1 / 53

НЕЧЕТКИЕ СИСТЕМЫ: СОВРЕМЕННОЕ СОСТОЯНИЕ

НЕЧЕТКИЕ СИСТЕМЫ: СОВРЕМЕННОЕ СОСТОЯНИЕ. А.Аверкин Вычислительный центр им.А.А.Дородницына РАН averkin 2003 @ inbox.ru. Мягкие вычисления. Мягкие вычисления – симбиоз новых направлений в принятий решений. Профессор Л.Заде утверждает :

miette
Download Presentation

НЕЧЕТКИЕ СИСТЕМЫ: СОВРЕМЕННОЕ СОСТОЯНИЕ

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. НЕЧЕТКИЕ СИСТЕМЫ:СОВРЕМЕННОЕ СОСТОЯНИЕ А.Аверкин Вычислительный центр им.А.А.Дородницына РАН averkin2003@inbox.ru

  2. Мягкие вычисления • Мягкие вычисления – симбиоз новых направлений в принятий решений • Профессор Л.Заде утверждает: • "...в отличие от традиционных жестких вычислений, мягкие вычисления допускают использованиенеточности, неопределенности и частичной истинности для достижения наглядности, робастности, низкой стоимости решения и лучшего соответствия с реальностью” • Основные компоненты Мягких Вычислений: • Приближенные рассуждения: • Вероятностные рассуждения, нечеткая логика • Поиск & оптимизация: • Нейросети, Эволюционные алгоритмы

  3. ЖЕСТКИЕ ВЫЧИСЛЕНИЯ МЯГКИЕ ВЫЧИСЛЕНИЯ Приближенные модели Точные модели Традиционное численное моделирование и поиск Функциональная аппроксимация и случайный поиск Рассуждения в булевой логике Приближенные рассуждения Техника решения проблем

  4. Хаотические системы Нелинейная димамика Фракталы Системы основанные на знаниях Генетические алгоритмы Нечеткие системы • Нейросети Когнитивный искусственный интеллект. Мягкие вычисления • Мягкие вычисления устранили противоречие между когнитивным и коннекционистким подходом в ИИ

  5. Мягкие вычисления : Гибридные вероятностные системы Приближенные рассуждения Функциональная аппроксимация/Случайный поиск Многозначные & Нечеткие логики Эволюционные алгоритмы Нейросети Вероятностные модели Байесовские сети доверия Демпстер -Шейфер-

  6. Мягкие вычисления : Гибридные вероятностные системы Приближенные рассуждения Функциональная аппроксимация/Случайный поиск Многозначные & Нечеткие логики Эволюционные алгоритмы Нейросети Вероятностные модели Байесовские сети доверия Демпстер -Шейфер- Доверие к нечетким событиям Вероятность нечетких событий Мягкие измерения

  7. Мягкие вычисления : Гибридные вероятностные системы Приближенные рассуждения Функциональная аппроксимация/Случайный поиск Многозначные & Нечеткие логики Эволюционные алгоритмы Нейросети Вероятностные модели Байесовские сети доверия Демпстер -Шейфер- Доверие к нечетким событиям Вероятность нечетких событий Нечеткие диаграммы влияния

  8. Мягкие вычисления : Гибридные вероятностные системы Приближенные рассуждения Функциональная аппроксимация/Случайный поиск Многозначные & Нечеткие логики Эволюционные алгоритмы Нейросети Вероятностные модели Байесовские сети доверия Демпстер -Шейфер- Доверие к нечетким событиям Нечеткие диаграммы влияния Вероятность нечетких событий

  9. Мягкие вычисления : Гибридные нечеткие системы Функциональная аппроксимация /Случайный поиск Приближенные рассуждения Многозначные & нечеткие логики Эволюционные алгоритмы Нейросети Вероятностные модели Многозначные алгебры Нечеткие системы Нечеткие регуляторы

  10. Мягкие вычисления : Гибридные нечеткие системы Функциональная аппроксимация /Случайный поиск Приближенные рассуждения Многозначные & нечеткие логики Эволюционные алгоритмы Нейросети Вероятностные модели Многозначные алгебры Нечеткие системы Нечеткие регуляторы Гибридные НЛ системы Нечеткие регуляторы обучаемые нейросетью Нечеткие регуляторы, обучаемые и порождаемые ГА Нейросети, модифи- цируемые НС

