Нечеткие множества и нейронные сети реферат

Структуры гибридных систем ГС 6. Нечеткий нейронный контроллер 6. Алгоритмы обучения для нечеткой нейронной сети 6.

Имя пользователя или адрес электронной почты Нечеткая логика — математические основы Нечеткая логика 16 комментариев Версия для печати Введение Математическая теория нечетких множеств fuzzy sets и нечеткая логика fuzzy logic являются обобщениями классической теории множеств и классической формальной логики. Данные понятия были впервые предложены американским ученым Лотфи Заде Lotfi Zadeh в г. Основной причиной появления новой теории стало наличие нечетких и приближенных рассуждений при описании человеком процессов, систем, объектов. Прежде чем нечеткий подход к моделированию сложных систем получил признание во всем мире, прошло не одно десятилетие с момента зарождения теории нечетких множеств. И на этом пути развития нечетких систем принято выделять три периода.

Моделирование риска банкротства страховой компании

Имя пользователя или адрес электронной почты Нечеткая логика — математические основы Нечеткая логика 16 комментариев Версия для печати Введение Математическая теория нечетких множеств fuzzy sets и нечеткая логика fuzzy logic являются обобщениями классической теории множеств и классической формальной логики.

Данные понятия были впервые предложены американским ученым Лотфи Заде Lotfi Zadeh в г. Основной причиной появления новой теории стало наличие нечетких и приближенных рассуждений при описании человеком процессов, систем, объектов. Прежде чем нечеткий подход к моделированию сложных систем получил признание во всем мире, прошло не одно десятилетие с момента зарождения теории нечетких множеств.

И на этом пути развития нечетких систем принято выделять три периода. Первый период конец х—начало 70 гг. Заде, Э. Мамдани, Беллман. Во втором периоде 70—е годы появляются первые практические результаты в области нечеткого управления сложными техническими системами парогенератор с нечетким управлением.

Одновременно стало уделяться внимание вопросам построения экспертных систем, построенных на нечеткой логике, разработке нечетких контроллеров. Нечеткие экспертные системы для поддержки принятия решений находят широкое применение в медицине и экономике. Наконец, в третьем периоде, который длится с конца х годов и продолжается в настоящее время, появляются пакеты программ для построения нечетких экспертных систем, а области применения нечеткой логики заметно расширяются.

Она применяется в автомобильной, аэрокосмической и транспортной промышленности, в области изделий бытовой техники, в сфере финансов, анализа и принятия управленческих решений и многих других. Триумфальное шествие нечеткой логики по миру началось после доказательства в конце х Бартоломеем Коско знаменитой теоремы FAT Fuzzy Approximation Theorem. В бизнесе и финансах нечеткая логика получила признание после того как в году экспертная система на основе нечетких правил для прогнозирования финансовых индикаторов единственная предсказала биржевой крах.

И количество успешных фаззи-применений в настоящее время исчисляется тысячами. Математический аппарат Характеристикой нечеткого множества выступает функция принадлежности Membership Function. Обозначим через MFc x — степень принадлежности к нечеткому множеству C, представляющей собой обобщение понятия характеристической функции обычного множества.

Проиллюстрируем это на простом примере. Формализуем неточное определение "горячий чай". В качестве x область рассуждений будет выступать шкала температуры в градусах Цельсия. Очевидно, что она будет изменяется от 0 до градусов. Так, чай с температурой 60 С принадлежит к множеству "Горячий" со степенью принадлежности 0, Для одного человека чай при температуре 60 С может оказаться горячим, для другого — не слишком горячим.

Именно в этом и проявляется нечеткость задания соответствующего множества. Для нечетких множеств, как и для обычных, определены основные логические операции. Самыми основными, необходимыми для расчетов, являются пересечение и объединение.

В теории нечетких множеств разработан общий подход к выполнению операторов пересечения, объединения и дополнения, реализованный в так называемых треугольных нормах и конормах. Приведенные выше реализации операций пересечения и объединения — наиболее распространенные случаи t-нормы и t-конормы.

Для описания нечетких множеств вводятся понятия нечеткой и лингвистической переменных. Нечеткая переменная описывается набором N,X,A , где N — это название переменной, X — универсальное множество область рассуждений , A — нечеткое множество на X.

Значениями лингвистической переменной могут быть нечеткие переменные, то есть лингвистическая переменная находится на более высоком уровне, чем нечеткая переменная. Каждая лингвистическая переменная состоит из: названия; множества своих значений, которое также называется базовым терм-множеством T. Элементы базового терм-множества представляют собой названия нечетких переменных; универсального множества X; синтаксического правила G, по которому генерируются новые термы с применением слов естественного или формального языка; семантического правила P, которое каждому значению лингвистической переменной ставит в соответствие нечеткое подмножество множества X.

Рассмотрим такое нечеткое понятие как "Цена акции". Это и есть название лингвистической переменной. Последнее, что осталось сделать — построить функции принадлежности для каждого лингвистического терма из базового терм-множества T. Существует свыше десятка типовых форм кривых для задания функций принадлежности. Наибольшее распространение получили: треугольная, трапецеидальная и гауссова функции принадлежности.

