- •Федеральное агентство по образованию
- •Оглавление
- •Глава 1. Основные понятия искусственного интеллекта
- •§ 1.1. Основные термины и определения
- •§ 1.2. История развития систем ии
- •§ 1.3. Направления развития искусственного интеллекта
- •§ 1.4. Основные направления развития и применения
- •Вопросы для самоконтроля
- •Глава 2. Положения теории нечетких множеств
- •§ 2.1. Нечеткое множество. Операции над нечеткими множествами
- •§ 2.1.1. Основные операции над нечеткими множествами.
- •§ 2.2. Построение функции принадлежности
- •§ 2.2.1. Некоторые методы построения функции принадлежности.
- •§ 2.3. Нечеткие числа
- •§ 2.4. Операции с нечеткими числами (l-r)-типа
- •§ 2.5. Нечеткая и лингвистическая переменные
- •§ 2.6. Нечеткие отношения
- •§ 2.7. Нечеткая логика
- •§ 2.8. Нечеткие выводы
- •§ 2.9. Автоматизация обработки информации с использованием
- •Вопросы для самоконтроля
- •Глава 3. Основные интеллектуальные системы
- •§ 3.1. Данные и знания
- •§ 3.2. Модели представления знаний
- •Представление знаний
- •Классификация знаний
- •§ 3.3.1. Продукционные правила.
- •§ 3.3.2. Фреймы.
- •§ 3.3.3. Семантические сети.
- •Вопросы для самоконтроля
- •§ 3.4. Экспертные системы. Предметные области
- •§ 3.5. Назначение и область применения экспертных систем
- •§ 3.6. Методология разработки экспертных систем
- •§ 3.7. Основные экспертные системы
- •§ 3.8. Трудности в разработке экспертных систем и пути их
- •Вопросы для самоконтроля
- •§ 3.9. Назначение, классификация роботов
- •§ 3.10. Примеры роботов и робототехнических систем
- •§ 3.10.1. Домашние (бытовые) роботы.
- •§ 3.10.2. Роботы спасатели и исследовательские роботы.
- •§ 3.10.3. Роботы для промышленности и медицины.
- •§ 3.10.4. Военные роботы и робототехнические системы.
- •§ 3.10.5. Мозг как аналого-цифровое устройство.
- •§ 3.10.6. Роботы – игрушки.
- •§ 3.11. Проблемы технической реализации роботов
- •Вопросы для самоконтроля
- •§ 3.12. Адаптивные промышленные роботы
- •§ 3.12.1. Адаптация и обучение.
- •§ 3.12.2. Классификация адаптивных систем управления
- •§ 3.12.3. Примеры адаптивных систем управления роботами.
- •§ 3.12.4. Проблемы в создании промышленных роботов.
- •Вопросы для самоконтроля
- •§ 3.13. Нейросетевые и нейрокомпьютерные технологии
- •§ 3.13.1. Общая характеристика направления.
- •§ 3.13.2. Нейропакеты.
- •Вопросы для самоконтроля
- •§ 3.14. Нейронные сети
- •§ 3.14.1. Персептрон и его развитие.
- •3.14.1.1. Математический нейрон Мак-Каллока-Питтса.
- •3.14.1.2. Персептрон Розенблатта и правило Хебба.
- •3.14.1.3. Дельта-правило и распознавание букв.
- •3.14.1.4. Адалайн, мадалайн и обобщенное дельта-правило.
- •§ 3.14.2. Многослойный персептрон и алгоритм обратного
- •§ 3.14.3. Виды активационных функций.
- •Вопросы для самоконтроля
- •Список литературы
- •Основы искусственного интеллекта
§ 2.9. Автоматизация обработки информации с использованием
нечетких систем
Эффективность систем нечеткой логики базируется на ряде следующих результатов.
1. В 1992 году Ванг (Wang) доказал теорему:
для каждой вещественной непрерывной функции G(x), заданной на компакте U и для произвольного ε>0, существует нечеткая экспертная система, формирующая выходную функцию F(x) такую, что
где ||...|| - символ принятого расстояния между функциями.
