Главная Случайная страница Контакты | Мы поможем в написании вашей работы! | ||
|
Необходимость в средствах, которые бы обеспечили возможность настройки и оптимизации нечеткой модели, возникла сразу же на стадии практического применения нечетких систем. Характеристики точности и качества нечеткой модели сильно зависят от формы и взаимного расположения функций принадлежности (ФП). Настройка параметров нечеткой модели в значительной степени автоматизируется при использовании нейросетевых нечетких систем (ННС), в которых нейронная (адаптивная) сеть выступает в качестве механизма настройки параметров нечеткой модели
Множество настраиваемых параметров определяется параметрами ФП условной части правил и линейными коэффициентами в заключительной части.
Нечеткая модель:
R1: ЕСЛИ X1 = B11 И Х2 = B12 И … И Xn = B1n, ТО Y=D1
R2: ЕСЛИ X1 = B21 И Х2 = B22 И … И Xn = B2n, ТО Y=D2
…
Rr: ЕСЛИ X1 = Br1 И Х2 = Br2 И … И Xn = Brn, ТО Y = Dr
Нечеткие множества являются параметрами нечеткой модели, а структура правил и их количество r определяют структуру модели.
В процессе нечеткого моделирования возможно использование нейронных сетей для проведения структурной и параметрической идентификация нечеткой модели.
В данной работе рассматривается двухэтапная процедура построения нечетких моделей типа Сугэно. На первом этапе синтезируются нечеткие правила из экспериментальных данных с использование субтрактивной кластеризации. На втором этапе настраиваются параметры нечеткой модели с помощью ANFIS-алгоритма. Субтрактивная кластеризация может использоваться как быстрый автономный метод синтеза нечетких правил из данных. Кроме того, этот метод может рассматриваться как своего рода препроцессинг для ANFIS-алгоритма - синтезированная нечеткая модель является начальной точкой для обучения. Важным преимуществом применения кластеризации для синтеза нечеткой модели является то, что правила базы знаний получаются объектно-ориентированными.
Экспертные системы принятия решений: требования к ЭС; классификация ЭС.
Полностью в лекциях J
Экспертные системы принятия решений: обобщенная структура ЭС; структура лингвистического процессора.
Полностью в лекциях J
Концепции построения ЭС: продукционные; фреймовые; на основе семантических сетей; нейлоровские.
Полностью в лекциях J
Дата публикования: 2015-02-03; Прочитано: 727 | Нарушение авторского права страницы | Мы поможем в написании вашей работы!