- •Часть 2. Манипулирование и операции со знаниями.
- •7.1. Приобретение и формализация знаний.
- •7.2. Пополнение знаний.
- •7.3. Обобщение и классификация знаний.
- •8.1. Общие положения.
- •8.2. Правило вывода по принципу резолюций.
- •8.3. Дедуктивный вывод на семантических сетях.
- •9.1. Вводные определения и понятия.
- •9.2. Нечеткое множество и его характеристики.
- •9.3. Основные операции с нечеткими множествами.
- •9.4. Отношения между нечеткими множествами.
- •9.5. Нечеткий вывод в системе принятия решений.
9.4. Отношения между нечеткими множествами.
Пусть – непустые множества и предметная область Х – есть декартово произведение Х = . Нечетким n-арным отношением Р, заданным на области определения Х, называется нечеткое множество следующего вида:
Р = {(();()):() Х }, (9.13)
где ():- функция принадлежности для элементов n-арного отношения Р.
Пример. Х =, где = {1;2;3;4;5};= {1;2;3;4}. На множестве
|
1 |
2 |
3 |
4 |
5 |
1 |
0 |
0,35 |
0,2 |
0 |
0 |
2 |
0,2 |
0,1 |
0 |
0,8 |
0 |
3 |
0,13 |
0 |
0 |
0,91 |
0,75 |
4 |
0,7 |
0 |
0 |
0,45 |
0,56 |
отношение с функцией принад-
лежности , заданной таблично.
Определим явный вид заданного нечеткого бинарного отношения .
По определению (9.13) в данном случае следует записать:
.
Подставляя в полученное выражение данные таблицы находим явный вид:
={(1;2)/0,2;(1;3)/0,13;(1;4)/0,7;(2;1)/0,35;(2;2)/0,1;(3;1)0,2;(4;2)/0,8; (4;3)/0,91;(4;4)/0,45;(5;3)/0,75;(5;4)/0,56},
где принята запись ~ ()/.
Частным случаем нечеткого бинарного отношения является нечеткая импликация, которая определяется следующим образом. Пусть А и В – нечеткие множества, заданные своими функциями принадлежности , на областях определения X,Y. Нечеткая импликация АВ (если А, то В) по Мамдани [10] основана на предположении, что степень истинности заключения не может быть выше, чем степень выполнения условия , т.е.: = min (;) ( 9.14)
Интуитивно такое предположение вполне понятно, например, из следующего правила: ЕСЛИ (автомобиль = новый), ТО (расход топлива = малый). Это правило представляется почти очевидным и, таким образом, нечеткая импликация является основой нечеткого логического вывода.
9.5. Нечеткий вывод в системе принятия решений.
Нечеткий логический вывод довольно часто используется в задачах управления, включая принятие ответственных решений. В частности, такой подход довольно успешно применяется в задачах классификации, примером которой является оценка клиентов, заинтересованных в получении кредита. Если клиент достаточно кредитоспособен, то банк с большей готовностью выдаст ему кредит и может уменьшить процентную ставку; если клиент не является кредитоспособным, то в выдаче кредита ему будет отказано; и, в случае частичной кредитоспособности клиента, банк выдаст ему ограниченную сумму и, возможно, повысит процентную ставку. Таким образом, вводится классификация клиентов на кредитоспособных (КС), частично кредитоспособных (ЧКС) и некредитоспособных (НКС).
Введенные понятия классификации, очевидно, являются нечеткими и, следовательно, требуют введения степеней принадлежности к тому или иному классу клиентов, используя их кредитные истории. Клиентов, погасивших кредит в установленный срок и в полном объеме относят к классу КС; клиентов, не погасивших кредит в полном объеме – к классу НКС, а клиентов, погасивших кредит не в установленный срок – к классу ЧКС. Помимо этого, для получения кредита клиент должен предоставить банку определенную информацию, например:
– среднюю величину полного дохода;
– количество материально зависимых лиц (иждивенцев);
– объем имеющихся долгов;
– оценка стоимости его активов;
– период занятости на текущем месте работы;
– период занятости на предыдущих местах работы;
– запрашиваемая сумма кредита.
