Использование генетических алгоритмов для оптимизации базы правил
Характеристика методов нечеткого моделирования и изучение системы кластеризации в пакетах прикладных программ. Разработка и реализация алгоритма для оптимизации базы правил нечеткого классификатора с помощью генетического алгоритма аппроксимации функции.
| Рубрика | Программирование, компьютеры и кибернетика |
| Вид | дипломная работа |
| Язык | русский |
| Дата добавления | 21.06.2014 |
| Размер файла | 1,9 M |
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.
Представляют собой статические классы (классы, все члены которых являются статическими), содержащие нечеткие операции. Каждый метод, представляющий собой нечеткую операцию, помечается соответствующим атрибутом: implicationAttribute, TNormAttribute, SNormAttribute, DefuzzificationAttribute. С помощью этих атрибутов во время выполнения можно найти и использовать все доступные операторы. Таким образом, для добавления в программу нового оператора, достаточно описать его в одном из данных статических классов и пометить соответствующим аттрибутом. Опреатор сразу становится доступным во всей программе (в пользовательском интерфейсе при нахождении решения).
Нечеткая система представлена классом FuzzySystem:
|
FuzzySystem() |
Конструктор, принимающий все параметры нечеткой системы: набор правил, левую и правую границы, число точек в дискретном представлении нечеткой переменной, t- и s-нормы, импликацию, дефазификацию. |
|
|
Process() |
Ставит в соответствие входному x выходной y, полученный в результате работы данной нечеткой системы. |
5.4 Пример
Для примера были выбраны следующие параметры:
- t- и s-нормы: Заде
- импликация - Фодор
- дефаззификация - центр тяжести
- границы - [0,10]
- число точек в дискретном представлении переменной - 100
- число итераций - 100
- число правил - 5
Результат:
если A1(0.07, 0.14, 2.01, 2.77), то B1(0.03, 0.17, 1.71, 2.66)
если A2(0.27, 2.19, 4.43, 4.99), то B2(0.77, 1.95, 3.92, 4.22)
если A3(3.53, 4.51, 6.54, 7.25), то B3(3.35, 4.11, 6.41, 6.89)
если A4(5.17, 6.65, 8.50, 9.11), то B4(5.28, 6.57, 8.05, 8.61)
если A5(7.13, 8.61, 9.88, 9.96), то B5(7.43, 8.21, 9.75, 9.96)
Среднеквадратическая ошибка равна 0,145163120153378
Результат, полученный в пакете MatLab, при использовании в качестве базы правил результат работы генетического алгоритма, представлен на рисунке 9:
Рисунок 9 - результат, полученный в пакете MatLab.
ЗАКЛЮЧЕНИЕ
В результате проделанной работы были изучены и освоены методы нечеткого моделирования.
Был разработан и реализован алгоритм для оптимизации базы правил нечеткого классификатора на основе наблюдаемых данных с помощью генетического алгоритма, минимизирующий среднеквадратическую ошибку аппроксимации функции y=x. В результате вычислений была получена среднеквадратическая ошибка, равная 0,145163120153378.
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ
1. Бериков В. С. Современные тенденции в кластерном анализе // Всероссийский конкурсный отбор обзорно-аналитических статей по приоритетному направлению «Информационно-телекоммуникационные системы» / В. С. Бериков, Г.С. Лбов, 2008. -- 26 с.
2. Леденева Т. М. Основы нечеткого моделирования в среде MatLab: учеб. пособие / Т. М. Леденева, Д. С. Татаркин, А. С. Тарасова - Воронеж: ВГУ, 2006. - 51с.
3. Пегат А. Нечеткое моделирование и управление / А. Пегат. - М. Бином. Лаборатория знаний, 2013. - 798 с.
4. Рутковская Д. Нейронные сети, генетические алгоритмы и нечеткое системы / Д. Рутковская, М. Пильньский, Л. Рутковский. - М.: Горячая линия Телеком, 2006ю - 452 с.
5. Леденева Т. М. Обработка нечеткой информации : учебное пособие / Т.М. Леденева .-- Воронеж : ВГУ, 2006 .-- 233 с.
6. Roubos H. Learning Fuzzy Classi?cation Rules from Labeled Data / H. Roubos, M. Setnes, J. Abonyi // Information sciences. - 2003. - № 150
7. Гладков Л. А. Генетические алгоритмы / Л. А. Гладков, В. В. Курейчик, В. М. Курейчик. - М.:Физматлит, 2006. - 320 с.
