Математическое и программное обеспечение механизма логического вывода в нечетких продукционных системах

• Автор: Татаркин, Дмитрий Сергеевич
• Шифр специальности: 05.13.11
• Научная степень: Кандидатская
• Год защиты: 2007
• Место защиты: Воронеж
• Количество страниц: 155 с. : ил.

Оглавление
Введение .
Глава 1. Анализ различных подходов к разработке интеллектуальных информационных систем

1.1. Свойство интеллектуальности информационных систем .

1.2. Методика нечеткого моделирования как способ формализации неопределенности в описании сложных систем

1.3. Цель и задачи исследования .

Выводы по первой главе

Глава 2. Модели и методы аппроксимации неизвестной функции на основе продукционных правил .

2.1. Варианты постановки задачи аппроксимации неизвестной функции

2.2. Лингвистическая модель представления информации.

2.3. Типы нечетких моделей.

2.4. Методы идентификации, основанные на нечеткой кластеризации
Выводы по второй главе
Глава 3. Построение методов нечеткого логического вывода . .
3.1. Формализация нечеткого логического вывода
3.2. Свойства некоторых схем приближенных рассуждений
3.3. Функциональное представление нечетких логических связок .
Выводы по третьей главе
Глава 4. Организация вычислительного эксперимента и анализ результатов
4.1. Информационная среда экперимента .
4.2. Формирование моделей нечеткого логического вывода
4.3. Анализ результатов вычислительного экперимента .
Выводы по четвертой главе .
Заключение .
Приложение А. Импликации
Приложение Б. Таблица частот для компонент нечеткого логического вывода
Приложение В. Программные пакеты разработки нечетких систем управления
Приложение Г. Описание программы .
Литература


На вычислительном уровне нечеткие модели могут быть рассмотрены как гибкие математические структуры подобно нейронным сетям, которые могут аппроксимировать большой класс нелинейных систем с необходимой степенью точности [8-]. Эта двойственность позволяет комбинировать качественные знания с количественными данными. По сравнению с другими способами аппроксимации нелинейности, такими как нейронные сети, нечеткие системы предоставляют более прозрачное представление нелинейных систем, за счет совокупности правил в виде лингвистических высказываний. Следует заметить, что перспективным направлением является использование гибридных моделей, частично описанных аналитически, частично при помощи нечеткой логики или нейронных сетей, которые позволяют выполнять вычисления быстрее, что важно для управления в реальном времени. Пример такого подхода — гетерогенное управление. Сфера применения нечетких систем непрерывно расширяется. Капиталовложения промышленно развитых стран в исследования и разработку опытных образцов таких систем исчисляется миллиардами долларов. Приоритет в разработке нечетких систем принадлежит японским ученым [-]. В стандарте 1ЕС (МЭК ) описаны языки программирования для программируемых контроллеров систем управления. Процесс разработки стандарта начался в году, первый вариант был выпущен комитетом в г. Часть 1. Часть 2. Часть 3. Часть 4. Часть 5. Часть б. Часть 7. Стандарт 1ЕС -3 определяет языки для программируемых контроллеров таким образом, что части прикладной программы могут быть запрограммированы на любом языке и скомпонованы в единую исполняемую программу. Стандарт включает структурное программирование, абстрактные типы данных, выделение данных и процедур в блок (инкапсуляцию) в сочетании с сохранением тесной связи с классическими языками для программируемых контроллеров. В седьмой части стандарта (1ЕС -7) описаны способы встраивания методов нечеткого управления в промышленные контроллеры. Целью стандарта IEC -7 является предоставление производителям и пользователям четко определенные основы встраивания нечеткого управления в языки программируемых контроллеров стандарта 1ЕС -3. Нечеткая система может обладать одновременно всеми перечисленными атрибутами. Наиболее распространены нечеткие системы заданные посредством «если-то» правил т. НПС) (rule-based fuzzy systems). Далее будем рассматривать только эти системы, и для простоты, будем называть продукционные нечеткие системы — нечеткими моделями, независимо от их возможного применения. Актуальность таких систм обусловлена следующими обстоятельствами. Для некоторых систем, таких как электромеханические системы, возможно получить математическую модель благодаря тому что физические законы, действующие в подобных системах хорошо изучены. Однако для большого количества практических задач получение знаний, необходимых для моделирования является трудоемкой и даже невыполнимой задачей. Это означает что четкие математические модели в таком случае построить невозможно или они слишком сложны для использования. Примеры подобных систем можно найти в химической, пищевой промышленности, биотехнологии, экологии, финансах, социологии и т. Эти знания слишком неполные и неконкретные для того, чтобы быть выраженными математически. Но для описания функционирования системы можно использовать естественный язык в форме «если-то» правил. Продукционные нечеткие системы являются моделями, основанными на знаниях экспертов в данной области. С этой точки зрения нечеткие системы похожи на экспертные системы. Заметим, что точные вычисления с традиционными математическими моделями можно применить лишь, когда параметры и входные данные точно известны. Но это довольно нетипичный случай, поэтому аппарат моделирования должен уметь обрабатывать не только данные, но связанную с ними неопределенность. Интерпретация неопределенности может быть различна. Однако выяснилось, что далеко не все неточности можно обойти, используя стохастический аппарат. Для решения этих задач предложены различные подходы, в осное которых лежат нечеткая логика и теория нечетких множеств. Matlab. Fuzzy Tech (приложение В), поэтому даже неподготовленный специалист может разработать достаточно качественную систему.