Глава 1. Математические основы формализации и методов описания
нечетких технологий информационных систем
Представление композиции отношений матрицами и графами
Атрибут – это свойство. При описании каждого из объектов мы должны будем ограничиваться некоторым набором свойств, адекватных решаемой задаче. Изучением этих свойств занимается теория приближенных множеств.
Понятие: – абстрактное П., т.е. понятие, в котором отображен не данный объект (предмет, явление) как таковой, а какой-либо признак объекта, мысленно отделенный от самого объекта.
Пространство решений U - это свойство, которое входит в сферу наших интересов. Каждый элемент этого пространства назовём xj. Каждый объект пространства U будет обладать свойствами. Если этот объект физический, то его свойства можно обозначить каким-то способом, в результате мы можем получить бесконечное множество свойств. Будем ограничиваться лишь их некоторым подмножеством. Обозначим это подмножество пространства U символом Q. Каждое свойство, принадлежащее этому множеству, обозначим символом q, с соответствующими индексами qi. Один объект будет отличаться от другого, либо считаться подобным третьему объекту этих свойств. Обозначим символом Vq множество значений, которые может принимать свойство q. Обозначим свойство q объекта x вектором Vxq, а вектор всех свойств объекта - как V:
V= [Vxq1, Vxq2, …,Vxqn]. (1.1)
Всё это можно будет представить в виде информационной системы.
Определение 1: Информационной системой называется упорядоченная четверка SI = <U, Q, V, f> (SI – кортеж), где U – множество объектов, Q – множество свойств (атрибутов), V – Vq =U, Vq– множество всех значений и свойств , аf: U * Q → U, называется информационной функцией.
Можно записать, что Vxq = f(x, q), очевидно, f(x, q)Vq.
Равнозначно Vxq = f(q), при которой информационная функция будет интерпретироваться как семейство функций. Тогда f x.
Пример 1: Магазин по продаже автомобилей. В данный момент в продаже находится 10 машин. Пространство решений состоит из 10 объектов, т.е. U = [x1, x2, …, x10]. Владелец автомобилей отмечает в своих документах 4 свойства каждого автомобиля, которые являются наиболее часто встречаемыми при продаже. Это количество дверей (q1), мощность двигателя (q2), цвет (q3) и марка (q4). Таким образом, множество свойств можно представить в виде Q = {q1, q2, q3, q4}. Необходимо представить в виде таблицы ИС информацию к данному примеру.
Решение:
Объект U | Кол-во дверей q1 | Мощность двигателя q2 | Цвет q3 | Марка q4 |
X1 | 2 | 60 | Синий | Опель |
X2 | 2 | 100 | Черный | Ниссан |
X3 | 2 | 200 | Красный | Феррари |
X4 | 4 | 602 | Серый | Бугатти |
X5 | 3 | 230 | Зеленый | Тойота |
X6 | 1 | 128 | Белый | Хонда |
X7 | 4 | 228 | Оранжевый | Жигули |
X8 | 2 | 555 | Голубой | Мерседес |
X9 | 3 | 777 | Золотой | Шкода |
X10 | 1 | 100 | Розовый | Рено |
В результате, множество значений каждого свойства будет Vq1 = {2,3,4, …}, Vq2 = {60, 100, 200, …, 100}, Vq3 = {черный, синий, белый, …}, Vq4 = {Феррари, Ниссан, Опель, …}.
Таблицей решений называется упорядоченная пятёрка: DT = <U, C, D, V, f>. Здесь элементы множеств C – условные свойства (атрибуты), элементы множества D – являются регламентирующими свойствами, информационная функция f – характеризует множество правил, содержащихся в таблице решений, в которой каждая функция fe: (находится) определяет e – тое решающее правило в таблице. Таблицу решений будем считать способом представления информации, альтернативным по отношению к правилам:
- правило «модус – поненс» [7].
- Предисловие
- Список использованных сокращений
- Часть 1.
- Глава 1. Математические основы формализации и методов описания
- Часть 2.
- Глава 2. Методы представления знаний с использованием
- Часть 3.
- Глава 3. Интеллектуальные технологии создания информационных систем. Способы получения информации и ее реализации для оценивания состояния агрегатов
- Часть 4.
- Глава 4. Источники информации и причины возникновения ее неопределенности
- 4.1. Переработка и использование информации в реальных условиях функционирования агрегатов
- Часть 5.
