Методы и алгоритмы редукции нечетких правил в базах знаний интеллектуальных систем

• Автор: Абдулхаков, Айдар Рашитович
• Шифр специальности: 05.13.18
• Научная степень: Кандидатская
• Год защиты: 2015
• Место защиты: Казань
• Количество страниц: 140 с. : ил.

ОГЛАВЛЕНИЕ
Введение
1. Анализ предметной области и постановка задачи редукции баз знаний
интеллектуальных систем
1Л. Базы знаний интеллектуальных систем
1.1.1. Понятие, назначение и структура интеллектуальных систем
1.1.2. Формализация знаний в интеллектуальных системах
1.1.3. Формальные модели представления знаний
1.1.4. Обнаружение знаний в базах данных
1.2. Анализ методов автоматической генерации нечетких правил в интеллектуальных системах
1.2.1. Генерация нечетких правил на основе метода корреляционного анализа
1.2.2. Использование метода «Правило для каждой точки» и интерполяции по точкам
1.2.3. Метод кусочной интерполяции для генерации нечетких правил
1.2.4. Формирование базы знаний с использованием генетических алгоритмов
1.2.5. Формирование базы знаний с использованием нечеткой нейронной сети АОТІБ
1.2.6. Метод обучения нечетких систем на основе алгоритма муравьиных колоний
1.2.7. Метод обучения нечетких систем на основе алгоритма пчелиных колоний
1.2.8. Сравнительная характеристика методов автоматической генерации нечетких правил
1.3. Анализ подходов к оптимизации баз знаний интеллектуальных систем
1.3.1. Таксономия знаний в экспертных системах
1.3.2. Оптимизация баз знаний на основе генетического алгоритма
1.3.3. Редукция баз знаний на основе мультиагентного подхода
1.3.4. Редукция вырожденных и незначимых правил в базах знаний интеллектуальных систем
1.3.5. Структуризация правил базы знаний
1.3.6. Сравнительная характеристика подходов к редукции баз знаний
1.4. Постановка задачи редукции автоматически сформированных нечетких правил
1.5. Выводы

2. Разработка математического обеспечения для редукции нечетких правил
2.1. Разработка кластерно-генетического метода редукции баз знаний
2.1.1. Описание разработанного кластерно-генетического метода редукции нечетких правил в базах знаний
2.1.2. Методика оценки классифицирующей способности редуцированных баз знаний
2.2. Разработка алгоритма кластеризации нечетких правил
2.2.1. Анализ существующих подходов к кластеризации данных
2.2.2. Описание разработанного алгоритма кластеризации нечетких правил в базах знаний
2.3. Разработка метода идентификации значений параметров функций принадлежности в логическом центре кластера
2.3.1. Постановка задачи идентификации значений параметров функций принадлежности
2.3.2. Численный метод идентификации параметров функций принадлежности
2.3.3. Соответствие координат логического центра кластера дефаззифицированным значениям получаемых функций принадлежности
2.4. Разработка генетического алгоритма редукции нечетких правил в базах знаний интеллектуальных систем
2.4.1. Описание разработанного генетического алгоритма
2.4.2. Сходимость генетического алгоритма
2.5. Особенности разработанных алгоритмов редукции
2.6. Выводы
3. Программный комплекс редукции нечетких правил
3.1. Разработка программного комплекса
3.1.1. Назначение программного комплекса
3.1.2. Средства разработки программного комплекса
3.1.3. Структура и состав программного комплекса
3.1.4. Пример функционирования программного комплекса
3.2. Численно-параметрические исследования и оценка эффективности разработанного математического обеспечения
3.2.1. Формирование базы знаний для исследований
3.2.2. Исследования и оценка эффективности алгоритма кластеризации нечетких правил
3.2.3. Исследования и оценка эффективности генетического алгоритма минимизации числа правил
3.2.4. Оценка классифицирующей способности и скорости логического вывода редуцированных баз знаний
3.3. Выводы

4. Решение практических задач редукции баз знаний интеллектуальных систем
4.1. Редукция базы знаний системы оценки кредитоспособности физических лиц
4.1.1. Задача определения кредитоспособности физических лиц
4.1.2. Описание исследуемой базы знаний
4.1.3. Процесс редукции базы знаний
4.1.4. Оценка классифицирующей способности редуцированной базы знаний
4.1.5. Сравнение полученных результатов с результатами других авторов
4.2. Редукция базы знаний системы фильтрации нежелательных почтовых сообщений
4.2.1. Задача фильтрации нежелательных почтовых сообщений
4.2.2. Описание исследуемой базы знаний
4.2.3. Процесс редукции базы знаний
4.2.4. Оценка классифицирующей способности редуцированной базы знаний
4.2.5. Сравнение полученных результатов с результатами других авторов
4.3. Выводы
Заключение
Список литературы
Приложение 1. Экономический эффект от редукции базы знаний интеллектуальной скоринговой системы оценки кредитоспособности физических лиц
Приложение 2. Акты о внедрении и использовании результатов диссертационного исследования
Приложение 3. Свидетельство о регистрации программы для ЭВМ

При описании модели поведения пчел используют следующие понятия: источник нектара, пчелы-разведчики, пчелы-фуражиры, пчелы-наблюдатели [108]. Источник нектара определяется следующими параметрами: удаленность от улья, удобство добычи нектара и его концентрация. Пчелы-фуражиры закреплены за источником нектара и хранят информацию о его удаленности и полезности. Пчелы-разведчики осуществляют поиск новых источников нектара. Пчелы-наблюдатели могут полететь за пчелами-разведчиками к новому источнику, которые привлекаются через коммуникативный танец. Этот танец направлен на привлечение незадействованных пчел последовать за пчелами, обнаружившими новый источник. Вербовка новых пчел осуществляется в соответствии с функцией качества источника нектара [120]. В работе [108] в качестве источника нектара применяются значения параметров функций принадлежности нечетких правил, которые оцениваются среднеквадратичной ошибкой.
Алгоритм пчелиной колонии используется для настройки функций принадлежности антецедентов нечетких правил, а настройка консеквентов осуществляется методом наименьших квадратов [48].
1.2.8. Сравнительная характеристика методов автоматической
генерации нечетких правил
На основе анализа рассмотренных выше методов автоматического формирования нечетких правил в базах знаний интеллектуальных систем представим их сравнительную характеристику (см. табл. 1.1).
Табл. 1.1. Характеристика методов генерации баз знаний
Критерии Методы Критичность к качеству исходных данных Объем исходных данных Точность аппроксимации Избыточность базы знаний
Корреляционный анализ Высокая Любой Низкая -
«Правило для каждой точки» Высокая Небольшой Низкая -