Модели и методы формирования нечетких правил в интеллектуальных системах диагностики состояния сложных объектов

• Автор: Катасёв, Алексей Сергеевич
• Шифр специальности: 05.13.18
• Научная степень: Докторская
• Год защиты: 2014
• Место защиты: Казань
• Количество страниц: 257 с. : ил.

СОДЕРЖАНИЕ
Введение
1. Анализ предметной области и постановка задачи формирования базы знаний экспертной системы диагностики состояния сложного объекта

1.1. Понятие и назначение экспертных систем

1.2. Способы получения знаний для экспертных систем

1.3. Обнаружение знаний в базах данных

1.4. Классификация типов и видов данных для решения задачи диагностики состояния сложного объекта

1.5. Представление знаний в экспертной диагностической системе

1.5.1. Проблема представления знаний

1.5.2. Анализ моделей представления знаний в экспертных системах

1.5.3. Виды продукционных правил для решения задачи диагностики состояния объекта и их сравнительный анализ
1.6. Постановка задачи формирования базы знаний экспертной системы диагностики состояния сложного объекта
1.7. Выводы
2. Параметрическая нечетко-продукционная модель определения состояния сложного объекта
2.1. Разработка методики группировки параметров объекта диагностики, входящих в состав продукционных правил
2.1.1. Постановка задачи группировки параметров
2.1.2. Методика группировки параметров сложного объекта
2.1.3. Особенности формируемых групп параметров
2.2. Предлагаемый вид нечетко-продукционных правил
2.3. Разработка методики построения совокупности систем продукционных правил, описывающих состояние объекта
2.3.1. Постановка задачи построения совокупности систем нечеткопродукционных правил
2.3.2. Методика построения совокупности систем правил
2.4. Разработка алгоритмов логического вывода на системах нечеткопродукционных правил
2.4.1. Используемые термины и обозначения
2.4.2. Алгоритм логического вывода для несвязанной системы правил.
2.4.3. Алгоритм логического вывода для связанных систем правил
2.4.4. Алгоритм логического вывода для совокупности систем правил.
2.4.5. Достоинства алгоритмов логического вывода
2.5. Выводы

3. Модель и методы идентификации значений параметров нечеткопродукционной модели определения состояния объекта
3.1. Постановка задачи идентификации значений параметров модели
3.2. Методы инициализации параметров модели
3.2.1. Определение начальных значений параметров функций принадлежности в правилах
3.2.2. Определение начальных значений достоверности правил
3.2.3. Определение начальных значений весов условий в правилах
3.3. Настройка значений параметров модели
3.3.1. Постановка задачи построения нейронечетких моделей определения состояния объекта
3.3.2. Построение структуры нечетких нейронных сетей
3.3.3. Обучение нечетких нейронных сетей
3.3.3.1. Определение выхода сети при известном входном образе
3.3.3.2. Определение параметров обучения сети
3.3.3.3. Требования по настройке вектора параметров функций принадлежности
3.3.3.4. Правила и ограничения при настройке вектора параметров функций принадлежности
3.3.3.5. Изменение значений вектора параметров функций принадлежности для заданного входного образа
3.3.3.6. Алгоритм обучения нечеткой нейронной сети
3.3.3.7. Временная сложность алгоритма обучения
3.4. Нейронечеткая модель, как универсальный аппроксиматор объектов с дискретным выходом
3.4.1. Нечеткие системы, как универсальные аппроксиматоры
3.4.2. Алгоритм аппроксимации объектов с дискретным выходом на основе нечеткой базы знаний
3.4.3. Оценка аппроксимирующей способности разработанной нечеткой нейронной сети
3.5. Выводы
4. Технология формирования нечетких правил базы знаний и алгоритм их использования для диагностики
4.1. Особенности начального состояния базы знаний
4.2. Постановка задачи оценки и устранения избыточности начального состояния базы знаний
4.3. Методика оценки и устранения избыточности базы знаний
4.4. Технология формирования базы знаний экспертной системы
4.5. Использование правил базы знаний для диагностики состояния сложного объекта
4.6. Выводы

5. Программный комплекс формирования и использования нечетких правил для диагностики состояния сложных объектов
5.1. Описание разработанного программного комплекса
5.1.1. Назначение программного комплекса
5.1.2. Средства разработки программного комплекса
5.1.3. Структура и состав программного комплекса
5.1.4. Пример функционирования программного комплекса
5.2. Оценка классифицирующей способности формируемых баз знаний при анализе известных наборов данных
5.2.1. Описание и предварительный анализ наборов данных
5.2.2. Результаты классификации исходных данных
5.2.3. Результаты классификации данных с пропущенными значениями.
5.3. Примеры практического использования программного комплекса для формирования баз знаний экспертных систем
5.3.1. Формирование базы знаний для диагностики клинических проявлений поясничного остеохондроза
5.3.1.1. Особенности диагностического процесса в медицине
5.3.1.2. Этапы медицинской диагностики
5.3.1.3. Исходные данные для анализа
5.3.1.4. Анализ и интерпретация полученных результатов
5.3.2. Формирование базы знаний для диагностики порывов на водоводах в процессах поддержания пластового давления
5.3.2.1. Общее описание системы
5.3.2.2. Особенности формирования базы знаний
5.3.2.3. Методика обнаружения утечек из водоводов
5.3.2.4. Полученные практические результаты
5.3.3. Формирование базы знаний для фильтрации электронных почтовых сообщений
5.3.3.1. Фильтрация электронных почтовых сообщений
5.3.3.2. Получение исходных данных и формирование базы знаний
5.3.3.3. Оценка адекватности сформированной базы знаний
5.3.3.4. Использование базы знаний в составе системы спам-фильтрации
5.4. Сравнение программного комплекса с другими инструментальными средствами формирования нечетких правил
5.4.1. Анализ инструментальных средств построения систем нечеткого логического вывода
5.4.2. Анализ методов извлечения нечетких правил из баз данных, используемых в Rule Maker
5.5. Выводы
Заключение
Список литературы

Это информация о том, как пользоваться данным фреймом, чего ожидать в следующий момент после использования и что делать, если ожидаемые результаты не подтвердятся. Детали фрейма при необходимости могут быть изменены и дополнены согласно текущей ситуации.
Фреймы позволяют описывать как декларативные, так и процедурные знания. Традиционно, фрейм может быть представлен как список некоторых свойств (атрибутов), задаваемых в слотах, и связанных с отдельными слотами присоединенных процедур. Неопределенность описания во фреймовой модели реализуется путем неполного заполнения значений всех слотов.
Структура фрейма имеет вид, как показано на рисунке 1.5.
Имя фрейма
Имя слота Значение слота Способ получения значения Присоединенная процедура
Рис. 1.5. Структура фрейма Первые два столбца во фрейме указывают имя слота и возможное его значение. Последние столбцы предназначены для описания способа получения слотом его значения и возможного присоединения к нему процедур. В качестве значения слота может выступать имя другого фрейма. В этом случае образуются сети фреймов. На рисунке 1.6 представлен пример сети фреймов.

Человек

Умеет
Млекопитающее
Мыслить
Ребенок

Возраст

Любит
Человек
0-16 лет
50-180 см
Сладкое
Ученик

Учится
Возраст
Носит
Ребенок
В школе
7-17 лет
Форму
Рис. 1.6. Пример сети фреймов