Повышение эффективности функционирования уборочных машин на основе моделей экспертных знаний

• Автор: Борисова, Людмила Викторовна
• Шифр специальности: 05.20.01, 05.20.03
• Научная степень: Докторская
• Год защиты: 2007
• Место защиты: Ростов-на-Дону
• Количество страниц: 539 с. : ил.

СОДЕРЖАНИЕ
ВВЕДЕНИЕ

1. СОСТОЯНИЕ ВОПРОСА, ЦЕЛЬ И ЗАДАЧИ ИССЛЕДОВАНИЯ

1.1 Информационное обеспечение в системе управления качеством уборочных работ

1.2 Управление технологическим процессом, осуществляемым комбайном

1.3 Анализ особенностей предметных областей

1.4 Методы моделирования и обоснование используемого подхода

1.5 Модели представления знаний и области применения ИИС

1.5.1 Модели представления нечетких знаний

1.5.2 Модели искусственного интеллекта

1.6 Выводы и задачи исследований

2 АНАЛИЗ ПРОЦЕДУР ПРИНЯТИЯ РЕШЕНИИ ПРИ ФУНКЦИОНИРОВАНИИ УПРАВЛЕНИИ КОМБАЙНОВ
2.1 Типы задач при функционировании комбайнов
2.2 Характеристика задачи принятия решений при предварительной настройке комбайна
2.3 Характеристика задачи принятия решений при корректировке технологических регулировок комбайна
2.4 Метод организации информационной поддержки принятия решений при функционировании зерноуборочной техники
2.5 Построение функций принадлежности
2.6 Лингвистическое описание признаков предметных областей и нечетких высказываний
2.7 Оценка оптимального множества значений лингвистических переменных
2.8 Методика экспертной оценки последовательности корректировки технологических параметров комбайна
2.9 Выводы
3. МОДЕЛИРОВАНИЕ ПРОЦЕДУР ПРИНЯТИЯ РЕШЕНИЙ ПРИ ПРЕДВАРИТЕЛЬНОЙ НАСТРОЙКЕ КОМБАЙНА
3.1 Логиколингвистическое описание задачи
3.2. Представление экспертной информации в виде систем нечетких высказываний
3.3 Функции принадлежности для факторов внешней среды и регулируемого параметра
3.4 Нечеткая модель выбора параметров регулирования на основе дедуктивного логического вывода
3.5. Методика определения решения в численном виде
3.6. Выводы
4 МОДЕЛИРОВАНИЕ ПРОЦЕДУР ПРИНЯТИЯ РЕШЕНИИ ПРИ ТЕХНОЛОГИЧЕСКОЙ РЕГ УЛИРОВКЕ КОМБАЙНА.
4Л Алгоритм нечеткого логического вывода решений
4.2 Логиколингвистическое описание отношений регулировочные параметрыпоказатель качества
4.3 Методика индуктивного логического вывода при решении задачи корректировки технологических ре1улировок
4.4 Практические аспекты использования методики
4.4.1 Потери свободным зерном за соломотрясом
4.4.2 Потери щуплым зерном в полове
4.4.3 Дробление зерна
4.5 Выводы
5 ПРАКТИЧЕСКИЕ АСПЕКТЫ РЕАЛИЗАЦИИ ПРОЦЕДУР ПРИНЯТИЯ РЕШЕНИЙ
5.1 Этапы разработки ИИС
5.2 Архитектура ИИС
5.3 Подсистема Конструкция
5.4 Подсистема Предварительная настройка
5.5 Подсистема Корректировка технологических регулировок
5.6 Перспективные направления использования ИИС
5.7 Выводы
6 ОЦЕНКА РЕЗУЛЬТАТИВНОСТИ И ЭФФЕКТИВНОСТИ ПРИМЕНЕНИЯ ИИС
6.1 Области использования ИИС
6.2 Анализ результативности использования ИИС
6.3 Экономическое обоснование применения ИИС
6.4 Выводы
ОБЩИЕ ВЫВОДЫ
СПИСОК ИСПОЛЬЗУЕМОЙ ЛИТЕРАТУРЫ


Поэтому выбор модели знаний необходимо производить с учетом специфических особенностей предметной области. В литературе рассматривается несколько моделей представления знаний [0, 1, 5]. Модели представления нечетких знаний используются для формализации человеческих знаний, описывающих качественные характеристики объектов предметной области. Многие задачи управления не могут быть решены классическими методами из-за большой сложности моделей, их описывающих. Классические методы управления хорошо работают при полностью детерминированном объекте управления и детерминированной среде. Для систем с неполной информацией и высокой сложностью объекта управления наиболее адекватными являются нечеткие методы управления (рисунок 1. Теоретической основой данного представления являются нечеткая алгебра, нечеткая логика и теория нечетких множеств []. Одним из основных понятий в нечеткой логике является понятие лингвистической переменной (ЛП), которая определяется как переменная, значения которой описываются набором словесных (вербальных) характеристик некоторого свойства. Например, лингвистическая переменная «скорость движения комбайна» может определяться набором значений {очень высокая, высокая, средняя, низкая, очень низкая). Рисунок 1. Совокупность значений (названий) лингвистической переменной образует терм-множество, а исходная переменная называется базовой. Различным термам могут соответствовать различные значения базовой переменной. Значения ЛП определяются через нечеткие множества, которые, в свою очередь, определены на базовой числовой шкале, имеющей размерность. Если рассмотреть универсальное множество и как диапазон, в котором может находиться величина, то нечеткое подмножество А множества и можно охарактеризовать функцией принадлежности рА: —*[0;1], ставящей в соответствие каждому элементу и е и число цл е [0; 1 ]. Функция принадлежности характеризует степень субъективной уверенности эксперта в том, что данное значение базовой шкалы соответствует нечеткому множеству. На основе моделей представления нечетких знаний реализуются, в частности, методы принятия решений в условиях неопределенности. В общем случае взаимосвязь лингвистической и нечеткой переменных графически может быть представлена на рисунке 1. Рассмотрим универсальное множество II = {и. А = {, где X - наименование нечеткой переменной; и = {м} - область ее определения, или универсальное множество; X = ^}ци! Т - множество ее значений, или термов, представляющих собой наименования нечетких переменных, областью определения каждой из которых является множество и. Множество Т является базовым терм-множсством лингвистической переменной; в - синтаксическая процедура, описывающая процесс образования из множества Т новых, осмысленных для данной задачи принятия решений (ПР) значений лингвистической переменной. Множество Тф =тув(т) является расширенным терм-множеством лингвистической переменной; М - семантическая процедура, позволяющая приписать каждому новому значению, образуемому процедурой в, некоторую семантику путем формирования соответствующего нечеткого множества, т. Среди методов приближенных рассуждений в нечеткой логике определяющим является понятие степени уверенности для высказываний естественного языка []. Для моделирования рассматриваемой предметной области целесообразно использовать нечеткие высказывания, которые представляют собой предложения, относительно которых можно судить о степени их истинности (или ложности) в настоящее время. Степень истинности каждого нечеткого высказывания принимает значения из замкнутого интервала [0; 1]. Характерной точкой этого интервала является значение равное 0,5. Нечеткие высказывания разделяют на простые и составные. Составные высказывания образуются из простых с помощью логических операций отрицания, конъюнкции, дизъюнкции, импликации и др.