Продолжение 4 страница

r’	x1	x2	x3	x4	x5	x6
x1		0,6			0,5
x2	0,6	0,8	0,1	0,2	0,7	0,2
x3	0,2	0,1	0,8	0,6	0,1
x4	0,2	0,1	0,6		0,1	0,4
x5	0,5	0,7	0,1	0,1	0,7
x6

4.3 Нечеткие высказывания, формулы и предикаты

Нечетким высказыванием называют предложение А’, степень истинности r(А’) или ложности ùr(А’) которого также принимает значение на интервале [0; 1]. Например, высказывание: “сегодня хорошая погода”. По каким признакам и кто дал такую оценку? Ведь “у природы нет плохой погоды...”.

Если то, о чем говорится в предложении, не определено, то это предложение называют высказывательной функцией или предикатом. Аргументами предиката являются предметные переменные, Нечеткой предметной переменной является переменная, степень истинности которого принадлежит интервалу [0; 1].

Например, высказывание “Петров выполняет ответственное задание”. Как понимать “ответственное задание”?

Как правило, нечеткой предметной переменной является лингвистическая переменная, которая отли-чается от числовой переменной тем, что её значениями являются слова и словосочетания естественного языка. Лингвистическая переменная служит для качественного описания явления, факта или события. Множество лингвистических переменных, описываемых также лингвистической переменной, называют терм-множеством и обозначают Т(x).

Так терм-множества для лингвистических переменных ”возраст”, ”количество”, ”частота”, “расположение” могут быть представлены лингвистическими переменными:

T’₁(“возраст”)={ ребенок, подросток, юноша, молодой человек, человек средних лет, пожилой человек, старик,...};

T’₂(”количество”)={ малое, среднее, большое,...};

T’₃(“частота”)={почти всегда, часто, редко, иногда, почти_никогда...};

T’₄(“расположение”)={вплотную; близко, рядом, далеко,...}.

Для того, чтобы согласовать мнения экспертов, удобно степень истинности лингвистической переменной также определять значением функции принадлежности этой переменной какому-то интервалу на базовой шкале. Это позволит для каждого конкретного факта или события количественно оценивать степень истинности лингвистической переменной в конкретном высказывании.

Нечеткие высказывания бывают простыми и сложными. Для формирования сложных высказываний используют логические связки отрицания, конъюнкции, дизъюнкции, импликации и эквиваленции. Так формируются нечеткие логические формулы.

Степень истинность сложного высказывания определяется как степень принадлежности результатов исполнении операций над нечеткими множествами:

r(ùA’)=(1 - r (A’));

r(A’&B’)=min{r(A’); r(B’)};

r(A’ÚB’)=max{r(А’); r (B’)};

r(A’®B’)=max{(1-r(А’)); r (B’)};

r(A’«B’)=min{max{(1-r(А’)); r (B’)}; max{(1-r(B’)); r (A’)}}.

Следует обратить внимание, что законы противоречия и “третьего не дано” для нечетких высказываний не выполняются.

Для четких высказываний: r(A&ùA)=л,

r(AÚA)=и,

Для нечетких высказываний: r(A’&ùA’)=min{r(A’); (1-r(A’))}, r(A’ÚùA’)=max{r(А’); (1-r (ùA))}.

4.4 Логика нечетких высказываний

Так же как в логике четких высказываний, в логике нечетких высказываний вводится операция импликации |¾A’®B’.

Для нечетких высказываний удобно пояснить формирование истинности импликации с помощью условного нечеткого высказывания “ если A’, то B’ иначе С’”.

Очевидно, что нечеткое высказывание “если A’, то B’” можно определить как нечеткое отношение между нечеткими высказываниями A’ и B’, т.е. (А’ÄB’), а нечеткое высказывание “если не А, то С” – как нечеткое отношение между высказываниями ùA’ и С’. Объединение этих двух отношений есть формула условного нечеткого высказывания

(A’ ® В’), C’) = ((А’ÄB’)È(ùA’ÄC’))

Если даны значения степеней истинности нечетких высказываний r(A’), r(B’) и r(C’),, то истинность высказывания “если A’, то B’ иначе C’” может быть определена, как для нечетких отношений, по формуле:

r((A’ ® В’), C’) = max{min{r(A’), r(B’)}; min{r(ùA’), r(C’)}}.

