ідразу стає доступним у всій програмі (в інтерфейсі при знаходженні рішення).
Нечітка система представлена ??класом FuzzySystem:
FuzzySystem () Конструктор, який приймає всі параметри нечіткої системи: набір правил, ліву і праву кордону, число точок у дискретному поданні нечіткої змінної, t- і s-норми, імплікації, дефазіфікацію.Process () Ставить у відповідність вхідного x вихідний y, отриманий в результаті роботи даної нечіткої системи.
5.4 Приклад
Для прикладу були обрані наступні параметри:
- t- і s-норми: Заде
- імплікація - Фодор
- дефазифікація - центр ваги
- межі - [0,10]
- число точок у дискретному поданні змінної - 100
- число ітерацій - 100
- число правил - 5
Результат:
якщо A 1 (0.07, 0.14, 2.01, 2.77), то B 1 (0.03, 0.17, 1.71, 2.66)
якщо A 2 (0.27, 2.19, 4.43, 4.99), то B 2 (0.77, 1.95, 3.92, 4.22)
якщо A 3 (3.53, 4.51, 6.54, 7.25), то B 3 (3.35, 4.11, 6.41, 6.89)
якщо A 4 (5.17, 6.65, 8.50, 9.11), то B 4 (5.28, 6.57, 8.05, 8.61)
якщо A 5 (7.13, 8.61, 9.88, 9.96), то B 5 (7.43, 8.21, 9.75, 9.96)
Среднеквадратическая помилка дорівнює +0,145163120153378
Результат, отриманий в пакеті MatLab, при використанні в якості бази правил результат роботи генетичного алгоритму, представлений на малюнку 9:
Малюнок 9 - результат, отриманий в пакеті MatLab.
ВИСНОВОК
У результаті проведеної роботи були вивчені й освоєні методи нечіткого моделювання.
Був розроблений і реалізований алгоритм для оптимізації бази правил нечіткого класифікатора на основі спостережуваних даних за допомогою генетичного алгоритму, минимизирующий среднеквадратическую помилку апроксимації функції y=x . У результаті обчислень була отримана среднеквадратическая помилка, рівна +0,145163120153378.
СПИСОК ВИКОРИСТАНИХ ДЖЕРЕЛ
. Берік В. С. Сучасні тенденції в кластерному аналізі//Всеросійський конкурсний відбір оглядово-аналітичних статей по пріоритетному напрямку «Інформаційно-телекомунікаційні системи»/В. С. Берік, Г.С. Лбов, 2008. - 26 с.
. Леденева Т. М. Основи нечіткого моделювання в середовищі MatLab: навч. посібник/Т. М. Леденева, Д. С. Татаркін, А. С. Тарасова - Воронеж: ВДУ, 2006. - 51с.
. Пегат А. Нечітке моделювання та управління/А. Пегат.- М. Біном. Лабораторія знань, 2013. - 798 с.
4. Рутковська Д. Нейронні мережі, генетичні алгоритми і нечітке системи/Д. Рутковська, М. Пільньскій, Л. Рутковський.- М .: Гаряча лінія Телеком, 2006ю - 452 с.
5. Леденева Т. М. Обробка нечіткої інформації: навчальний посібник/Т.М. Леденева .- Воронеж: ВДУ, 2006.- 233 с.
. Roubos H. Learning Fuzzy Classi? Cation Rules from Labeled Data/H. Roubos, M. Setnes, J. Abonyi//Information sciences.- 2003. - № 150
7. Гладков Л. А. Генетичні алгоритми/Л. А. Гладков, В. В. Курейчик, В. М. Курейчик.- М.: Фізматліт, 2006. - 320 с.
. Каширіна І. Л. Введення в еволюційне моделювання: навчальний посібник/І. Л. Каширіна.- Воронеж: ВДУ, 2006. - 39 с.
9. Whitley D. A Genetic Algorithm Tutorial/D. Whitley, 1993. - 373с.
10. SAS Росія/СНД: [Сайт].- (URL: lt; http: //sas/gt; ) (дата звернення: 10.04.2014)
. Вікіпедія: [Сайт].- (URL: lt; http: //ru.wikipedia/gt; ) (дата звернення: 10.04.2014)
. Факторний, дискримінантний та кластерний аналіз: Пер. з англ./Дж.-О. Кім, Ч. У. Мьюллер, У. Р. Клекка та ін .; Под ред. І. С. Енюкова.- М .: Фінанси і статистика, 1989. - 215 с.
. База знань кафедри ІКТ: [Сайт].- (URL: lt; http: /...
