альної ситуації кінця дев'яностих років, коли в Японії в широкому асортименті з'явилися «нечіткі» бритви, пилососи, фотокамери.
Сам термін «fuzzy» так міцно увійшов у життя, що на багатьох мовах він навіть не перекладається. У Росії як приклад можна згадати рекламу пральних машин та мікрохвильових печей фірми Samsung, що володіють штучним інтелектом на основі нечіткої логіки. Тим не менш, настільки масштабний стрибок у розвитку нечітких систем управління не випадковий. Простота і дешевизна їх розробки змушує проектувальників все частіше вдаватися до цієї технології. Після воістину вибухового старту прикладних нечітких систем в Японії багато розробників США і Європи нарешті звернули увагу на цю технологію. Але час було згаяно, і світовим лідером в області нечітких систем стала Країна висхідного сонця, де до кінця 1980-х років був налагоджений випуск спеціалізованих нечітких контролерів, виконаних за технологією НВІС.
У такій ситуації Intel знайшла воістину геніальне рішення. Маючи велику кількість різноманітних контролерів від MCS - 51 до MCS - 96, які протягом багатьох років успішно використовувалися в багатьох додатках, корпорація вирішила створити засіб розробки додатків на базі цих контролерів, але з використанням технології нечіткості. Це дозволило уникнути значних витрат на конструювання власних нечітких контролерів, а система від Intel, що отримала назву fuzzy TECH, завоювала величезну популярність не тільки в США і Європі, але й прорвалася на японський ринок.
Штучний інтелект, нейронні мережі, еволюційне програмування і нечітка логіка зараз
Сьогодні область штучного інтелекту містить в собі взаємодію нейронних мереж, еволюційного програмування і нечіткої логіки. Це показано на рис 1.
Нейро - Нечіткі мережі (НС).
Включення концепції нечіткої логіки в НС дає можливість гібридній системі мати справу з людиноподібним процесом міркувань, закладати в інформаційне поле НС апріорний досвід експертів-економістів, використовувати нечітке уявлення інформації, витягати знання з вхідного потоку економічних показників, а інтелектуальні засоби аналізу дозволяють оптимізувати витрати на модиф?? кацию та експлуатацію корпоративного сайту суб'єкта ринкових відносин.
Взаємодія між розділами науки займаються нейронними мережами, еволюційним програмуванням і нечіткою логікою.
Об'єднання можливостей нейронних мереж і нечіткої логіки є найбільш перспективним підходом до організації систем інтелектуального аналізу економічних даних. Системи нечіткої логіки компенсують дві основні «непрозорості» НС у поданні знань і пояснень результатів роботи інтелектуальної системи, т. Е. НЛ щонайкраще доповнює нейронні мережі.
Нечітка логіка дозволяє формалізувати якісну інформацію, отриману від експертів-економістів для конкретної сфери застосування, і представити сукупність отриманих знань у вигляді системи нечітких правил логічного висновку, що дозволяють аналізувати висновки, отримані в процесі роботи гібридної інтелектуальної системи.
Нейронні мережі дають можливість відобразити алгоритми нечіткого логічного висновку в структурі НС, вводячи в інформаційне поле нейронної мережі інформацію, отриману від експертів-економістів. Сформована подібним чином база знань автоматично коригується в процесі навчання нейро-нечіткої мережі виходячи з реальних значень аналізованих економічних показників і результати корекції можуть бути піддана подальшому аналізу. Важливою особливістю нейро-нечітких мереж є здатність автоматично генерувати систему нечітких правил, витягуючи приховані закономірності виданих навчальної вибірки. Під назвою адаптивної нейро-нечіткої системою виводу - ANFIS (Adaptive Neuro-Fuzzy Inference System) відома спеціалізована пейросетевая структура, що характеризується хорошою збіжністю і орієнтована на вилучення знань у вигляді системи нечітких правил з даних навчальної вибірки. ANFIS - функціональний еквівалент нечіткої моделі виведення за алгоритмом Sugcno. Таким чином, проведений аналіз показує, що знання кваліфікованих економістів для конкретної предметної області, представлені у формі нечітких правил логічного висновку, можуть бути прозорим способом відображені в структурі нейро-нечіткої мережі. Навчання нечіткої НС дозволяє не тільки налаштувати ваги зв'язків (т. Е. Відкоригувати достовірність нечітких правил логічного висновку), але й усунути суперечливість системи нечітких правил в цілому. У разі відсутності вихідної інформації з даної предметної області, але при достатньому обсязі навчальної вибірки нейро-нечітка мережа автоматично перетворює приховані в аналізованих економічних показниках закономірності в базу знань у вигляді системи правил нечіткого логічного висновку.
Рішення задач управ...
