Нейронечёткая модель и программный комплекс формирования баз знаний экспертных систем

• Автор: Катасёв, Алексей Сергеевич
• Шифр специальности: 05.13.18
• Научная степень: Кандидатская
• Год защиты: 2006
• Место защиты: Казань
• Количество страниц: 194 с. : ил.

СОДЕРЖАНИЕ

СПИСОК ИСПОЛЬЗУЕМЫХ СОКРАЩЕНИЙ.

ВВЕДЕНИЕ.

1. ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ.

1.1. Проблемы разработки систем поддержки принятия решений

1.1.1. Задачи систем поддержки принятия решений.

1.1.2. Методы и системы анализа данных

1.1.3. Методы и задачи ii

1.1.4. Структура, состав экспертных систем и их характеристики

1.2. Технологии интеллектуального анализа данных

1.2.1. Стратегии получения знаний для экспертных систем.

1.2.2. Обнаружение знаний в базах данных i
1.2.3. Подготовка обучающей выборки.
1.2.4. Репрезентативность обучающей выборки.
1.3. Методы нечткой логики и нейронных сетей в задачах интеллектуального анализа информации
1.3.1. Предпосылки использования методов искусственного интеллекта в решении задач интеллектуальной обработки информации
1.3.2. Искусственные нейронные сети.
1.3.3. Нечткая логика
1.3.4. Нечткие логические выводы.
1.3.5. Сравнительный анализ нечтких и нейросетевых моделей.
1.3.6. Нечткие нейронные сети
1.3.7. Примеры нечтких нейронных сетей
1.3.8. Идентификация нейронечтких моделей
1.3.9. Нечткопродукционная модель представления знаний
1.3 Схема нечткого логического вывода на нечткопродукционной
модели представления знаний
1.3 Постановка задачи по разработке структуры и алгоритма обучения нечткой нейронной сети
1.4. Выводы
2. СТРУКТУРА И АЛГОРИТМ ОБУЧЕНИЯ НЕЙРОНЕЧТКОЙ МОДЕЛИ.
2.1. Структура нечткой нейронной сети.
2.1.1. Идентификация параметров и слов нейронной сети.
2.1.2. Пример структуры нечткой нейронной сети
2.1.3. Схема функционирования нейронной сети.
2.1.4. Формы кривых для задания функций принадлежности нечтких множеств.
2.2. Алгоритм обучения нейронечткой модели
2.2.1. Принципы обучения нечткой нейронной сети.
2.2.2. Разработка алгоритма обучения сети.
2.2.3. Реализация алгоритма обучения.
2.2.3.1. Определение весовых коэффициентов в нечткопродукционных правшах.
2.2.3.2. Инициализация параметров функций принадлежности
2.2.3.3. Правила настройки параметров нейронной сети
2.2.4. Критерии качества обучения нечткой нейронной сети.
2.2.5. О сходимости алгоритма обучения нейронной сети.
2.4. Выводы.
3. ИССЛЕДОВАНИЕ АЛГОРИТМА ОБУЧЕНИЯ НА БАЗЕ РАЗРАБОТАННОГО ПРОГРАММНОГО КОМПЛЕКСА НЕЧТКАЯ НЕЙРОННАЯ СЕТЬ.
3.1. Описание разработанного программного обеспечения.
3.1.1. Назначение программного комплекса.
3.1.2. Пример функционирования нейронной сети.
3.2. Режимы работы нечткой нейронной сети.
3.2.1. Работа сети в режиме обучения.
3.2.2. Режим генерации и отбора значимых правил
3.2.3. Тестирование нейронной сети на контрольной выборке данных
3.2.4. Использование нечткой нейронной сети в составе мягких экспертных систем.
3.3. Численнопараметрические исследования.
3.3.1. Сравнение функций принадлежности нечтких ограничений по критериям скорость обучения и точность аппроксимации
3.3.2. Временная сложность вычислений при обучении нечткой нейронной сети.
3.3.3. Обучение нечткой нейронной сети на комплектных и некомплектных выборках
3.4. Выводы
4. РЕШЕНИЕ ЗАДАЧИ ФОРМИРОВАНИЯ БАЗ ЗНАНИЙ ЭКСПЕРТНЫХ СИСТЕМ НА ОСНОВЕ НЕЧТКОЙ НЕЙРОННОЙ СЕТИ .
4.1. Формирование базы знаний системы медицинской диагностики на примере поясничного остеохондроза
4.1.1. Особенности диагностического процесса в медицине
4.1.2. Построение базы знаний системы медицинской диагностики
4.1.3. Результаты использования нейронной сети.
4.2. Формирование базы знаний комплексной системы предупреждения сбоев и аварий технологического оборудования процессов поддержания пластового давления.
4.2.1. Общее описание системы
4.2.2. Формирование базы знаний комплексной системы
4.2.3. Методика оперативного обнаружения утечек из водоводов.
4.2.4. Полученные практические результаты
4.3. Сравнение нечткой нейронной сети с программными средствами формирования баз знаний экспертных систем. .
4.3.1. Обзор программных средств построения систем нечткого логического вывода
4.3.2. Методы извлечения нечтких правил из баз данных.
4.4. Выводы.
ЗАКЛЮЧЕНИЕ
СПИСОК ЛИТЕРАТУРЫ