Параметр c обозначает центр нечеткого множества, а параметр отвечает за крутизну функции. Совокупность функций принадлежности для каждого терма из базового терм-множества T обычно изображаются вместе на одном графике. На рисунке 3 приведен пример описанной выше лингвистической переменной "Цена акции", на рисунке 4 — формализация неточного понятия "Возраст человека". Так, для человека 48 лет степень принадлежности к множеству "Молодой" равна 0, "Средний" — 0,47, "Выше среднего" — 0, Количество термов в лингвистической переменной редко превышает 7.

Нечеткий логический вывод Основой для проведения операции нечеткого логического вывода является база правил, содержащая нечеткие высказывания в форме "Если-то" и функции принадлежности для соответствующих лингвистических термов.

При этом должны соблюдаться следующие условия: Существует хотя бы одно правило для каждого лингвистического терма выходной переменной.

Для любого терма входной переменной имеется хотя бы одно правило, в котором этот терм используется в качестве предпосылки левая часть правила. В противном случае имеет место неполная база нечетких правил. В общем случае механизм логического вывода включает четыре этапа: введение нечеткости фазификация , нечеткий вывод, композиция и приведение к четкости, или дефазификация см. Алгоритмы нечеткого вывода различаются главным образом видом используемых правил, логических операций и разновидностью метода дефазификации.

Разработаны модели нечеткого вывода Мамдани, Сугено, Ларсена, Цукамото. Рассмотрим подробнее нечеткий вывод на примере механизма Мамдани Mamdani. Это наиболее распространенный способ логического вывода в нечетких системах. В нем используется минимаксная композиция нечетких множеств. Данный механизм включает в себя следующую последовательность действий. Процедура фазификации: определяются степени истинности, то есть значения функций принадлежности для левых частей каждого правила предпосылок.

Нечеткий вывод. Дефазификация, или приведение к четкости. Существует несколько методов дефазификации. Рисунок 6 графически показывает процесс нечеткого вывода по Мамдани для двух входных переменных и двух нечетких правил R1 и R2. Интеграция с интеллектуальными парадигмами Гибридизация методов интеллектуальной обработки информации — девиз, под которым прошли е годы у западных и американских исследователей.

В результате объединения нескольких технологий искусственного интеллекта появился специальный термин — "мягкие вычисления" soft computing , который ввел Л. Заде в году. В настоящее время мягкие вычисления объединяют такие области как: нечеткая логика, искусственные нейронные сети, вероятностные рассуждения и эволюционные алгоритмы.

Они дополняют друг друга и используются в различных комбинациях для создания гибридных интеллектуальных систем. Влияние нечеткой логики оказалось, пожалуй, самым обширным. Подобно тому, как нечеткие множества расширили рамки классической математическую теорию множеств, нечеткая логика "вторглась" практически в большинство методов Data Mining, наделив их новой функциональностью.

Ниже приводятся наиболее интересные примеры таких объединений. Нечеткие нейронные сети Нечеткие нейронные сети fuzzy-neural networks осуществляют выводы на основе аппарата нечеткой логики, однако параметры функций принадлежности настраиваются с использованием алгоритмов обучения НС.

Поэтому для подбора параметров таких сетей применим метод обратного распространения ошибки, изначально предложенный для обучения многослойного персептрона. Для этого модуль нечеткого управления представляется в форме многослойной сети.

Нечеткая нейронная сеть как правило состоит из четырех слоев: слоя фазификации входных переменных, слоя агрегирования значений активации условия, слоя агрегирования нечетких правил и выходного слоя. Доказано, что такие сети являются универсальными аппроксиматорами. Быстрые алгоритмы обучения и интерпретируемость накопленных знаний — эти факторы сделали сегодня нечеткие нейронные сети одним из самых перспективных и эффективных инструментов мягких вычислений.

Адаптивные нечеткие системы Классические нечеткие системы обладают тем недостатком, что для формулирования правил и функций принадлежности необходимо привлекать экспертов той или иной предметной области, что не всегда удается обеспечить.

Адаптивные нечеткие системы adaptive fuzzy systems решают эту проблему. В таких системах подбор параметров нечеткой системы производится в процессе обучения на экспериментальных данных. Алгоритмы обучения адаптивных нечетких систем относительно трудоемки и сложны по сравнению с алгоритмами обучения нейронных сетей, и, как правило, состоят из двух стадий: 1.

Генерация лингвистических правил; 2. Корректировка функций принадлежности. Первая задача относится к задаче переборного типа, вторая — к оптимизации в непрерывных пространствах.

При этом возникает определенное противоречие: для генерации нечетких правил необходимы функции принадлежности, а для проведения нечеткого вывода — правила. Кроме того, при автоматической генерации нечетких правил необходимо обеспечить их полноту и непротиворечивость. Значительная часть методов обучения нечетких систем использует генетические алгоритмы. В англоязычной литературе этому соответствует специальный термин — Genetic Fuzzy Systems.

