Адаптивные модели нечеткого вывода для идентификации нелинейных зависимостей в сложных системах

• Автор: Паклин, Николай Борисович
• Шифр специальности: 05.13.18
• Научная степень: Кандидатская
• Год защиты: 2004
• Место защиты: Ижевск
• Количество страниц: 167 с. : ил.

ВВЕДЕНИЕ.
ГЛАВА 1. МОДЕЛИРОВАНИЕ СЛОЖНЫХ СИСТЕМ НА ОСНОВЕ АДАПТИВНОГО НЕЧЕТКОГО ЛОГИЧЕСКОГО ВЫВОДА

1.1. Исследование понятия сложной системы и ее основных элементов.

1.2. Математическая теория нечетких множеств.

1.3. Нечеткие правила и способы нечеткого логического вывода

1.4. Эволюционный подход к построению моделей нечеткого вывода

1.4.1. Генетический алгоритм с двоичным кодированием

1.4.2. Генетический алгоритм с вещественным кодированием

1.5. Структура адаптивной нечеткой модели с генетическим алгоритмом обучения

1.6. Классификация адаптивных моделей нечеткого вывода.

1.7. Сравнительная характеристика методов генерации нечетких правил

1.8. Методы параметрической адаптации нечетких систем, анализ их преимуществ и недостатков
1.9. Анализ существующих программных средств для построения адаптивных моделей нечетного вывода
Цель и задачи исследования.
ГЛАВА 2. РАЗРАБОТКА МЕТОДА ОБУЧЕНИЯ НЕЧЕТКОЙ МОДЕЛИ
2.1. Основные проблемы, возникающие на этапах обучения и настройки нечеткой модели
2.2. Классификационный алгоритм генерации нечетких правил
2.3. Одноэтапный комбинированный метод обучения нечеткой модели Мамдани
2.3.1. Формализация задачи обучения и настройки адаптивной нечеткой модели
2.3.2. Схема кодирования вектора параметров нечеткой модели в хромосому для оптимизации генетическим алгоритмом.
2.3.3. Алгоритм комбинированного метода обучения
2.3.4. Алгоритм поиска подобного правила при неполной базе нечетких правил
2.4. Разработка гибридного генетического алгоритма для использования в процедуре обучения нечеткой модели.
2.5. Адаптация комбинированного метода обучения к нечетким правилам в форме ТБК
Выводы.
ГЛАВА 3. ЧИСЛЕННОПАРАМЕТРИЧЕСКИЕ ИССЛЕДОВАНИЯ
3.1. Описание разработанного программного обеспечения для построения адаптивной модели нечеткого вывода.
3.2. Исследование эффективности гибридного генетического алгоритма в задачах глобальной оптимизации.
3.3. Исследование эффективности комбинированного метода обучения адаптивной нечеткой модели для идентификации нелинейных зависимостей
3.3.1. Описание тестовых функций.
3.3.2. Условия проведения эксперимента и принятые параметры алгоритмов.
3.3.3. Результаты тестовых экспериментов.
3.3.4. Анализ результатов численнопараметрического эксперимента
3.3.5. Восстановление поверхности многомодальной обобщенной функции Растригина нечеткой моделью.
ГЛАВА 4. ПРИМЕНЕНИЕ МОДЕЛИ АДАПТИВНОГО НЕЧЕТКОГО ВЫВОДА ДЛЯ ПРОГНОЗИРОВАНИЯ ТРУДОЕМКОСТИ ИЗГОТОВЛЕНИЯ ДЕТАЛЕЙ В МАШИНОСТРОЕНИИ
4.1. Анализ необходимости разработки новых методов нормирования.
4.2. Использование теории конструктивнотехнологической сложности для формализованного описания групп машиностроительных
деталей
4.3. Модель адаптивного нечеткого вывода для определения прогнозной трудоемкости изделий на основе теории конструктивнотехнологической сложности
4.4. Построение адаптивной нечеткой модели для определения трудоемкости для класса корпусных деталей
ЗАКЛЮЧЕНИЕ.
СПИСОК ЛИТЕРАТУРЫ


Отличие между ними заключается в количестве элементов и типе связи между ними, а также ресурсной и информационной обеспеченности. В простых и больших системах множество связей между элементами имеют однотипный характер, в малых и сложных разнотипный, чаще нелинейный характер. Сложная система является наиболее трудной из всех для изучения. Закон распределения воздействующих на систему параметров неизвестен, на его получение требуется потратить значительное количество времени. Функционирование системы происходит в условиях неопределенности, которую вносит главным образом человеческий и случайный факторы. Переменные системы могут иметь количественнокачественное описание. Г е Г время. Моделирование систем является одним из распространенных способов их изучения. Целью моделирования является получение неизвестного преобразования У БХ0. Рассмотрим некоторые примеры сложных систем. Управление региональным комплексом легкая промышленность, лесная промышленность и т. У0, Г0, Е,, в котором учитываются следующие параметры действия правительства, предприятий комплекса и инвесторов 5 факторы внешней среды У выходные показатели развития комплекса Е множество элементов системы, связывающих входные и выходные переменные время. Ставится задача оптимального управления данной системой и исследования ее поведения во времени при различных действиях правительства и условий внешней среды. Производственная система технологического нормирования. Ставится задача определения норм изготовления изделий на основе конструкторской документации и технологических процессов с привязкой на оборудование, используемые технологии, квалификацию работников, условия труда и т. Кроме этих факторов, неопределенность вносит субъективность инженеровнормировщиков, рассчитывающих нормы, выбранный метод нормирования и другие факторы ,. Система интерпретации данных геофизических исследований скважин. Решается задача расшифровки каротажных сигналов, зафиксированных со скважин приборами, с последующим выделением определения продуктивных пластов и определения их коллекторских свойств коэффициентов пористости, глинистости, водонасыщения и др Человеческий фактор представлен в лице геофизикаинтерпретатора, производящего расшифровку. Случайными факторами являются помехи и погрешности приборов, замеряющих каротажные сигналы. В теории систем имеется строгая классификация методов их моделирования. Иерархия классификации начинается с их разделения на три класса методы формализованного представления систем, методы, направленные на активизацию использования интуиции и опыта специалистов и специальные методы, сочетающие оба подхода 9. К первым методам относят аналитическое, статистическое и вероятностное, логическое и другие виды математического моделирования. Применение данных методов целесообразно в случаях, когда имеется в наличии большой объем экспериментальных данных о моделируемой системе, и параметры, воздействующие на систему, имеют количественный характер, а факторы неопределенности и случайности сведены к минимуму. Различные методы экспертных оценок, экспертные системы относятся ко второй группе. Это единственный инструмент моделирования в случае, когда знания о системе или объекте сосредоточены в виде экспертных знаний специалистов рассматриваемой предметной области. В третью группу входит имитационное, ситуационное и структурнолингвистическое моделирование. Появление в последние годы методов интеллектуального моделирования и анализа систем расширяет классификацию с современной точки зрения. К ним относятся искусственные нейронные сети, генетические алгоритмы, гибридные нейронные сети и нечеткая логика 4, , , , , , , , , . Общим у этих методов является то, что математические алгоритмы построения этих моделей основаны на человеческих и природных процессах мышления, эволюции, рассуждений. Интеллектуальные методы позволяют обрабатывать большие объемы данных, обладают мощной производительностью и гибкостью и способны обнаруживать нелинейные зависимости между элементами сложных систем. Следовательно, данные методы являются эффективным средством изучения, моделирования и управления сложными системами.