Дипломна робота
ВИКОРИСТАННЯ генетичних алгоритмів ДЛЯ ОПТИМІЗАЦІЇ БАЗИ ПРАВИЛ
ЗМІСТ
ВСТУП
ГЛАВА 1.Задача КЛАСИФІКАЦІЇ
.1 Постановка задачі класифікації
.1.1 Методи рішення задач класифікації
.1.2 Класифікація/кластеризація в пакетах прикладних програм
.2 Критерії якості класифікації
РОЗДІЛ 2. НЕЧІТКІ СИСТЕМИ
.1 Поняття нечіткої системи
.2 Структура і етапи проектування нечіткого класифікатора
ГЛАВА 3.ПРОЕКТІРОВАНІЕ НЕЧІТКОГО КЛАСИФІКАТОРА
.1 Постановка завдання
.2 Структура моделі
.3 Керована даними ініціалізація
.4 Скорочення моделі
.4.1 Відбір властивостей на основі міжкласової отделимости
.4.2 Спрощення бази правил
ГЛАВА 4.Іспользованіе генетичних алгоритмів ДЛЯ ОПТИМІЗАЦІЇ БАЗИ ПРАВИЛ
.1 Основні поняття еволюційного програмування
.1.1 Символьна модель
.1.2 Канонічний генетичний алгоритм
.1.3 Кросовер
.1.4 Мутація
.2 Постановка завдання
.2.1 Алгоритм генерації бази знань
.2.2 Отримання «батьківського» елемента
.2.3 Мутація
.2.4 Нечіткі оператори
.2.5 Умова зупину
ГЛАВА 5.Опісаніе ПРОГРАМИ
.1 Функціональні можливості
.2 Представлення даних
.3 Реалізація
.4 Приклад
ВИСНОВОК
СПИСОК ВИКОРИСТАНИХ ДЖЕРЕЛ
кластеризація генетичний алгоритм апроксимація функції
ВСТУП
Кластерний аналіз - це науковий напрямок, що включає сукупність методів і засобів для формування угруповань схожих даних, їх інтерпретації і визначення приналежності деякого нового об'єкта до одного з угрупувань. Під кластеризацией мається на увазі саме природна групування об'єктів, у той час як віднесення об'єкта з однією з освічених груп називають класифікацією.
Особливо важливе місце кластерний аналіз займає в тих галузях науки, які пов'язані з вивченням масових явище і процесів, оскільки дозволяє виявити типові об'єкти або здійснити структуризацію заданої множини об'єктів. Кластеризацію застосовують для ефективного стиснення і зберігання даних, пошуку в базах даних, обробки зображень. Необхідність розвитку методів кластеризації та їх використання полягає, насамперед, в тому, що такі методи допомагають побудувати науково обгрунтовані класифікації, виявити внутрішні зв'язки між одиницями спостерігається сукупності.
В даний час існує значна кількість методів кластеризації/класифікації, орієнтованих на вихідну інформацію про об'єкти заданої множини. Особливий клас складають методи нечіткої класифікації, оскільки дозволяють підкреслити розпливчастий характер природних угруповань об'єктів. Об'єкт одночасно належить всім класам, але з різним ступенем. До переваг методів нечіткої класифікації відноситься використання наближеної вихідної інформації. Даний підхід реалізується на базі нечітких систем, в яких класи об'єктів описуються наближено за допомогою продукційних правил. Нечітка система, призначена для вирішення задачі класифікації, називається нечітким класифікатором. Для нечітких класифікаторів, як і для всіх нечітких систем, актуальною є задача побудови й оптимізації бази знань, яка складається з бази правил і бази даних, яка містить параметри лінгвістичних змінних, за допомогою яких описуються об'єкти заданої множини. Критерієм оптимізації є мінімізація помилок класифікації для навчальної вибірки. Для вирішення цієї проблеми застосовні еволюційні алгоритми, окремим випадком яких є генетичний алгоритм - це алгоритм, який дозволяє знайти задовільне рішення для аналітично нерозв'язних проблем через послідовний підбір і комбінування шуканих параметрів з використанням механізмів, що нагадують біологічну еволюцію.
Метою дипломної роботи є освоєння методів нечіткого моделювання і розробка алгоритму для оптимізації бази правил нечіткого класифікатора на основі спостережуваних даних за допомогою генетичного алгоритму.
РОЗДІЛ 1. ЗАВДАННЯ КЛАСИФІКАЦІЇ
1.1 Постановка завдання класифікації та методи її вирішення
Завдання класифікації є важливою проблемою в різних галузях знань. Існує величезна кількість досліджень у цій області, що призвели до великої різноманітності методів, які все більше і більше застосовуються на практиці.
Процес розбиття об'єктів заданої множини на групи близькі в деякому розумінні, називається кластеризацией. Дане поняття тісно пов'язан...