Значительный вклад в развитие теории и практики нечетких систем с эволюционной адаптацией внесла группа испанских исследователей во главе с Ф. Херрера F. Нечеткие запросы Нечеткие запросы к базам данных fuzzy queries — перспективное направление в современных системах обработки информации. Данный инструмент дает возможность формулировать запросы на естественном языке, например: "Вывести список недорогих предложений о съеме жилья близко к центру города", что невозможно при использовании стандартного механизма запросов.

Для этой цели разработана нечеткая реляционная алгебра и специальные расширения языков SQL для нечетких запросов. Большая часть исследований в этой области принадлежит западноевропейским ученым Д. Дюбуа и Г. Нечеткие ассоциативные правила Нечеткие ассоциативные правила fuzzy associative rules — инструмент для извлечения из баз данных закономерностей, которые формулируются в виде лингвистических высказываний.

Здесь введены специальные понятия нечеткой транзакции, поддержки и достоверности нечеткого ассоциативного правила.

Нечеткие когнитивные карты Нечеткие когнитивные карты fuzzy cognitive maps были предложены Б. Коско в г. В отличие от простых когнитивных карт, нечеткие когнитивные карты представляют собой нечеткий ориентированный граф, узлы которого являются нечеткими множествами. Направленные ребра графа не только отражают причинно-следственные связи между концептами, но и определяют степень влияния вес связываемых концептов.

Активное использование нечетких когнитивных карт в качестве средства моделирования систем обусловлено возможностью наглядного представления анализируемой системы и легкостью интерпретации причинно-следственных связей между концептами.

ПОСМОТРИТЕ ВИДЕО ПО ТЕМЕ: Лекция 1. Нейронные сети. Теоретические результаты

Вид, реферат Нечеткие множества и нечеткая логика ( г. по н.в.): Ягер и Заде - нечеткие множества, нейронные сети и мягкие. Любое реферат нечеткие нейронные сети продукций состоит из посылок . множеств и открылась логики, нечеткие нейронные сети реферат завести.

Экспертные системы - Классифицирующие - Доопределяющие - Трансформирующие - Мультиагентные 3. Самообучающиеся системы - Индуктивные системы - Нейронные сети - Системы, основанные на прецедентах - Информационные хранилища 4. Адаптивные информационные системы - Основанные на CASE-технологии - Основанные на компонентных сборочных технологиях Признаками классиф-ции Интеллектуальное прографирование Содержание. Введение 3 1. Нейронные сети 3 1. Нечеткие множества, лингвистические переменные операции нечеткой логики 10 3. Часть 2 — Нейронные сети и генетические алгоритмы. Методические указания к лабораторным работам для Экспертные системы Радиоэлектроники Кафедра электронных вычислительных средств Контрольная работа Медицинские экспертные системы Содержание 1. Арифметические операции над нечеткими множествами 2.

Многослойный персептрон 2. Сеть Кохонена 2.

Нечеткие множества и нейронные сети реферат by stealinphePosted on Искусственные нейронные сети и генетические алгоритмы.

Нечеткие множества и нейронные сети реферат

Реферат нечеткие нейронные сети Нечеткая логика и потребительское кредитование курсовая работа - сайт института, племянница логики и направлялся при исследовании сложных объектов, расчетно-графические работы сетейвид промежуточного контроля. Общеизвестно, что практика - критерий истины. Под названием адаптивной нейро-нечеткой системой вывода - ANFIS Adaptive Neuro-Fuzzy Inference System известна специализированная пейросетевая структура, характеризующаяся хорошей сходимостью и ориентированная на извлечение знаний в виде системы нечетких правил из данных обучающей выборки. Тем не менее, столь масштабный скачок в развитии нечетких систем управления не случаен. Любое реферат нечеткие нейронные сети продукций состоит из посылок и заключения.

Нечёткая логика

Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны. При этом все больше становится известно о мышлении человека, о нервной системе живых организмов, а также о механизмах эволюции живых существ. Всё это отражается на подходах к автоматизации. Каждый такой подход влечет за собой появление новых технологий. По всему миру активно развиваются алгоритмы, позволяющие строить нейронные сети, алгоритмы нечеткой логики, а также эволюционный метод поиска оптимальных решений. Все они взаимодействуют между собой и дополняют друг друга. На вершине такого взаимодействия стоит искусственный интеллект. Программное обеспечение, написанное с применением этих алгоритмов, применяется во всех областях техники и технологии.

Список источников Введение Любая сфера экономической деятельности сопровождается явлением риска. Страхование относится к тем видам деятельности, которые сильно подвержены этому явлению.

.

Нечеткие Нейронные Сети Сочинения и курсовые работы

.

Реферат: 1 Основные свойства мягких систем

.

.

.

.

.

ВИДЕО ПО ТЕМЕ: Нейронные сети за 10 минут
Похожие публикации