Отправить другу/подруге по почте ссылку на эту страницуВариант этой страницы для печатиНапишите нам!Карта сайта!Помощь. Как совершить покупку…
московское время28.03.24 21:11:25
На обложку
Многогрупповые методы расчёта защиты от нейтроновавторы — Бергельсон Б. Р., Суворов А. П., Торлин Б. З.
Источники по русской истории и литературе: Средневековье…авторы — Покровский Н. Н., ред.
Одиссей. Человек в истории. 2008: Script/Oralia: взаимодействие…авторы — Чубарьян А. О., ред.
б у к и н и с т и ч е с к и й   с а й т
Новинки«Лучшие»Доставка и ОплатаМой КнигоПроводО сайте
Книжная Труба   поиск по словам из названия
Авторский каталог
Каталог издательств
Каталог серий
Моя Корзина
Только цены
Рыбалка
Наука и Техника
Математика
Физика
Радиоэлектроника. Электротехника
Инженерное дело
Химия
Геология
Экология
Биология
Зоология
Ботаника
Медицина
Промышленность
Металлургия
Горное дело
Сельское хозяйство
Транспорт
Архитектура. Строительство
Военная мысль
История
Персоны
Археология
Археография
Восток
Политика
Геополитика
Экономика
Реклама. Маркетинг
Философия
Религия
Социология
Психология. Педагогика
Законодательство. Право
Филология. Словари
Этнология
ИТ-книги
O'REILLY
Дизайнеру
Дом, семья, быт
Детям!
Здоровье
Искусство. Культурология
Синематограф
Альбомы
Литературоведение
Театр
Музыка
КнигоВедение
Литературные памятники
Современные тексты
Худ. литература
NoN Fiction
Природа
Путешествия
Эзотерика
Пурга
Спорт

/Наука и Техника/Математика

Нечёткие модели и сети — Борисов В. В., Круглов В. В., Федулов А. С.
Нечёткие модели и сети
Научное издание
Борисов В. В., Круглов В. В., Федулов А. С.
год издания — 2007, кол-во страниц — 284, ISBN — 5-93517-278-X, тираж — 1500, язык — русский, тип обложки — мягк., масса книги — 270 гр., издательство — Горячая линия - Телеком
КНИГА СНЯТА С ПРОДАЖИ
Сохранность книги — хорошая

Р е ц е н з е н т ы:
д-р тех. наук, проф. В. Н. Вагин
д-р тех. наук, проф. А. И. Галушкин

Формат 60x88 1/16. Печать офсетная
ключевые слова — нечётк, нейронн, когнитив, интеллект, нейросет, кохонен, fuzzy

Книга посвящена исследованию нечётких моделей, используемых для описания, анализа и моделирования сложных слабо формализуемых систем и процессов, а также вопросам построения, обучения и использования, во-первых, нечётких нейронных сетей, реализующих нечёткие продукционные, реляционные и функциональные модели, во-вторых, нейронных нечётких сетей, характеризующихся введением нечёткости в различные компоненты традиционных нейронных сетей. Рассмотрены основные разновидности нечётких моделей систем и процессов, отображаемых структурами на основе графов. Особое внимание уделено анализу способов построения, моделирования и использования нечётких когнитивных карт, реализующих расширенные возможности по анализу и моделированию сложных систем.

Для специалистов в области информатики, вычислительной техники, анализа и моделирования сложных систем и процессов, занимающихся созданием и использованием интеллектуальных систем, а также для аспирантов и студентов соответствующих специальностей.


Нечёткое моделирование не является альтернативой различным подходам к моделированию сложных систем и процессов, а прежде всего предоставляет эффективные методы и средства для их изучения в следующих основных сферах применения.

Во-первых, недостаточность или неопределённость знаний об исследуемой системе, когда получение требуемой информации является сложной, трудоёмкой, дорогостоящей или вовсе невозможной задачей. При этом чёткие модели не могут быть получены либо они являются слишком сложными для практического использования. Значимая же часть информации об этих системах доступна в виде экспертных данных или в эвристическом описании процессов функционирования. Эта информация может быть нечёткой и недостаточно определённой для того, чтобы быть выраженной математическими зависимостями. Кроме того, информация о системе может быть разнокачественной, а оценка значений параметров — проводиться с помощью различных шкал. Однако зачастую возможно описать функционирование этих систем в виде эвристических предпочтений, используя конструкции естественного языка в форме нечётких правил или отношений различного типа. Другой аспект неопределённости знаний о системе связан с неясностью или нечёткостью выделения и описания границы системы или отдельных её состояний, а также входных и выходных воздействий.

Во-вторых, адекватная обработка неопределённой информации, если параметры и входные данные не являются точными и корректно представленными. Часто традиционные методы не только не позволяют адекватно обработать данные, но также не позволяют учесть естественно присущую этим данным неопределённость. Нечёткая логика и теория нечётких множеств являются одним из эффективных подходов к решению данной проблемы.

В-третьих, «прозрачное» моделирование и идентификация реальных систем, которые являются нелинейными в своей основе и не могут быть представлены моделями, использующими существующие методы идентификации. В последнее время серьёзное внимание уделяется развитию методов идентификации нелинейных систем на основе экспериментальных данных. Однако, сравнивая нечёткие модели с другими известными методами, например с искусственными нейронными сетями, можно отметить их большую прозрачность, которая возможна благодаря их лингвистической интерпретации в виде нечётких продукционных правил. Логическая структура этих правил способствует пониманию и анализу системы количественно-качественными методами.

В зависимости от назначения постулаты и положения теории нечётких множеств и нечёткой логики в нечётких моделях могут использоваться: непосредственно при описании системы, при задании параметров системы, при задании входов, выходов и состояний системы. Основные трудности при использовании нечётких моделей для решения практических задач связаны, как правило, с априорным определением компонентов этих моделей (нечётких высказываний, функций принадлежности для каждого значения лингвистических переменных, структуры базы нечётких правил и др.). Поскольку эти компоненты зачастую выбираются субъективно, они могут быть не вполне адекватны моделируемой системе или процессу.

Основное же преимущество нейросетевого подхода — возможность выявления закономерностей в данных, их обобщение, т. е. извлечение знаний из данных, а основной недостаток — невозможность непосредственно (в явном виде, а не в виде вектора весовых коэффициентов межнейронных связей) представить функциональную зависимость между входом и выходом исследуемого объекта. Другим недостатком нейросетевого подхода является трудность формирования представительной выборки, большое число циклов обучения и забывание «старого» опыта, сложность определения размера и структуры нейронной сети.

Подходы к исследованию сложных систем на основе нечётких и нейросетевых моделей взаимно дополняют друг друга, поэтому целесообразна их интеграция на основе принципа «мягких» вычислений (Soft Calculation). Основы построения таких моделей сводятся к следующему: терпимость к нечёткости и частичной истинности используемых данных для достижения интерпретируемости, гибкости и низкой стоимости решений.

В части I книги выделено три основных класса нечётких моделей, доминирующих в рамках нечёткого подхода к анализу и моделированию сложных систем, а также различные классы нечётких сетей (и способы их интеграции с искусственными нейронными сетями), используемых для построения и анализа этих моделей.

В части II рассмотрены нечёткие продукционные модели, являющиеся наиболее общим видом нечётких моделей, используемых для описания, анализа и моделирования сложных систем и процессов. Проанализированы и классифицированы основные компоненты, определяющие создание и применение нечётких продукционных моделей. Рассмотрены получившие наибольшее распространение алгоритмы нечёткого вывода. Представлены нечёткие реляционные модели, а также проиллюстрировано их подобие нечётким продукционным моделям.

В части III предложена классификация нечётких нейронных продукционных сетей и рассмотрены различные способы и средства интеграции нечётких продукционных моделей с нейронными сетями, в которых нейросетевая технология используется в качестве инструмента для реализации компонентов адаптивных нечётких продукционных моделей.

В части IV предложена классификация и рассмотрены различные типы нейронных нечётких сетей, характеризующиеся введением нечёткости в различные компоненты традиционных нейронных сетей (в элементы структуры и механизмы обучения и функционирования) на основе положений теории нечётких множеств и нечёткой логики.

В части V книги рассмотрены основные разновидности нечётких моделей систем и процессов, отображаемых некоторыми структурами на основе графов (логико-временными последовательностями, пространственной распределённостью, функциональной взаимосвязанностью, причинно-следственными отношениями): нечёткие автоматы, нечёткие сети Петри, нечёткие ситуационные сети и нечёткие когнитивные карты. Особое внимание уделено анализу способов построения, моделирования и использования нечётких когнитивных карт, реализующих расширенные возможности по анализу и моделированию сложных систем.

ВВЕДЕНИЕ

ОГЛАВЛЕНИЕ

ВВЕДЕНИЕ3
 
ЧАСТЬ I. КЛАССИФИКАЦИЯ СИСТЕМ И НЕЧЁТКИХ МОДЕЛЕЙ6
 
Глава 1. ПОНЯТИЕ СИСТЕМЫ. КЛАССИФИКАЦИЯ
И ХАРАКТЕРИСТИКА СИСТЕМ
6
 
1.1. Понятие и определения системы6
1.2. Классификация систем7
 
Глава 2. КЛАССИФИКАЦИЯ МОДЕЛЕЙ СИСТЕМ10
 
Глава 3. ОБЛАСТИ ПРИМЕНЕНИЯ И КЛАССИФИКАЦИЯ
НЕЧЁТКИХ МОДЕЛЕЙ
16
 
3.1. Области применения нечёткого моделирования16
3.2. Классификация нечётких моделей20
3.3. Интеграция нечётких и нейронных сетей21
 
ВЫВОДЫ22
СПИСОК ЛИТЕРАТУРЫ23
 
ЧАСТЬ II. НЕЧЁТКИЕ ПРОДУКЦИОННЫЕ И РЕЛЯЦИОННЫЕ
МОДЕЛИ
25
 
Глава 4. НЕЧЁТКИЕ ПРОДУКЦИОННЫЕ МОДЕЛИ25
 
4.1. Компоненты нечётких продукционных моделей25
4.2. Способы нечёткого вывода26
4.3. Создание базы нечётких продукционных правил32
4.4. Введение нечёткости49
4.5. Агрегирование степени истинности предпосылок правил50
4.6. Активизация заключений правил52
4.7. Аккумулирование активизированных заключений правил54
4.8. Приведение к чёткости54
4.9. Параметрическая оптимизация конечной базы нечётких правил60
 
Глава 5. АЛГОРИТМЫ НЕЧЁТКОГО ВЫВОДА62
 
5.1. Алгоритм нечёткого вывода Мамдани62
5.2. Алгоритм нечёткого вывода Ларсена65
5.3. Алгоритм нечёткого вывода Цукамото66
5.4. Упрощённый алгоритм нечёткого вывода68
5.5. Алгоритм нечёткого вывода Такаги-Сугэно69
5.6. Алгоритм нечёткого вывода на основе нечёткой продукционной
модели с адаптацией операций над нечёткими множествами71
5.7. Аппроксимационные свойства нечётких продукционных моделей75
 
Глава 6. НЕЧЁТКИЕ РЕЛЯЦИОННЫЕ МОДЕЛИ И РЕЛЯЦИОННОЕ
ПРЕДСТАВЛЕНИЕ НЕЧЁТКИХ ПРОДУКЦИОННЫХ МОДЕЛЕЙ
83
 
6.1. Нечёткие реляционные модели83
6.2. Реляционное представление нечёткого вывода с использованием
отдельных правил84
6.3. Реляционное представление нечёткого вывода с использованием
базы правил87
6.4. Подобие нечётких реляционных и продукционных моделей88
 
ВЫВОДЫ90
СПИСОК ЛИТЕРАТУРЫ91
 
ЧАСТЬ III. НЕЧЁТКИЕ НЕЙРОННЫЕ ПРОДУКЦИОННЫЕ СЕТИ95
 
Глава 7. НЕЧЁТКИЕ НЕЙРОННЫЕ ПРОДУКЦИОННЫЕ СЕТИ
С ПАРАМЕТРИЧЕСКОЙ ОПТИМИЗАЦИЕЙ ПРАВИЛ НА ОСНОВЕ
АЛГОРИТМОВ ОБУЧЕНИЯ
97
 
7.1. Нечёткие нейронные продукционные сети типа ANFIS97
7.2. Нечёткая нейронная продукционная сеть Ванта-Менделя105
7.3. Нечёткая нейронная продукционная сеть Такаги-Сугэно-КангаИЗ
 
Глава 8. НЕЧЁТКИЕ НЕЙРОННЫЕ ПРОДУКЦИОННЫЕ СЕТИ С РЕАЛИЗАЦИЕЙ
КОМПОНЕНТОВ НЕЧЁТКИХ ПРОДУКЦИОННЫХ МОДЕЛЕЙ НА ОСНОВЕ
НЕЙРОСЕТЕВОЙ ТЕХНОЛОГИИ
119
 
8.1. Построение функций принадлежности предпосылок и заключений
нечётких продукционных правил119
8.2. Формирование предпосылок нечётких продукционных правил120
8.3. Формирование заключений нечётких продукционных правил123
8.4. Разбиение пространств входных переменных и формирование
многомерных функций принадлежности предпосылок126
8.5. Нечёткие продукционные сети с представлением структуры в виде
нейронных сетей129
 
ВЫВОДЫ131
СПИСОК ЛИТЕРАТУРЫ133
 
ЧАСТЬ IV. НЕЙРОННЫЕ НЕЧЁТКИЕ СЕТИ134
 
Глава 9. НЕЙРОННЫЕ НЕЧЁТКИЕ СЕТИ С ВВЕДЕНИЕМ
НЕЧЁТКОСТИ В СТРУКТУРУ
135
 
Глава 10. НЕЙРОННЫЕ НЕЧЁТКИЕ СЕТИ НА ОСНОВЕ НЕЧЁТКИХ
НЕЙРОНОВ
141
 
Глава 11. ГИБРИДНЫЕ НЕЙРОННЫЕ НЕЧЁТКИЕ СЕТИ НА ОСНОВЕ
НЕЙРОНОВ, РЕАЛИЗУЮЩИХ НЕЧЁТКИЕ ОПЕРАЦИИ
145
 
11.1. Нейроны, реализующие нечёткие операции146
11.2. Примеры построения и использования гибридных нейронных
нечётких сетей148
 
Глава 12. ОБУЧЕНИЕ НЕЙРОННЫХ НЕЧЁТКИХ СЕТЕЙ173
 
12.1. Использование нейронных сетей с обучением с обратным
распространением ошибки для реализации нечётких моделей175
12.2. Обучение нейронных нечётких сетей типа 2 с нечёткими входами
и выходами и чёткими весами178
12.3. Обучение нейронных нечётких сетей типа 3 с нечёткими входами,
выходами и весами181
 
Глава 13. ИСПОЛЬЗОВАНИЕ НЕЧёТКИХ ПРОДУКЦИОННЫХ СЕТЕЙ
В НЕЙРОННЫХ СЕТЯХ
185
 
ВЫВОДЫ190
СПИСОК ЛИТЕРАТУРЫ191
 
ЧАСТЬ V. НЕЧЁТКИЕ МОДЕЛИ С ПРЕДСТАВЛЕНИЕМ
НА ОСНОВЕ ГРАФОВ
195
 
Глава 14. НЕЧЁТКИЕ АВТОМАТЫ195
 
14.1. Основные понятия, классификация нечётких автоматов195
14.2. Обучение нечётких автоматов201
 
Глава 15. НЕЧЁТКИЕ СЕТИ ПЕТРИ202
 
15.1. Основные понятия, классификация нечётких сетей Петри203
15.2. Нечёткие сети Петри с нечёткостью задания начальной маркировки205
15.3. Нечёткие сети Петри с нечёткостью задания начальной маркировки
и срабатывания переходов209
15.4. Нечёткие сети Петри с нечёткостью задания начальной маркировки,
времён задержки маркеров в позициях и времён срабатывания
активных переходов212
15.5. Задачи анализа свойств нечётких сетей Петри216
 
Глава 16. НЕЧЁТКИЕ СИТУАЦИОННЫЕ СЕТИ218
 
16.1. Формирование нечёткой ситуационной сети219
16.2. Задачи моделирования процессов управления на основе нечётких
ситуационных сетей226
 
Глава 17. НЕЧЁТКИЕ КОГНИТИВНЫЕ КАРТЫ230
 
17.1. Задачи построения и анализа когнитивных карт231
17.2. Обзор способов построения и анализа когнитивных карт232
17.3. Обучение нечётких когнитивных карт249
17.4. Динамическое моделирование с помощью когнитивных карт250
17.5. Требования к обобщённому представлению и анализу нечётких
когнитивных карт252
17.6. Обобщённые нечёткие продукционные когнитивные карты253
17.7. Нечёткие реляционные когнитивные карты261
 
ВЫВОДЫ275
СПИСОК ЛИТЕРАТУРЫ275

Книги на ту же тему

  1. Нечёткие множества в моделях управления и искусственного интеллекта, Аверкин А. Н., Батыршин И. 3., Блишун А. Ф., Силов В. Б., Тарасов В. Б., 1986
  2. Нейронные сети, генетические алгоритмы и нечёткие системы, Рутковская Д., Пилиньский М., Рутковский Л., 2008
  3. Нейронное программирование диалоговых систем, Толкачёв С. Ф., 2006
  4. Эволюция, нейронные сети, интеллект: Модели и концепции эволюционной кибернетики. — 5-е изд., стереотип., Редько В. Г., 2007
  5. Модернизация системы налогового контроля на основе нейросетевых информационных технологий, Букаев Г. И., Бублик Н. Д., Горбатков С. А., Саттаров Р. Ф., 2001
  6. Нейросетевые системы управления, Терехов В. А., Ефимов Д. В., Тюкин И. Ю., 2002
  7. Искусственный интеллект и интеллектуальные системы управления, Макаров И. М., Лохин В. М., Манько С. В., Романов М. П., 2006
  8. Нейросетевые системы управления, Терехов В. А., Ефимов Д. В., Тюкин И. Ю., 2002
  9. Стохастические модели обучаемости, Буш Р., Мостеллер Ф., 1962
  10. Непараметрические коллективы решающих правил, Лапко В. А., 2002
  11. Системы искусственного интеллекта, Лорьер Ж. Л., 1991
  12. Компьютерное конструирование неорганических соединений: использование баз данных и методов искусственного интеллекта, Киселёва Н. Н., 2005
  13. Компьютеры, мозг, познание: успехи когнитивных наук, Величковский Б. М., Соловьёв В. Д., ред., 2008

Напишите нам!© 1913—2013
КнигоПровод.Ru
Рейтинг@Mail.ru работаем на движке KINETIX :)
elapsed time 0.021 secработаем на движке KINETIX :)