2. В 1995 году Кастро (Castro) показал, что логический контроллер Мамдани при определенных условиях также является универсальным аппроксиматором.
3. Согласно знаменитой теореме FAT (англ. Fuzzy Approximation Theorem), доказанной Б. Коско в 1993 году, любая математическая система может быть аппроксимирована системой, основанной на нечеткой логике.
К настоящему времени разработаны общие принципы и основы методологии построения нечетких систем обработки информации. В любой модели преобразования нечеткой информации в той или иной форме присутствуют три процедуры:
преобразование текущих значений входных переменных в значения лингвистических переменных;
нечеткий вывод значений, выходных лингвистических переменных;
преобразование выведенных значений выходных лингвистических переменных в четкие значения выходных переменных.
Общая схема обработки нечеткой информации выглядит следующим образом (рис.2.6). В общем случае механизм логического вывода включает четыре этапа: введение нечеткости (фазификация), нечеткий вывод, композиция и приведение к четкости, или дефазификация.
четкая
величина
X четкая
величина
Y
Рис.2.6. Общая схема обработки нечеткой информации
Точные исходные данные с датчиков сведений переводятся в значения лингвистических переменных в специальном блоке, получившем название "фазификатор". Далее реализуются процедуры нечеткого вывода на множестве продукционных правил, составляющих базу знаний системы обработки информации, в результате чего формируются выходные лингвистические значения. Последние переводятся в точные значения результатов вычислений в специальном блоке, получившем название "дефазификатор". На выходе последнего формируются точные заключения о результатах вывода.
В базе знаний хранятся также параметры процедур фазификации и дефазификации, например виды функций принадлежности и их параметры, способы агрегирования информации, методы приведения к четкости и т.д. Эта концептуальная схема лежит в основе так называемого нечеткого контроллера, используемого в интеллектуальных системах обработки неопределенной информации, в частности, в системах интеллектуального управления.
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.
1. Процедура фазификации: определяются степени истинности, т.е. значения функций принадлежности для левых частей каждого правила (предпосылок). Для базы правил с m правилами обозначим степени истинности как Aik(xk), i=1..m, k=1..n.
2. Нечеткий вывод. Сначала определяются уровни 'отсечения' для левой части каждого из правил:
Далее находятся 'усеченные' функции принадлежности:
3. Композиция, или объединение полученных усеченных функций, для чего используется максимальная композиция нечетких множеств:
где MF(y) – функция принадлежности итогового нечеткого множества.
4. Дефазификация, или приведение к четкости. Существует несколько методов дефазификации. Например, метод среднего центра, или центроидный метод: .
Геометрический смысл такого значения – центр тяжести для кривой MF(y). Рис.2.7 графически показывает процесс нечеткого вывода по Мамдани для двух входных переменных и двух нечетких правил R1 и R2.
Несмотря на кажущуюся простоту и удобство этой схемы вычислений, получаемые результаты зачастую не являются удовлетворительными. Главная причина состоит в том, что с помощью операций нечеткой алгебры не всегда удается построить эффективные вычислительные процедуры на множестве нечетких величин. Трудности возрастают с увеличением числа лингвистических переменных.
Рис. 2.7. Схема нечеткого вывода по Мамдани.
Применение тех или иных операций нечеткой алгебры в ряде случаев зависит от используемых входных данных. Кроме того, операторы нечеткой алгебры недостаточно полно отражают смысл многозначных лингвистических преобразований термов лингвистических переменных. Не всегда оправданы по смыслу используемые методы дефазификации и результаты выполнения соответствующих процедур. Отмеченные недостатки приводят к тому, что результатам обработки нечеткой информации часто ставится в соответствие лишь область подходящих значений, а не конкретные величины. Поэтому полученные результаты обработки нечеткой информации (так же как и используемые механизмы нечеткого вывода) подлежат дальнейшему уточнению на этапе моделирования. В силу этого вопросы совершенствования систем нечеткого условного вывода являются актуальными.