Диссертация выполнена на кафедре систем информационной безопасности СИБ Казанского государственного технического университета им. А.Н. Туполева КАИ. Автор выражает искреннюю благодарность своему научному руководителю доктору технических наук, профессору Глове Виктору Ивановичу за постоянное внимание и ценные советы, кандидату технических наук, доценту Аникину Игорю Вячеславовичу за консультации при написании диссертации. Особая благодарность выражается кандидату медицинских наук, доценту Подольской Марине Алексеевне за предоставленные медицинские данные и оказавшей большую помощь при их обработке, анализе и интерпретации полученных результатов. В данной главе рассматриваются общие вопросы и проблемы построения интеллектуальных человекомашинных систем поддержки принятия решений СППР. Анализируются методы повышения эффективности формирования баз знаний для экспертных систем ЭС. Показывается, что при решении задач, имеющих большую размерность, целесообразно для описания предметной области наряду с экспертными методами использовать методы интеллектуального анализа. Проводится анализ основных проблем, возникающих при решении задачи формирования правил и закономерностей из статистического набора данных. Доказывается необходимость разработки нечткой нейронной сети ННС, позволяющей производить интеллектуальную обработку накопленных данных и строить модель предметной области в виде нечткопродукционных правил. Ставятся задачи по разработке архитектуры ННС, алгоритма е обучения и правил инициализации параметров. В настоящее время большинство сфер человеческой деятельности связаны с процессами накопления, хранения и обработки информации. Современные вычислительные системы и компьютерные сети позволяют накапливать большие массивы данных для решения задач обработки и анализа. Большой объм информации, с одной стороны, позволяет получить более точные расчты и анализ, а с другой превращает поиск решений в сложную задачу. Такие системы называются системами поддержки принятия решений СППР. Для выполнения анализа система поддержки принятия решений накапливает информацию, обладая средствами е ввода и хранения. Таким образом, СППР это система, обладающая средствами ввода, хранения и анализа данных, относящихся к определнной предметной области, с целью поиска решений . Ввод данных в СППР осуществляется либо автоматически от датчиков, характеризующих состояние среды или процесса, либо человекомоператором. В первом случае данные накапливаются путм циклического опроса, либо по сигналу готовности, возникающему при появлении информации. Во втором случае СППР должна предоставлять пользователю удобные средства ввода данных, контролирующие корректность вводимой информации и выполняющих сопутствующие вычисления. Непрерывное увеличение объма накапливаемых данных требует от СППР наджного их хранения, резервного копирования, архивирования и т. Основная задача СППР предоставить аналитикам инструмент для выполнения анализа данных. При этом система не генерирует правильные решения, а только предоставляет аналитику данные в удобном для него виде отчты, таблицы, графики и т. Именно поэтому такие системы обеспечивают функции поддержки принятия решений. Качество принимаемых решений, с одной стороны, зависит от квалификации аналитика, а с другой от возможности системы эффективно обрабатывать сырые данные в условиях стремительного их увеличения, требования к высокой скорости их обработки и анализа, а также сложности использования машинной формы представления данных. Это стимулирует исследования и разработку интеллектуальных СППР, реализующих отдельные умственные возможности человека. СППР осуществляет поиск функциональных и логических закономерностей в накопленных данных, построение моделей и правил, которые объясняют найденные закономерности и прогнозируют развитие некоторых процессов. Рис. Здесь в качестве оператора может выступать как непосредственно человекоператор, так и система автоматического снятия показаний с датчиков, регистрирующих состояние исследуемого объекта или процесса. Рассмотрим возможные способы обработки данных, соответствующие различным классам задач анализа.