Пример. “Если сегодня вечером будет дождь, то завтра будет солнечная погода иначе завтра будет пасмурный день”. Для высказывания A’:=”сегодня вечером будет дождь” принято r(A’)=0,3, для высказывания B’=”завтра будет солнечная погода”- r(B’)=0,5, для высказывания C’:=”завтра будет пасмурный день”- r(C’)=0,2.

Следовательно, r((A’®В’), C’)=

max{min{r(A’), r(B’)}; min{r(ùA’), r(C’)}}=

max{min{0,3; 0,5}; min{0,7; 0,2}=

max{0,3; 0,2}=0,3.

Если r(C’)=1, т.е. высказывание C’ истинно для любых значений истинности высказывания ùA’, то формула условного высказывания принимает вид, т.е. ((А’ÄB’)ÈùA’), что соответствует высказыванию “если A’, то B’”

Степень истинности такого высказывания есть

r(A’®В’)= max{min{r(A’), r(B’)}; r(ùA’)}.

Так можно определить истинность импликации по известным значениям истинности посылки A’ и заключения B’.

Пример. “Если сегодня вечером будет дождь, то завтра будет солнечная погода”. Для высказывания A’:=”сегодня вечером будет дождь” принято r(A’)=0,3, для высказывания B’=”завтра будет солнечная погода” принято r(B’)=0,5.

Следовательно, r(A’®В’)= max{min{r(A’), r(B’)}; r(ùA’)}=

max{min{0,3, 0,5}; 0,7}=max{0,3; 0,7}=0,7.

Если даны множества нечетких высказываний {A’=r(u_i)/u_i} и {B’=r(v_j)/v_j} о фактах u₁, u₂, u₃, u₄, u₅, u₆ и v₁, v₂, v₃, v₄, v₅, v₆, то истинность r(A’®В’) необходимо определять для каждой пары (u_i, v_j) по формуле:

r(A’®В’)= max{min{r(u_i), r(v_j)}; ùr(u_i)}.

Пример. Пусть даны нечеткие высказывания

rA’={0,6/u₁; 0,4/u₂; 0,8/u₃; 0,2/u₄; 1,0/u₅; 0,3/u₆};

rB’={0,9/v₁; 0,4/v₂; 1,0/v₃; 0,7/v₄; 0,3/v₅; 0,5/v₆}

Для каждой позиции таблицы r(A’®В’) нужно вычислить значение

r(u_i®vj)=max{min{r(u_i), r(vj)}; ùr(u_i)}.

Например, r(u₄®v₂)=max{min{0,2; 0,4}; 0,8}=max{0,2; 0,8}=0,8.

Все результаты вычислений r(u_i®v_j) сведены в таблицу.

Таблица 4.16

	v1	v2	v3	v4	v5	v6
u1	0,6	0,4	0,6	0,6	0,4	0,5
u2	0,6	0,6	0,6	0,6	0,6	0,6
u3	0,8	0,4	0,8	0,7	0,3	0,5
u4	0,8	0,8	0,8	0,8	0,8	0,8
u5	0,9	0,4	1,0	0,7	0,3	0,5
u6	0,7	0,7	0,7	0,7	0,7	0,7

Основным правилом вывода, как и в обычном исчислении, является modus ponens, соглас-но которому истинность заключения rВ’ определяют по по обобщенной схеме этого правила:

r A’; r (A’®В’)

rB’=rA’·r (A’®В’),

где rA’·r (A’®В’) – композиция нечетких высказываний A’ и (A’®В’).

В этом случае истинность высказывания B’ определяется формулой:

r(B’)= r(A’)·r(A’®В’)=max{min{r(A’); r(A’®В’)}}.

Пример. Пусть r(A’®В’) задано табл. 4.16, а

rA’={0,36/u₁; 0,16/u₂; 0,64/u₃; 0,04/u₄; 1,0/u₅; 0,09/u₆}.