  11. Мягкие вычисления : Гибридные нечеткие системы Функциональная аппроксимация /Случайный поиск Приближенные рассуждения Многозначные & нечеткие логики Эволюционные алгоритмы Нейросети Вероятностные модели Многозначные алгебры Нечеткие системы Нечеткие регуляторы Гибридные НЛ системы Нечеткие регуляторы обучаемые нейросетью Нечеткие регуляторы, обучаемые и порождаемые ГА Нейросети, модифи- цируемые НС

  12. Мягкие вычисления : Гибридные нечеткие системы Функциональная аппроксимация /Случайный поиск Приближенные рассуждения Многозначные & нечеткие логики Эволюционные алгоритмы Нейросети Вероятностные модели Многозначные алгебры Нечеткие системы Нечеткие регуляторы Гибридные НЛ системы Нечеткие регуляторы обучаемые нейросетью Нечеткие регуляторы, обучаемые и порождаемые ГА Нейросети, модифи- цируемые НС

  13. Мягкие вычисления: Гибридные нейросетевые системы Функциональная аппроксимация /Случайный поиск Приближенные рассуждения Многозначные & нечеткие логики Эволюционные алгоритмы Нейросети Вероятностные модели НС прямого распространения Рекурент- ные НС Одно\многослойный персепртрон Хопфильд SOM ART РБФ

  14. Мягкие вычисления: Гибридные нейросетевые системы Функциональная аппроксимация /Случайный поиск Приближенные рассуждения Многозначные & нечеткие логики Эволюционные алгоритмы Нейросети Вероятностные модели НС прямого распространения Рекурент- ные НС Одно\многослойный персепртрон Хопфильд SOM ART РБФ Гибридные нейросистемы Топология НС &/или Параметры НС (скорость обученияh моментa) управляемые НК веса Порождаемые ГА

  15. Параметры НС (скорость обученияh моментa) управляемые НК Мягкие вычисления: Гибридные нейросетевые системы Функциональная аппроксимация /Случайный поиск Приближенные рассуждения Многозначные & нечеткие логики Эволюционные алгоритмы Нейросети Вероятностные модели НС прямого распространения Рекурент- ные НС Одно\многослойный персепртрон Хопфильд SOM ART РБФ Гибридные нейросистемы Топология НС &/или веса Порождаемые ГА

  16. Мягкие вычисления: Гибридные системы ЭА Функциональная аппроксимация /Случайный поиск Приближенные рассуждения Многозначные & нечеткие логики Эволюционные алгоритмы Нейросети Вероятностные модели Эволюционные стратегии Генетические алгоритмы Эволюционные Генет. Программы Прогр.

  17. (N, P , P ) cr mu Мягкие вычисления: Гибридные системы ЭА Функциональная аппроксимация /Случайный поиск Приближенные рассуждения Многозначные & нечеткие логики Эволюционные алгоритмы Нейросети Вероятностные модели Эволюционные стратегии Генетические алгоритмы Эволюционные Генет. Программы Прогр. Гибридные ЭА системы Параметры ЭА ЭА поиск объединенный Параметры ЭА (разм.поп.селекц. Управляемые НЛК с градиент. управляем. ЭА

  18. (N, P , P ) cr mu Параметры ЭА Управляемые НЛК Мягкие вычисления: Гибридные системы ЭА Функциональная аппроксимация /Случайный поиск Приближенные рассуждения Многозначные & нечеткие логики Эволюционные алгоритмы Нейросети Вероятностные модели Эволюционные стратегии Генетические алгоритмы Эволюционные Генет. Программы Прогр. Гибридные ЭА системы ЭА поиск объединенный Параметры ЭА (разм.поп.селекц. с градиент. управляем. ЭА

  19. (N, P , P ) cr mu Параметры ЭА Управляемые НЛК Мягкие вычисления: Гибридные системы ЭА Функциональная аппроксимация /Случайный поиск Приближенные рассуждения Многозначные & нечеткие логики Эволюционные алгоритмы Нейросети Вероятностные модели Эволюционные стратегии Генетические алгоритмы Эволюционные Гент. Программы Прогр. Гибридные ЭА системы ЭА поиск объединенный Параметры ЭА (разм.поп.селекц. с градиент. управляем. ЭА

  20. Общая архитектура нейро-нечеткой cистемы Вывода NFIS

  21. T-норма Треугольная норма T - функция двух аргументов T: [0,1] × [0,1] → [0,1], которая удовлетворяет следующим условиям для a, b, c, d [0,1]: Монотонность:T (a, b) ≤T (c, d); a ≤ c; b ≤ d Коммутативность:T (a, b) =T (b, a) Ассоциативность:T (T (a, b), c) =T (a, T (b, c)) Граничные условия:T (a, 0) =0; T (a, 1) = a

