Треугольное нечеткое число с центром в точке. Наиболее важные нечеткие импликации. Поиск на множестве векторных оценок отношения эквивалентности, которое однозначно определяет искомое разбиение. Формирование базы правил для нечеткого классификатора.
При низкой оригинальности работы "Разработка программы построения нечеткого классификатора на основе наблюдаемых данных", Вы можете повысить уникальность этой работы до 80-100%
, где a - название переменной, U - универсальное множество (область определения a), А - нечеткое множество на U с функцией принадлежности , описывающее ограничения на значение нечеткой переменной. , где b - название переменной; Т - базовое терм-множество или множество основных лингвистических значений (термов) переменной b, причем каждому из них соответствует нечеткая переменная с функцией принадлежности, заданной на U; G - синтаксическое правило, описывающее процесс образования из множества Т новых значений лингвистической переменной (называется расширенным терм-множеством); М - семантическое правило, согласно которому новые значения лингвистической переменной b, полученные с помощью G, отображаются в нечеткие переменные (это может быть процедура экспертного опроса, позволяющая приписать каждому новому значению, образованному процедурой G, некоторую семантику путем формирования соответствующего нечеткого множества). Треугольным нечетким числом А с центром в точке а, левой шириной и правой шириной называется нечеткое множество А с функцией принадлежности вида База правил может быть представлена как нечеткое отношение между лингвистическими термами посылок и заключений В этой модели каждое правило содержит все возможные термы следствий, причем со своим весовым коэффициентом, заданным соответствующим элементом нечеткого отношения. Априорное правило является нечетким описанием в n-мерном пространстве свойств и последовательность правил является свежей (нечеткой) меткой класса из множества : Здесь обозначает число свойств, - входной вектор, - вывод i-го правила и предшествующие нечеткие множества.
Вывод
В ходе выполнения курсовой работы были изучены
- основы нечеткого моделирования
- модель и принцип работы нечеткого классификатора
- процесс проектирования нечеткого классификатора и формирования базы правил
Была разработана программа, выполняющая построение нечеткого классификатора на основе наблюдаемых данных.
Целью дальнейших исследований является изучение и применения генетического алгоритма для оптимизации базы правил
Список литературы
нечеткий импликация эквивалентность классификатор
1. Леденева Т.М. Основы нечеткого моделирования в среде MATLAB: учебное пособие / Т.М. Леденева, Д.С. Татаркин, А.С. Тарасова. - Воронеж: ЛОП ВГУ, 2006. - 51 с.
2. Леденева Т.М. Обработка нечеткой информации / Т.М. Леденева. - Воронеж: ВГУ, 2006. - 232 с.
3. Roubos J.A. Learning Fuzzy Classification Rules from Labeled Data. / J.A. Roubos, M. Setnes, J. Abonyi. // Elsevier Preprint, 2001.
4. Рутковская Д. Нейронные сети, генетические алгоритмы и нечеткие системы. / Рутковская Д., Пилинский М., Рутковский Л. - Москва: Горячая линия - Телеком, 2004. - 315 с.
5. Тэрано Т. Прикладные нечеткие системы. / Тэрано Т., Асаи К., Сугено М. - Москва: Мир, 1993. - 386 с.
