Представление реализации системы нечеткого вывода с использованием генетических алгоритмов и экспертных знаний. Использование мнений экспертов, выраженных в виде правил. Возможность по выделению первичных данных из файла путем применения алгоритма.
При низкой оригинальности работы "Программа нечеткого вывода, построенная с использованием генетических алгоритмов и знаний экспертов", Вы можете повысить уникальность этой работы до 80-100%
ПРАВИТЕЛЬСТВО РОССИЙСКОЙ ФЕДЕРАЦИИ ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ АВТОНОМНОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ ВЫСШЕГО ОБРАЗОВАНИЯ НАЦИОНАЛЬНЫЙ ИССЛЕДОВАТЕЛЬСКИЙ УНИВЕРСИТЕТ «ВЫСШАЯ ШКОЛА ЭКОНОМИКИ» Факультет компьютерных наук Департамент программной инженерии УТВЕРЖДАЮ Академический руководитель образовательной программы «Программная инженерия», профессор департамента программной инженерии, канд. техн. наук «Программа нечеткого вывода, построенная с использованием генетических алгоритмов и знаний экспертов» по направлению подготовки 09.03.04 «Программная инженерия» Выполнил студент группы БПИ121 4 курса бакалавриата образовательной программы «Программная инженерия» ______М.Е.Для преодоления этих трудностей предложена реализация системы нечеткого вывода, а для лучшей приспособленности к специфике каждой задачи предлагается применение генетических алгоритмов во время обучения системы нечеткого вывода. Помимо этого, чтобы уменьшить влияние неточностей, которые могут возникать во время улучшения системы нечеткого вывода, предложено использование мнений экспертов, выраженных в виде правил. Использование веб-технологий в реализации программы позволяет сделать систему нечеткого вывода проще в обращении экспертами и инженерами, которые поддерживают ее работоспособность и актуальность системы для решения задач компании. База данных - часть базы знаний, хранящая в себе информацию о нечетких множествах и переменных. База правил - часть базы знаний, хранящая в себе информацию о правилах, используемых системой для получения результата.Ввиду того, что каждая компания пытается получить максимальный результат при выполнении работы, то при принятии решения, например, относительно выбора технологического стека для нового проекта или найма нового сотрудника под проект, необходимо использовать методы и инструменты, которые помогут упростить этот процесс. Чаще всего, в таких случаях обращаются за помощью к экспертам или анализируют похожие проекты, с целью уменьшения рисков неправильного выбора, так как к таким задачам мало применимы методы качественного анализа. Проблема возникает, когда компания находится на стадии становления и проектов сделано достаточно мало, и/или нет доступных экспертов, которые могли бы помочь определиться с выбором. Помимо этого, эксперты выражают свои мнения на естественном языке, и при переводе этих мнений (суждений, идей и заключений) в числовой вид может теряться или претерпеть изменения значимая информация. В ряде имеющихся публикаций были предложены различные подходы к решению подобных проблем - например, можно отметить использование таблиц для принятия решений, анализ экспертных знаний, применение автоматических обучающихся систем и математического моделирования [4, 2].Данной работой преследуется цель систематизировать процесс работы над данными с неопределенностями и позволить специалистам более обосновано принимать решения в ходе выполнения задач в рамках проекта, где невозможно применить качественный анализ. В нечеткой логике особое внимание уделяется системам нечеткого вывода ввиду специфики темы работы, поэтому основной акцент рассмотрения источников направлен именно на них. Генетические алгоритмы представляют интерес с точки зрения улучшения составных частей системы нечеткого вывода, о которых подробно рассказано в главе 2 работы. Так как в работе предусмотрено получение мнений экспертов, то публикациям по извлечению и обработке мнений экспертов также уделено особое внимание. Большинство публикаций по системам нечеткого вывода затрагивают прикладные темы, например, такие, как системы автоматического контроля (Роберт Бабушка (Robert Babuska) «Fuzzy Modeling for Control») и системы распознавания образов (Жеру Чи (Zheru Chi), Хон Ян (Hong Yan), Туан Фам (Tuan Pham) «Fuzzy Algorithms: With Applications to Image and Pattern Recognition»).У программы имеется достаточно простой пользовательский интерфейс для возможности проводить исследования при выборе того или иного алгоритма или комбинации алгоритмов (Рис. В программе реализовано несколько алгоритмов, и из этого набора ценность для анализа представляют алгоритмы и системы, в основе своей поддерживающие нечеткий подход. Более подробно о самой системе и работе с ней написано на главном сайте проекта [9] и в статье Дж. К преимуществам программы можно отнести возможность работы с нечеткими множествами второго типа, различные методики по улучшению систем нечеткого вывода с использованием генетических алгоритмов и алгоритмов машинного обучения, в частности, нейронных сетей, и возможность производить кластеризацию данных, что в данной работе является ключевым аспектом. Недостатками системы можно считать отсутствие какой-либо возможности работы с экспертами (в первую очередь, программа ориентирована больше на исследователей) и невозможность изменения отдельных частей внутри систем, так как все алгоритмы базируются на конкретных статьях (исследованиях), что и определяет четко определенные наборы задействованных в них компонент.
План
Содержание
Реферат................................................................................................................................................2 Abstract................................................................................................................................................3 Термины и определения....................................................................................................................4 Введение...........................................................................................................................................10
Глава 1. Краткий обзор используемых источников и программных решений в контексте основной задачи проекта.................................................................................................................12
Глава 2. Теоретические основы работы.........................................................................................21 2.1. Нечеткая логика......................................................................................................21 2.2. Нечеткие множества ..............................................................................................22 2.3. Системы нечеткого вывода...................................................................................26 2.4. Свойства нечеткой системы: непротиворечивость и полнота...........................29 2.4.1. Полнота базы знаний ......................................................................................29 2.4.2. Непротиворечивость правил ..........................................................................29
2.5. Кластеризация данных...........................................................................................30 2.6. Генетические алгоритмы.......................................................................................32 2.6.1. Структура генетического алгоритма.............................................................34 2.6.2. Генетические операторы.................................................................................35 2.6.3. Условие выхода из алгоритма........................................................................36 2.7. Генетические системы нечеткого вывода............................................................36 2.7.1. Генетическое улучшение характеристик системы нечеткого вывода .......37 2.7.2. Генетическое обучение базы знаний.............................................................37 2.7.3. Методы кодирования хромосом ....................................................................39 2.8. Экспертные знания.................................................................................................40
Глава 3. Модель улучшения и обучения системы нечеткого вывода и программная реализация ........................................................................................................................................41
3.1. Описание данных...................................................................................................41 3.2. Описание модели....................................................................................................41
8
3.3. Программная реализация.......................................................................................45 3.3.1. Модуль обучения СНВ ...................................................................................46 3.3.2. Модуль обработки запросов пользователей.................................................54 3.3.3. Интерфейс пользователя.................................................................................58 Заключение.......................................................................................................................................61 Список литературы..........................................................................................................................63 Приложения......................................................................................................................................65