- Список использованных сокращений и обозначений
- Введение:
- Часть 1.
- Глава 1. Математические основы формализации и методов описания
- Формализация объекта и парадигмы
- 1.3. Множества и перечень базовых операций над множествами
- Перечень базовых операций над множествами
- Области определения функций
- Обратная функция
- Теорема
- Мера и нечеткая мера
- Задача построения нечетких мер
- Нечеткие множества: определение и формы записи в операциях и
- 1.7.Функции доверия и правило Демпстера а.Р.,[23]
- 1.8. Нормировка функций в теории нечётких множеств
- 1.9. Нечёткие отношения: прямая и обратная задачи
- Глава 2. Методы представления знаний с использованием приближенных и нечетких множеств
- 2.1.Нечеткие вычислительные технологии
- 2.2.Семантика объекта: определение и типизация
- 2.3.Создание Базы знаний: постановка, семантика, прагматика
- 2.4. Сопоставление объектов: постановка, семантика, прагматика
- 2.5.Распознавание объектов: постановка, семантика, прагматика
- 2.6. Управление процессом представления знаний
- Нечёткие множества: субъективность и неточность
- 2.8.Нечеткая алгебра
- 2.9.Нечеткие иерархические отношения
- 2.10.Естественность операций max и min
- 2.11.Нечеткая статистика
- 2.12. Совместимость и нечеткое ожидание
- Глава 3. Нечеткие технологии создания информационных систем. Способы получения информации и ее реализации для оценивания состояния агрегатов
- 3.2. Обработка нечетких данных как неопределенных чисел
- Методология представления агрегата в виде комплексного механизма
- 3.2.2. Описание исходной информации на языке размытых множеств
- Размытость интервалов, ограничений, критериев и целей управления в эксплуатации и диагностике
- 3.3.3. Размытые ограничения, цели и оптимизация работы агрегата в условиях нечеткой информации о состоянии
- Анализ информации для диагностики и оценивания состояния механизмов
- 3.5. Оценки погрешностей измерений и наблюдений за состоянием агрегатов
- Влияние погрешностей исходных данных на погрешности диагноза
- Глава 4. Источники информации и причины возникновения ее неопределенности
- 4. 2. Управление и идентификация на объекте в условиях неопределенности информации на основе знаний, получаемых при функциональной диагностике
- Тогда множество диагностических признаков g также будет нечетким
- 4.3.Представление и использование чётких и «размытых» знаний в математических моделях оценивания состояния агрегатов, на основе функциональной диагностики
- 4.3.1.Формализация решения задачи оценивания состояния
- 4.3.2. Особенности решения задач контроля и функционирования агрегата
- Глава 5. Введение в генетическое программирование
- 5.1. Введение в генетические и эволюционные алгоритмы
- 5.2. Сравнительный анализ эволюционных алгоритмов
- 5.3. Генетическое программирование
- 5.4. Перспективные направления развития гп
- Глава 6. Введение в нейронные сети
- 6.1. Алгоритмы их обучение и эластичные нейро-нечеткие системы
- 6.2. Имитация нервных клеток
- 6.3. Математическая модель нейрона
- 6.4. Обучение нейронных сетей
- 6.5. Метод обратного распространения ошибки
- 6.6. Алгоритм настройки нейронной сети
- Глава 7. Другие методы нечетких технологий для построения
- 7.1. Введение в теорию возможностей и смысла
- 7.1.1. Неопределенность и неточность
- 7.1.2. Традиционные модели неточности и неопределенности
- 7.1.3. Меры неопределенности
- 7.1.4. Меры возможности и необходимости
- 7.1.5. Возможность и вероятность
- 7.2. Языки и технологии логического программирования prolog, lisp
- Глава 8. Послесловие
- 8.1. Эволюция искусственного интеллекта для развития интеллектуальных
- 8.2.Экспертные системы нового уровня
- 8.3. Роботика
- 8.4. Преобразование речи искусственного языка
- 8.5. Интеллект муравьёв и его использование
- 8.6. Искусственная жизнь, мозг, познание, разум, память и мышление
- 8.7. Боты
- Optimizator подсистемы диагностики состояния энергоустановок, skais, для решения задач технического обслуживания
- Заключение
- Заключение
- Литература