  22. T-конорма (S-норма) T- конорма (S-норма) - функция двух аргументов S: [0,1] × [0,1] →[0,1], который удовлетворяет следующие условия для a, b, c, d [0,1] Монотонность:S (a, b) ≤S (c, d); a ≤c; b ≤ d Коммутативность: S (a, b) =S (b, a) Ассоциативность: S (S (a, b), c) =S (a, S (b, c)) Граничные условия: S (a, 0) = a; S (a, 1) =1

  23. Нечеткая импликация Нечеткое значение - это функция I: [0,1]2→[0,1] , удовлетворяющая следующим условиям: (I1) Если a1≤a3 тогда I(a1,a2) ≥ I(a3,a2), для всего a1,a2,a3[0,1] (I2) Если a2≤a3 тогда I(a1,a2)≤I(a1,a3), для всего a1,a2,a3[0,1] (I3) I(0,a2)=1, для всего a2[0,1] (ошибочность подразумевает что - нибудь) (I4) I(a1,1)=1, для всего a1[0,1] (что - нибудь подразумевает тавтологию) (I5) I(1,0)=0 (booleanity)

  24. Импликация СКОПЛЕНИЕ ПРАВИЛ Гибкая нейро-нечеткая система:Логический подход Например: Например:

  25. MAMDANI тип Логический тип Компромисс (MAMDANI и логического) Гибкая нейро-нечеткая система: компромисс И-ТИПА NFIS l СИСТЕМА 0 1 (0,1)

  26. Методы когнитивного моделирования ситуации Нечеткая целевая иерархия Цель Нечеткая когнитивная карта ситуации Динамика изменения достижимости цели

  27. Гибридная модель слабо структурированной ситуации • Обеспечение пересечения факторов ситуации, описываемой в каждой из моделей; • Обеспечение отображения значений факторов ситуации, полученной в когнитивной модели, в значения листовых критериев модели иерархического оценивания; • Учет консонанса значений факторов при оценивании прогнозов развития ситуации; • Определение альтернативы в интегрированной модели. + = Когнитивная карта Иерархия оценивания Интегрированная модель

  28. Когнитивное моделирование Связи между Факторами Pij Взаимовлияние Факторов Cij Эксперт Мониторинг ситуации Факторы Внешняя среда

  29. Построение целевой иерархии Эксперт Нечеткая целевая иерархия

  30. Взаимодействие моделей

  31. Полученные результаты • Реализована возможность построения нечеткой целевой иерархической модели ситуации • Впервые создана гибридная система, использующая нечеткую когнитивную модель и нечеткую целевую иерархию • Реализована возможность оценки состояния ситуации даже когда информация о состоянии отдельных факторах неизвестна • Система минимизирует количество запросов о состоянии факторов и оптимизирует процесс передачи информации

  32. Заключение: Свойства интегрированной модели • Интегрированная модель поддерживает все этапы процесса поддержки принятия решений: анализ ситуации основывается на декомпозиции цели, определенной экспертом; генерация альтернатив осуществляется методами когнитивного моделирования; выбор лучшего решения основан на оценивании прогнозов развития ситуации. • Множество альтернатив не фиксировано, есть возможность конструирования альтернативы и получения ее оценки методами нечеткого иерархического моделирования. • Интегрированная модель позволяет оценивать изменения текущего состояния ситуации.

  33. Инструментарий формирования робастных БЗ • Оптимизаторы БЗ на мягких и квантовых вычислениях

  34. Что такое – Встроенные Интеллектуальные Системы?

  35. Применение БСС в повседневной жизни

  36. Развитие линейки «мотов» - Motes • Прототипы «умной пыли» • weCMote. • ReneMote • Dot • Mica node • Mica2 • MicaZ Источник: Джейсон Хил, Беркли

  37. Многодисциплинарная область • Сенсорные сети дают возможность использовать и смешивать знания и экспертизу из разных дисциплин: • обработка сигналов; • Искусственный интеллект • теория информации; • теория передачи данных; • операционные системы и языки программирования; • базы данных; • системына базе запоминающих устройств (MEMs); • и многое другое...