Тогда истинность заключения

r(B’)=r(A’)·r(A’®В’)={max{min{0,36/u₁; 0,6/(u₁,v₁)}, min{0,16/u₂; 0,6/(u₂,v₁)}, min{0,64/u₃; 0,8/(u₃,v₁)}, min{0,04/u₄; 0,8/(u₄,v₁)}, min{1,0/u₅; 0,9/(u₅,v₁)}, min{0,09/u₆; 0,7/(u₆,v₁)}}, max{min{0,36/u₁; 0,4/(u₁,v₂)}, min{0,16/u₂; 0,6/(u₂,v₂)}, min{0,64/u₃; 0,4/(u₃,v₂)}, min{0,04/u₄; 0,8/(u₄,v₂)}, min{1,0/u₅; 0,4/(u₅,v₂)}, min{0,09/u₆; 0,7/(u₆,v₂)}}, max{min{0,36/u₁; 0,6/(u₁,v₃)}, min{0,16/u₂; o,6/(u₂,v₃)}, min{0,64/u₃; 0,8/(u₃,v₃)}, min{0,04/u₄; 0,8/(u₄,v₃)}, min{1,0/u₅; 1,0/(u₅,v₃)}, min{0,09/u₆; 0,7/(u₆,v₃)}}... min{0,09/u₆; 0,7/(u₆,v₆)}}=

{max{0,36, 0,16, 0,64, 0,04, 0,9, 0,09}, max{0,36, 0,16, 0,4, 0,04, 0,4, 0,09}, max{0,36, 0,16, 0,64, 0,04, 1,0, 0,09},...}=

{0,9/v₁, 0,4/v₂, 0,64/v₃, 0,7/v₄, 0,64/v₅, 0,5/v₆}.

.

4.5 Экспертные системы

Экспертная система относится к категории интеллектуальных вычислительных систем, которая использует знания специалистов о некоторой специализированной предметной области, хранит и накапливает эти знания и которая в пределах этой области предлагает и объясняет решения конкректных задач на уровне профессионала. Как правило, знания профессионала сформулированы нечетко. Поэтому алгоритмического решения такие задачи не имеют.

Идеализированная экспертная система содержит пять основных компонент: базу знаний, интерфейс пользователя, подсистему логического вывода, блок извлечения и пополнения знаний и блок объяснения решения (см. рис.2).

	интерфейс		блок пополнения знаний		база знаний

эксперт

		подсистема логического вывода

пользователь

пользователь

рис.2 Структура идеализированной экспертной системы.

База знаний хранит и накапливает информацию о фактах, явлениях, событиях предметной области и о правилах, используемых экспертом-профессионалом при принятии решений. Для этого их описывают на внутреннем языке вычислительной системы формулами математической логики: предикатов, реляционной или нечеткой логики. Интерфейс служит для взаимодействия пользователя или эксперта-профессионала с компьютером на проблемно-ориентированном языке. В интерфейсе происходит трансляция предложений этого языка на внутренний язык. По запросу пользователя в подсистеме логического вывода происходит отбор из базы знаний данных о фактах, явлениях или событиях и правил для генерации решения поставленной задачи. Логические методы имеют развитый аппарат вывода новых фактов из тех, которые представлены в базе знаний. Основными процедурами вывода являются правила подстановки и заключения. Блок объяснения решения служит для отображения на мониторе пользователя результатов решения задачи и объяснения принимаемых решений, так как пользователю важна аргументация, основанная на причинно-следственных связях данной предметной области. Блок пополнения и корректировки базы знаний предназначен только для эксперта-профессионала. Часто знания носят слабо структурированный неформализуемый характер по причинно-следстьвенным связям. Поэтому самым узким местом любой экспертной системы является наполнение и корректировка правил базы знаний. Наиболее полно проблемы создания экспертных систем изложены в [8].

Одной из первых экспертных систем была система медицинской диагностики и лечения инфекционных заболеваний MYCIN.

В этой системе для вывода заключения В’ по наличию одной или нескольких посылок А’ используют так называемый коэффициент уверенности КУ.

Коэффициент уверенности - это разность между мерой доверия - МД и мерой недоверия МНД истинности высказываемого заключения:

КУ [(A’®В’): A'] = МД [(A’®В’): A’] - МНД [(A’®В’): A'],

где КУ [(A’®В’): A’] – коэффициент уверенности гипотезы (A’®В’) при ис-тинности свидетельства A’;

МД[(A’®В’): A’] - мера доверия гипотезе (A’®В’) при истинности свидетельства A’;

МНД [(A’®В’): A’] - ме-ра недоверия гипотезе (A’®В’) при истинности свиде-тельства A’.

КУ может изменяться от - 1 (абсолютная ложь) до +1 ((абсолютная истина), принимая также промежуточные значения.

При наличии двух или нескольких свидетельств (A'₁ и A'₂) в системе MYCIN происходит уточнение мер доверия и недоверия гипотезе (A’®В’) при заданных значениях истинности двух свидетельств A'₁ и A'₂ по следующему правилу:

МД [(A’®В’): A'₁,A'₂] = МД [A’®В’: A'₁]+

МД [A’®В’: A'₂] × (1 - МД [A’®В’: A'₁]);

МНД [(A’®В’): A’₁,A'₂] = МНД [(A’®В’): A’₁]+

МНД [(A’®В’): A'₂] × (1 - МНД [(A’®В’): A’₁]).

Смысл формулы состоит в том, что эффект второго свидетельства (A'₂) на гипотезу (A’®В’) при заданном свидетельстве A'₁ уточняет истинность гипотезы. По мере накопления свидетельств МД и МНД происходит постепенное уточнение гипотезы (A’®В’) до 1.

В последующие годы было разработано множество экспертных систем различного назначения и на различных платформах. Например, экспертная система PROSPECT EXPLORER использует нечеткую логику рассуждений в помощь геологам при обнаружении горных аномалий и для выделения минералов. Гибридная экспертная система FLEX нашла применение в различных финансовых системах. Она чередует прямой и обратный методы поиска решения при нечетких формулировках вопросов и правил. Экспертная система реального времени COMDALE/C предназначена для наблюдения и контроля над процессами в условиях производства. Она обрабатывает неопределенные знания и данные и позволяет вырабатывать реклмендации об управляющих воздействиях в непрерывном процессе принятия решения. Оболочка экспертной системы GURU нашла применение в различных сферах человеческой деятельности. В ней предлагается широкое многообразие инструментальных средств обработки информации, объединенных с возможностями нечеткого вывода от фактов к цели и от цели к фактам.

Контрольные вопросы

1. Пусть U = { u₁, u₂, u₃, u₄, u₅, u₆, u₇, u₈ };

A’={ 1/u₁, 0,1/u₂, 0,2/u₃, 0,3/u₄, 0,4/u₅ };
B’={0,1/u₁, 0,2/u₂, 0,3/u₆, 0,6/u₇, 0,8/u₈}.

Выполнить операции объединения, пересечения, дополнения, разности и симметрической разности над нечеткими множествами А’ и В’.

2. Выполнить алгебраические операции над нечеткими соответствиями q₁ и q₂, заданными таблицами:

q1		y1	y2	y3	y4	y5			q2		y1	y2	y3	y4	y5
	x1	0,2	0,4	0,6	0,2	0,4				x1	0,4	0,2	0,8	0,2	0,4
	x2	0,3	0,5	0,7	0,5	0,3				x2	0,5	0,7	0,3	0,7	0,5
	x3	0,2	0,5	0,4	0,5	0,2				x3	0,5	0,2	0,6	0,2	0,5
	x4	0,3	0,6	0,9	0,6	0,3				x4	0,4	0,7	0,8	0,7	0,4

q1	y1	y2	y3
x1	1,0	0,8	0,2
x2	0,2	1,0	0,4
x3	0,0	1,0	0,3
x4	0,2	0,9	0,5
x5	0,3	0,7	1,0

q2	z1	z2	z3	z4
y1	0,3	0,3	0,3	0,2
y2	0,2	0,2	0,4	0,3
y3	0,1	0,3	0,2	0,6

3.. Найти композицию двух нечетких соответствий q₁ и q₂, заданных таблицами:

Определить степень разделения a (x_i, z_j) нечеткого соответствия q’(x;z)=q₁(x;y)_*q₂(y;z).