Эти данные на каждого клиента в виде вектора (;;;;;;) вводятся в соответствующую банковскую базу данных и далее на основе имеющейся предыстории клиентов экспертом банка строится необходимая для принятия решения классификация по степеням принадлежностей клиентов ; ;. Схема нечеткого классификатора клиентов банка представлена на рис. 9.2.
Признаки
(;;;;
;;)
Нечеткий
классификатор
Рис. 9.2.
Следует отметить, что оценка кредитоспособности клиентов является сложной задачей, которая связана с обработкой больших массивов данных (в реальности, далеко выходящего за пределы 7 показателей). Поэтому для ее решения обычно создают автоматический классификатор, который может обучаться на основе данных о предыдущих клиентах банка, а затем использоваться для оценки будущих клиентов.
В целом, процесс построения нечеткой лингвистической модели реальной системы представлен на рис.9.3.
Объективная
информация
о системе
МЕНТАЛЬНАЯ МОДЕЛЬ
(опыт, восприятие, интуиция, эксперта)
Реальная
система
Субъективные
знания о
системе
ВЕРБАЛЬНАЯ МОДЕЛЬ
(заданные экспертом описания правил и
лингвистических
оценок)
Субъективные,
точные знания
о системе
НЕЧЕТКАЯ ЛИНГВИСТИЧЕСКАЯ
МОДЕЛЬ СИСТЕМЫ
Интуитивно выбираемый
математический
инструментарий
ЭКСПЕРТ
ПО НЕЧЕТКОМУ
МОДЕЛИРОВАНИЮ
Рис.9.3. Построение нечеткой лингвистической
модели реальной системы
Библиография к части 2.
1. Искусственный интеллект. Справочник. В 3-х кн. Кн. 2. Модели и методы: / Под ред. Д.А. Поспелова. – М.: Радио и связь, 1990. – 304 с.
2. Приобретение знаний / Под ред. С. Осуги, Ю. Саэки. – М.: Мир, 1990. – 304 с.
3. Anderson R. John. The architecture of cognition. – Cambridge (Massachusetts, USA): Harvard Univ. Press, 1983. – 163 p.
4. Барвайс Дж. Введение в логику первого порядка // Справочная книга по математической логике. Часть I: Теория моделей. – М.: Наука, 1982. – С. 13-54.
5. Игошин В.И. Математическая логика и теория алгоритмов. – М.: Издательский центр «Академия», 2004. – 448 с.
6. Поспелов Д.А. Логико-лингвистические модели в системах управления.– М.: Энергоиздат, 1981. - 231 с.
7. Вагин В.Н., Кикнадзе В.Г. Дедуктивный вывод на семантических сетях в системах принятия решения // Изв. АН СССР: Техническая кибернетика, 1984, № 5. – С. 104-120.
8, Фирстов В.Е. Информационно-стохастическая модель и оптимизация при построении и распространении математического знания. – Саратов: ООО Издательство «Научная книга», 2006. – 55с.
9. Зиман Э., Бьюнеман О. Толерантные пространства и мозг // В кн. На пути к теоретической биологии. – М.: Мир, 1970. – С. 134-144.
10. Пегат А. Нечеткое моделирование и управление. – М.: БИНОМ, Лаборатория знаний, 2009. – 798 с.
11. Заде Л. Понятие лингвистической переменной и его применение к принятию приближенных решений. – М.:Мир,1976.–165 с.
12. von Altrock C., Krause B., Zimmerman H.J. Advanced fuzzy logic control of a model car in extreme situations // Fuzzy Sets and Systems, 1992, vol.48, №1. – P. 41-52.
13. Bezdek J.C. Editorial. Fuzzy models – what are they, and why? // IEEE Transactions on Fuzzy Systems, 1993, vol.1, №1. – P.1-6.