8. Каширина И. Л. Введение в эволюционное моделирования: учебное пособие / И. Л. Каширина. - Воронеж:ВГУ, 2006. - 39 с.
9. Whitley D. A Genetic Algorithm Tutorial / D. Whitley, 1993. - 373с.
10. SAS Россия/СНГ : [Сайт]. - (URL: http://www.sas.com/) (дата обращения: 10.04.2014)
11. Википедия: [Сайт]. - (URL: http://ru.wikipedia.org/) (дата обращения: 10.04.2014)
12. Факторный, дискриминантный и кластерный анализ: Пер. с англ./Дж.-О. Ким, Ч. У. Мьюллер, У. Р. Клекка и др.; Под ред. И. С. Енюкова. -- М.: Финансы и статистика, 1989.-- 215 с.
13. База знаний кафедры ИКТ: [Сайт]. - (URL: http://wiki.auditory.ru/ ) (дата обращения: 10.04.2014)
14. Ту Дж. Принципы распознавания образов / Дж. Ту, Р. Гонсалес. - М: Мир, 1978. - 109-112 с.
15. Jain A. K. Algorithms for Clustering Data / A. K. Jain, R. C. Dubes. - Prentice-Hall, 1981
16. Загоруйко Н. Г. Прикладные методы анализа данных и знаний / Загоруйко Н. Г. - Новосибирск: Изд-во Ин-та математики, 1999. - 270 с.
17. Русские Латвии: [Сайт]. - (URL: http://www.russkije.lv/ ) (Дата обращения 12.04.2014)
Размещено на Allbest.ru
Подобные документы
Начальное представление систем нечеткого вывода: логический вывод, база знаний. Алгоритм Мамдани в системах нечеткого вывода: принцип работы, формирование базы правил и входных переменных, агрегирование подусловий, активизация подзаключений и заключений.
курсовая работа [757,3 K], добавлен 24.06.2011Описание генетических алгоритмов. Применение генетического алгоритма для решения задачи коммивояжера. Постановка задачи безусловной оптимизации. Изучение распространения генетических алгоритмов на модель с несколькими взаимодействующими популяциями.
дипломная работа [979,1 K], добавлен 30.05.2015Основные генетические операторы. Схема функционирования генетического алгоритма. Задачи, решаемые с помощью генетических алгоритмов. Математическая постановка задачи оптимизации. Решение Диофантова уравнения. Программная реализация. Создание пособия.
курсовая работа [391,4 K], добавлен 20.02.2008Понятие и суть нечеткой логики и генетических алгоритмов. Характеристика программных пакетов для работы с системами искусственного интеллекта в среде Matlab R2009b. Реализация аппроксимации функции с применением аппарата нечеткого логического вывода.
курсовая работа [2,3 M], добавлен 23.06.2012Комплексное исследование истории развития, основных понятий, области применения и особенностей генетических алгоритмов. Анализ преимуществ генетических алгоритмов. Построение генетического алгоритма, позволяющего находить максимум целочисленной функции.
курсовая работа [27,9 K], добавлен 23.07.2011Решение задачи аппроксимации поверхности при помощи системы нечёткого вывода. Определение входных и выходных переменных, их термы; алгоритм Сугено. Подбор функций принадлежности, построение базы правил, необходимых для связи входных и выходных переменных.
курсовая работа [1,8 M], добавлен 31.05.2014Основные особенности эволюционных алгоритмов. Описание алгоритмов селекции, мутации, скрещивания, применяемых для реализации генетических алгоритмов. Вычисление функции приспособленности. Программная реализация. Тестирование и руководство пользователя.
курсовая работа [1,3 M], добавлен 11.03.2014Описание принципа работы генетического алгоритма, проверка его работы на функции согласно варианту на основе готовой программы. Основные параметры генетического алгоритма, его структура и содержание. Способы реализации алгоритма и его компонентов.
лабораторная работа [20,2 K], добавлен 03.12.2014Основные этапы систем нечеткого вывода. Правила нечетких продукций, используемые в них. Нечеткие лингвистические высказывания. Определение алгоритмов Цукамото, Ларсена, Сугено. Реализации нечеткого вывода Мамдани на примере работы уличного светофора.
курсовая работа [479,6 K], добавлен 14.07.2012Методы, системы, типы и способы проводимых измерений в автоматизированных системах медицинского обеспечения безопасности на транспорте. Проектирования нечеткого алгоритма предрейсовых медицинских осмотров на основе адаптивной сети нейро-нечеткого вывода.
дипломная работа [6,5 M], добавлен 06.05.2011
