы
Приложение А
Приложение Б
Приложение В
Приложение Г

Введение
Актуальность исследования. При проектировании и изготовлении изделия приходится решать сложный комплекс конструкторских, технологических и организационно-экономических задач [88]. Одной из них является задача выбора подходящего материала, которая должна учитывать комплекс его свойств, обеспечивающих надежную и долговечную работу конструкций, машин и оборудования в заданных условиях эксплуатации. Так как конструкционные материалы характеризуются механическими, физико-химическими и технологическими свойствами, то рассматривать необходимо всю гамму свойств. Однако, часто комплекс требуемых свойств материала, представленных в виде технических требований или технических условий к материалу, составляется не на основе точного анализа и моделирования условий работы, а на приблизительных качественных данных или на опыте предыдущей эксплуатации аналогичного или схожего изделия или конструкции. Поэтому актуальной проблемой при проектировании и изготовлении изделия является разработка классификатора материалов, позволяющего составлять список наиболее пригодных материалов, из которых выбирается наилучший для использования в конкретной конструкции.
Проблемы подбора материалов широко освещены в работах отечественных и зарубежных ученых. Можно отметить следующих авторов: Ю.П. Солнцев, Е.И. Пряхин [75], А.М. Паршин, И.В Горынин [63], M.F. Ashby [93], М. Fa-rag, Е. El-Magd [107, 108], S. Ylasari, О. Forsen [153], D. Cebon [102] и др. Разработан ряд методов, связанных с методологией построения классификаторов материалов, например, метод weight-properties [109], метод digital logic [109], метод использования диаграмм Ashby [93] и др. Однако задача классификации материалов обладает неопределенностью, так как требуется учитывать не только технические, но и стоимостные, экологические и др. свойства, поэтому использование вышеупомянутых методов не дает удовлетворительных результатов.

ронных сетей, нечетких систем, генетических алгоритмов и имитационных статистических моделей.
Каждая разновидность систем искусственного интеллекта имеет свои особенности, то есть она является наиболее пригодной для решения одного класса задач и менее пригодной для другого.
При решении задачи классификации основное преимущество нечетких систем, в отличие от НС, заключается в том, что знания в этих системах представляются в форме легко понимаемых человеком гибких логических конструкций, таких, как (Если...-То...). Основные трудности при использовании
нечетких систем на практике связаны с априорным определением правил и построением функций принадлежности для каждого значения лингвистических переменных, описывающих структуру объекта, которые обычно проектировщик выполняет вручную. Поскольку вид и параметры функций принадлежности выбираются субъективно, они могут быть не вполне адекватны реальной действительности.
Недостатком нейросетевого подхода является также трудность формирования представительной выборки, процесс обучения нейросети зачастую происходит достаточно медленно, трудно определить размер и структуру сети.
У систем с нечеткой логикой и искусственных нейронных сетей имеются свои достоинства и недостатки. На практике эти два вида систем взаимно дополняют друг друга при решении сложных задач, поэтому целесообразно их объединение.
Один из подходов к решению задач кластеризации, классификации образов, аппроксимации функций для процессов технической, экономической, биологической природы состоит в создании архитектуры гибридных сетей как адаптивных систем нейро-нечеткого вывода (АМПБ).
К настоящему времени разработаны многие виды нейро-нечетких сетей, одной из них является нечеткая нейронная сеть Кохонена. Дальнейшее повышение эффективности нейронной сети Кохонена (КОМ) связывают с использованием теории нечетких множеств. В нечеткой нейросетевой модели Кохонена