4. Выполнить алгебраические операции над нечеткими отношениями r₁ и r₂, заданными таблицами:

	r1	x1	x2	x3	x4	x5				r2	x1	x2	x3	x4	x5
	x1		0,3	0,2	0,1	0,4				x1		0,2	0,8	0,2	0,4
	x2	0,3		0,7	0,5	0,3				x2	0,5		0,8	0,7	0,2
	x3	0,2	0,5		0,5	0,2				x3	0,2	0,2		0,2	0,5
	x4	0,7	0,5	0,9		0,3				x4	0,4	0,7	0,8		0,4
	x5	0,6	0,7	0,2	0,3					x5	0,1	0,1	0,5	0,4

3. Найти степень принадлежности связи двух вершин графа через промежуточные вершины согласно матрице смежности:

r	x1	x2	x3	x4	x5
x1		0,2	0,4	0,6	0,8
x2	0,8		0,3	0,5	0,7
x3	0,6	0,7		0,4	0,6
x4	0,4	0,5	0,6		0,5
x5	0,2	0,3	0,4	0,5

Предметный указатель

class=WordSection3>

А

атом, 35

атрибут 3

Б

базовая шкала, 64

база данных, 99

бинарные операторы, 23

В

включение нечеткого множества, 74

Д

домен, 3

дополнение

- нечеткого множества, 72

-нечеткого отношения, 82

З

запись, 4

И

имя атрибута, 4

- поля, 4

- столбца, 4

К

ключ, 9

кортеж, 4

Л

лингвистическая переменная, 87

логика математическая, 2

-нечеткая, 2

-нечетких высказываний, 91

-нечетких множеств, 61 нечетких отношений, 61

-реляционная, 2

Н

нечеткие высказывания, 87

-множества, 61

-отношения, 76

-предметные переменные, 87

-формулы, 90

носитель нечеткого множества, 62

О

объединение нечетких множеств, 71

--отношений, 81

--соответствий, 80

объектные отношения, 9

оператор вставки, 20

-выбора, 13

-деления, 32

-дополнения, 18

-естественного соединения, 28

-изменения, 22

-объединения, 23

-пересечения, 27

-проекции, 16

-прямого произведения, 25

-разности, 24

-q-соединения, 30

-удаления, 21

-эквисоединения, 31

операции над нечеткими множествами, 71

---отношениями, 80

отношение, 3

П

ключ первичный, 9

пересечение нечетких множеств, 72

- -отношений, 81

- - соответствий, 81

прямое произведение нечетких множеств, 74

Р

равенство нечетких множеств, 75

разность нечетких множеств, 73

реляционная алгебра, 10

реляционная модель, 3

реляционное исчисление, 35

-с переменными-кортежами, 35

С

свободная переменная-кортеж, 36

связное отношение, 9

связный переменный-кортеж., 36

симметрическая разность нечетких множеств, 73

степень принадлежности, 62

схема отношения,, 8

схемой реляционной базы данных,, 8

Т

терм-множеством, 88

тип атрибута, 4

-домена, 4

-поля, 4

У

унарные операторы, 13

упорядоченный кортеж, 8

Ф

файл, 3

формула, 36

функция принадлежности:, 62

Э

экспертные системы, 94

ЛИТЕРАТУРА

1. Грей П. Логика, алгебра и базы данных. Пер. с англ./ Килова Х.И./ - М.: “машиностроение”, 1989.-360c.

2. Джексон Г. Проектирование реляционных баз данных для ис-пользования с микроЭВМ: Пер. с англ. / А.Н.Елькова. - М.: Мир, 1991. - 252 с.

3. Мейер Дж. Теория реляционных баз данных: Пер. с англ. / М.К.Валиева / Под ред. М.Ш.Цаленко. - М.: Мир, 1987. - 608 с.

4. Нечеткие множества и теория возможностей. Последние дости-жения/ Под ред. Р.Ягера: Пер. с англ./ В.В.Кузьмина. - М.: Радио и связь, 1986. - 408 с.

5. Обработка нечеткой информации в системах принятия решений / А.Н. Борисов, А.В. Алексеев, Г.В. Меркурьева и др. –М.: Радио и связь, 1989. –304с.

6. Пожидаев В.Г. Базы данных. Учебное пособие.- Калининград: КГТУ, 1999.-214с.

7. Пономарев В.Ф. Основы дискретной математики. Учебное пособие.- Калининград:КГТУ, 1997.-163с.

8. Пономарев В.Ф. Математические методы и модели в обработ-ке информации: Метод. разработки.- Калининград: КТИРПХ, 1991. -84 с.

9. Попов Э. В. Экспертные системы. Решения неформализованных задач в диалоге с ЭВМ.- М.: Наука, 1987, - 288с.