Математическая теория нечетких множеств (fuzzy sets) и нечеткая логика являются обобщениями классической теории множеств и классической формальной логики. Данные понятия были впервые предложены американским ученым Лотфи Заде (Lotfi Zadeh) в 1965 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 60-х–начало 70 гг.) характеризуется развитием теоретического аппарата нечетких множеств (Л. Заде, Э. Мамдани, Беллман). Во втором периоде (70–80-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 80-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 80-х Бартоломеем Коско знаменитой теоремы FAT (Fuzzy Approximation Theorem). В бизнесе и финансах нечеткая логика получила признание после того как в 1988 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.
Приближенные рассуждения (логический вывод )
Под приближёнными рассуждениями понимается процесс при котором из нечётких посылок получают некоторые следствия, возможно тоже нечёткие. Приближённые рассуждения лежат в основе способности человека понимать естественный язык; разбирать подчерк; играть в игры, требующие умственных усилий, в общем, принимать решения в сложной и не полностью определённой среде. Это отличает человека от интеллекта вычислительной машины.
- Нечеткие выводы по: Мамдани, Ларсени, Цукамото. Дефазицикация. Примеры использования нечетких алгоритмов в управлении
Существуют алгоритмы нечёткого логического вывода:
1) Алгоритм Mamdani
2) Алгоритм Tsukamoto
3) Алгоритм Larsen
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. Тогда нечетким множеством С называется множество упорядоченных пар вида C={MFc(x)/x}, MFc(x) [0,1]. Значение MFc(x)=0 означает отсутствие принадлежности к множеству, 1 – полную принадлежность.
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 100 градусов. Нечеткое множество для понятия "горячий чай" может выглядеть следующим образом:
C={0/0; 0/10; 0/20; 0,15/30; 0,30/40; 0,60/50; 0,80/60; 0,90/70; 1/80; 1/90; 1/100}.
Так, чай с температурой 60 С принадлежит к множеству "Горячий" со степенью принадлежности 0,80. 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 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, т.е. 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.
Алгоритмы нечеткого вывода различаются главным образом видом используемых правил, логических операций и разновидностью метода дефазификации. Разработаны модели нечеткого вывода Мамдани, Сугено, Ларсена, Цукамото.
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.
Наибольшее распространение в настоящее время получили архитектуры нечеткой НС вида ANFIS и TSK. 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.
Лекция 10-11. Создание баз знаний интеллектуальных систем. Представление базы знаний в современных интеллектуальных системах.
План
1. Задачи баз знаний в интеллектуальных системах (ИС).
2. Продукционная модель представления знаний. Логические модели. Сетевые модели или семантические сети. Фреймовые модели.
В настоящее время все более актуальной становится задача эффективного информационного обеспечения научной и производственной деятельности, связанная с бурным ростом объемов информации в различных отраслях знаний. Данная задача, как правило, рассматривается в контексте создания хранилищ знаний и их систематизации и структуризации с целью облегчения их обработки.
База знаний является одним из ключевых компонентов интеллектуальных систем различного назначения. Разработка этого компонента является трудоемким и продолжительным процессом.
При разработке баз знаний важно обеспечить не только возможность хранения знаний и навигации по ней, но и возможность работы над созданием и изменением базы знаний распределенным коллективом разработчиков.
На сегодняшний день существует ряд проблем, в области формирования баз знаний: доступность семантического контента; доступность баз знаний и средств их разработки; эволюция баз знаний; масштабируемость баз знаний; мультиязычность баз знаний; стабильность баз знаний; визуализация баз знаний.
В качестве решения вышеуказанных проблем предлагается технология компонентного проектирования баз знаний, основанная на унифицированных семантических сетях с базовой теоретико-множественной интерпретацией. Данная технология представляет собой комплекс моделей, инструментальных средств и методов проектирования баз знаний.
Технология компонентного проектирования баз знаний интеллектуальных систем
В основе предлагаемой технологии лежат следующие основные принципы массовой семантической технологии проектирования интеллектуальных систем OSTIS (Open Semantic Technology for Intelligent Systems):
· поэтапное эволюционное проектирование баз знаний на основе быстрого прототипирования;
- ориентация на коллективное проектирование баз знаний в рамках Open Source проекта;
- ориентация на семантическое представление знаний;
- унификация моделей баз знаний интеллектуальных систем;
- модульное проектирование на основе библиотек типовых многократно используемых компонентов.
Технология проектирования баз знаний представляет собой комплекс моделей, инструментальных средств и методов проектирования баз знаний.
Предлагаемая технология имеет следующую структуру: