Статья

Название статьи НЕЙРОСЕТЕВЫЕ ТЕХНОЛОГИИ, НЕЧЁТКАЯ КЛАСТЕРИЗАЦИЯ И ГЕНЕТИЧЕСКИЕ АЛГОРИТМЫ В ЭКСПЕРТНОЙ СИСТЕМЕ
Автор Н.А. Полковникова, В.М. Курейчик
Рубрика РАЗДЕЛ I. ЭВОЛЮЦИОННОЕ МОДЕЛИРОВАНИЕ, ГЕНЕТИЧЕСКИЕ И БИОНИЧЕСКИЕ АЛГОРИТМЫ
Месяц, год 07, 2014
Индекс УДК 004.891
DOI
Аннотация Показана разработка модели нечёткой экспертной системы для идентификации неисправностей сложных технических объектов с применением технологий интеллектуального анализа данных, основанных на поиске в базах данных скрытых закономерностей. Применение нейросетевых технологий позволяет обнаруживать нелинейные зависимости входных и выходных данных, повысить качество процесса диагностики объекта, что в конечном итоге позволит снизить количество аварийных ситуаций в условиях эксплуатации. Предложен способ выделения оптимального числа нечетких кластеров в пространстве обучающих примеров и определения на их основе параметров функций принадлежностей для входных переменных и результатов вывода. Рассмотрен нейро-нечёткий алгоритм кластеризации многомерных объектов в условиях неполноты и нечеткости исходной информации. Внедрение нейросетевых технологий в экспертную систему при решении задач диагностики позволит не только фиксировать показания датчиков и сравнивать их с эталонными значениями, но и производить комплексный анализ получаемых параметров объекта, прогнозируя возможность наступления сбоев в работе, как отдельных элементов, так и системы в целом. Архитектура такой экспертной системы позволяет перейти от обычного мониторинга к «информационному мониторингу» в специализированных человеко-машинных интеллектуальных системах.

Скачать в PDF

Ключевые слова Экспертная система; база знаний; нечёткая логика; лингвистическая переменная; кластеризация; генетические алгоритмы; нейронные сети.
Библиографический список 1. Полковникова Н.А., Курейчик В.М. Разработка модели экспертной системы на основе нечёткой логики // Известия ЮФУ. Технические науки. – 2014. – № 1 (150). – С. 83-92.
2. Полковникова Н.А., Курейчик В.М. Об интеллектуальном анализе баз данных для экспертной системы // Информатика, вычислительная техника и инженерное образование. – 2013. – № 2 (13). – С. 39-50.
3. Ярушкина Н. . Основы теории нечётких и гибридных систем: Учеб. пособие. – М.: Финансы и статистика, 2004. – 320 с.
4. Силич В.А., Силич М.П., Аксёнов С.В. лгоритм построения нечеткой системы логического вывода Мамдани, основанный на анализе плотности обучающих примеров // Управление, вычислительная техника и информатика. Доклады Томского государственного университета систем управления и радиоэлектроники. – 2013. – № 3 (29). – С. 76-82.
5. Алтухов А.В. Формирование нечетких правил типа Takagi-Sugeno по результатам нечеткой кластеризации // Вестник ВГУ: Системный анализ и информационные технологии. – 2008. – № 1. – С. 44-50.
6. Ярушкина Н., Чекина А.В. Кластеризация информационных ресурсов на основе генетического алгоритма // втоматизация процессов управления. – 2010. – № 4. – С. 66-71.
7. Демидова Л.А., Коняева Е.И. Кластеризация объектов с использованием FCM-алгоритма на основе нечетких множеств второго типа и генетического алгоритма // Вестник РГРТУ. – 2008. – № 4 (26). – С. 46-54.
8. Демидова Л.А., Титов С.Б. Подход к проблеме нечеткой кластеризации в условиях неопределённости выбора целевой функции // Вестник РГРТУ. – 2009. – № 3 (29). – С. 54-60.
9. Гладков Л.А., Курейчик В.В., Курейчик В.М., Сороколетов П.В. Биоинспирированные методы в оптимизации. – М.: Издательская фирма "Физико-математическая литература", 2009. – 381 с.
10. Wang Y. Fuzzy clustering analysis by using genetic algorithm // ICIC Express letters. – 2008. – Vol. 2, № 4. – P. 331-337.
11. Maulik U., Bandyopadhyay S. Genetic algorithm-based clustering technique // Pattern recognition. – 2000. – № 33. – P. 1455-1465.
12. Mukhopadhyay A., Maulik U., Bandyopadhyay S. Multiobjective genetic algorithm-based fuzzy clustering of categorical attributes // IEEE transactions on evolutionary computation. – 2009. – Vol. 13, № 5. – P. 991-1005.
13. Shi Y., Mizumoto M. An improvement of neuro-fuzzy learning algorithm for tuning fuzzy rules // Fuzzy sets and systems. – 2001. – Vol. 118, № 2. – P. 339-350.
14. Zou K., Hu J., Kong X. The structure optimized fuzzy clustering neural network model and its application // International journal of innovative computing: information and control. – 2008. – Vol. 4, № 7. – P. 1627-1634.

Comments are closed.