  38. Нечеткие встроенные системы Нечеткие системы являются универсальным инструментарием для систем интеллектуальной поддержки принятия решений в беспроводных сенсорных сетях для следующих уровней • Сетевой уровень • Уровень баз данных • Уровень слияния данных • Уровень распределенных ЭС • Уровень распределенного вывода • Многоагентный уровень

  39. Smart Engine В качестве инструментария предлагается оболочка нечеткого (интеллектуального) сенсора, позволяющая аппроксимировать любую зависимость«вход-выход» в виде набора нечетких продукционных правил правил типа ЕСЛИ Х = А, ТО Y = B где X -входная,Y- выходная переменная А,В – нечеткие лингвистические переменные

  40. Сетевой уровень В виде нечетких сенсоров могут быть описаны • Нечеткие правила маршрутизации • Нечеткие правила энергосбережения • Нечеткая система управления узлами сети, встроенная в трафик (активные сети) • Нечеткие алгоритмы кластеризации узлов • Нечеткие алгоритмы мониторинга (или настройки параметров мониторинга) • Правила управления качеством обслуживания • Правила обнаружения аномалий в системе (искусственные иммунные системы)

  41. Пример 1 А.Оценка качества работы сети IF среднее использование каналов НИЗКОЕ И средний процент запаздывания в канале ВЫСОКИЙ то возможность возникновения очередей СРЕДНЯЯ Б.Оценка качества маршрута IF (LS=HIGH) AND (LC=HIGH) AND (NE=HIGH) AND (NH=LOW) THEN CACHE IF (LS=LOW) AND (LC=HIGH) AND (NE=LOW) AND (NH=HIGH) THEN NO CACHE Где LS = надежность канала LC = пропускная способность канала NE = заряд узлов NH = число узлов

  42. Слияние данных • Нечеткие сенсоры могут быть использованы на разных уровнях многоуровневого слияния данных– для фильтрации данных, для выделения атрибутов, для распознавание образов, для распознавание ситуации. • Процедура слияния данных, записанная в продукционной форме, легко декомпозируется и имеет иерархический характер. Слияние данных внутри сети осуществляется иерархией узлов, между которыми распределяются необходимые знания.

  43. Пример 2 (слияние данных) А. Определение комфортности комнаты Правило 1. Если Температура СРЕДНЯЯ и Влажность ВЫСОКАЯ и Освещенность ВЫСОКАЯ, то Комфортность ОЧЕНЬ ВЫСОКАЯ Правило 2. Если Температура НИЗКАЯ и Влажность ВЫСОКАЯ и Освещенность НИЗКАЯ, то Комфортность НИЗКАЯ Б. Определение возможности курения Правило 3. Если Температура СРЕДНЯЯ и Влажность НИЗКАЯ и Освещенность НИЗКАЯ , то Курят Наркотики ВОЗМОЖНО Правило 4. Если Температура НИЗКАЯ и Влажность НИЗКАЯ КАЯ и Освещенность ВЫСОКАЯ, то Курят Наркотики МАЛО ВОЗМОЖНО

  44. Уровень распределенных ЭС • БСС используется, как экспертная системы, база знаний которой распределена по узлам БСС. • Знания могут передаваться между узлами • База знаний может быть послана в эти узлы вместе с запросом к БСС. • Процесс обработки запроса распределен по сети. • Процесс вывода распределен по сети • Процесс распознавания распределен по сети

  45. Многоагентный уровень Нечеткие сенсорные узлы могут обладать активностью, мобильность, и коллективным поведением • Миграция приложений для экономии памяти и энергии • Мобильные агенты в сенсорные узлы для сбора и обработки данных • Сенсорные узлы с функцией полезности – соглашаются или отказываются передавать данные в зависимости от заряда батареи • Взаимодействие сенсоров- агентов для слияния данных (например, для лучшего распознавания объекта)

  46. Нечеткая продукционная система на узле БСС Умный сенсорный узел: Система нечеткого вывода: • Агрегация • Кластеризация • Слияние данных

  47. Использование нечетких правил в качестве детекторов в искусственных иммунных системах в БСС • Выявление аномалий и их устранение • Распознавание • Вероятностное обнаружение • Совместная стимуляция • Саморегуляция • Динамическая защита • Обучение • Память • Распределенный поиск

  48. Карта антител «чужого» пространства «Чужие» «Свои» X Антитело (с распознающим радиусом)

  49. Карта антител «чужого» пространства «Чужие» «Свои» X Автореакция Антитело Разрушение

More Related