М.Я. Дашевский «Материаловедение кремния (современное состояние и тенденции развития)» 2010г.
НЕЧЕТКИЕ СИСТЕМЫ: СОВРЕМЕННОЕ СОСТОЯНИЕ
description
Transcript of НЕЧЕТКИЕ СИСТЕМЫ: СОВРЕМЕННОЕ СОСТОЯНИЕ
НЕЧЕТКИЕ СИСТЕМЫ:СОВРЕМЕННОЕ СОСТОЯНИЕ
НЕЧЕТКИЕ СИСТЕМЫ:СОВРЕМЕННОЕ СОСТОЯНИЕ
А.АверкинА.АверкинВычислительный центр Вычислительный центр им.А.А.Дородницына РАНим.А.А.Дородницына РАН
[email protected]@inbox.ru
2ECAI 2000
Мягкие вычисленияМягкие вычисленияМягкие вычисления – симбиоз новых направлений в принятий решений
• Профессор Л.Заде утверждает:"...в отличие от традиционных жестких вычислений, мягкие вычисления допускают использование неточности, 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
3ECAI 2000
Техника решения Техника решения проблемпроблем
Рассуждения в булевой
логике
Традиционное численное
моделирование и поиск
Приближенные рассуждения
Функциональная аппроксимация и случайный поиск
ЖЕСТКИЕ ВЫЧИСЛЕНИЯ МЯГКИЕ ВЫЧИСЛЕНИЯ
Точные модели Приближенные модели
4ECAI 2000
Мягкие вычисления устранили противоречие между
когнитивным и коннекционистким подходом в ИИ
Хаотическиесистемы
Нелинейнаядимамика
Генетическиеалгоритмы
•НейросетиНечеткие системы
Системыоснованные на
знаниях
Фракталы
5ECAI 2000
Мягкие вычисленияМягкие вычисления : Гибридные вероятностные системы
Мягкие вычисленияМягкие вычисления : Гибридные вероятностные системы
Функциональная аппроксимация/Случайный
поискНейросети
Байесовские сети
доверия
Эволюционные
алгоритмы Многозначные
&Нечеткие логики
Демпстер -Шейфер-
Вероятностные
модели
Приближенные рассуждения
6ECAI 2000
Мягкие вычисленияМягкие вычисления : Гибридные вероятностные системы
Мягкие вычисленияМягкие вычисления : Гибридные вероятностные системы
Функциональная аппроксимация/Случайный поиск
Нейросети
Байесовские сети
доверия
Эволюционные
алгоритмы Многозначные
&Нечеткие логики
Демпстер -Шейфер-
Вероятностные
модели
Приближенные рассуждения
Мягкие измерения
Доверие к нечетким событиям
Вероятность нечеткихсобытий
7ECAI 2000
Мягкие вычисленияМягкие вычисления : Гибридные вероятностные системы
Мягкие вычисленияМягкие вычисления : Гибридные вероятностные системы
Функциональная аппроксимация/Случайный
поискНейросети
Байесовские сети
доверия
Эволюционные
алгоритмы Многозначные
&Нечеткие логики
Демпстер -Шейфер-
Вероятностные
модели
Приближенные рассуждения
Нечеткие диаграммы
влиянияДоверие к нечетким
событиям
Вероятность нечеткихсобытий
8ECAI 2000
Мягкие вычисленияМягкие вычисления : Гибридные вероятностные системы
Мягкие вычисленияМягкие вычисления : Гибридные вероятностные системы
Функциональная аппроксимация/Случайный
поискНейросети
Байесовские сети
доверия
Эволюционные
алгоритмы Многозначные
&Нечеткие логики
Демпстер -Шейфер-
Вероятностные
модели
Приближенные рассуждения
Нечеткие диаграммы
влияния
Доверие к нечетким событиям
Вероятность нечеткихсобытий
9ECAI 2000
Мягкие вычисленияМягкие вычисления : Гибридные нечеткие системы
Мягкие вычисленияМягкие вычисления : Гибридные нечеткие системыФункциональная
аппроксимация /Случайный поиск
Вероятностные
модели Нейросети
Нечеткиесистемы
Эволюционные алгоритмы
Многозначные& нечеткие
логики
Многозначныеалгебры
Нечеткие регуляторы
Приближенные рассуждения
10ECAI 2000
Мягкие вычисленияМягкие вычисления : Гибридные нечеткие системы
Мягкие вычисленияМягкие вычисления : Гибридные нечеткие системыФункциональная
аппроксимация /Случайный поиск
Вероятностные
модели Нейросети
Нечеткиесистемы
Эволюционные алгоритмы
Многозначные& нечеткие
логики
Многозначныеалгебры
Нечеткие регуляторы
Приближенные рассуждения
Гибридные НЛ системы
Нейросети, модифи-цируемые НС
Нечеткие регуляторы обучаемые нейросетью
Нечеткие регуляторы, обучаемые и
порождаемые ГА
11ECAI 2000
Мягкие вычисленияМягкие вычисления : Гибридные нечеткие системы
Мягкие вычисленияМягкие вычисления : Гибридные нечеткие системыФункциональная
аппроксимация /Случайный поиск
Вероятностные
модели Нейросети
Нечеткиесистемы
Эволюционные алгоритмы
Многозначные& нечеткие
логики
Многозначныеалгебры
Нечеткие регуляторы
Приближенные рассуждения
Гибридные НЛ системы
Нейросети, модифи-цируемые НС
Нечеткие регуляторы обучаемые нейросетью
Нечеткие регуляторы, обучаемые и
порождаемые ГА
12ECAI 2000
Мягкие вычисленияМягкие вычисления : Гибридные нечеткие системы
Мягкие вычисленияМягкие вычисления : Гибридные нечеткие системыФункциональная
аппроксимация /Случайный поиск
Вероятностные
модели Нейросети
Нечеткиесистемы
Эволюционные алгоритмы
Многозначные& нечеткие
логики
Многозначныеалгебры
Нечеткие регуляторы
Приближенные рассуждения
Гибридные НЛ системы
Нейросети, модифи-цируемые НС
Нечеткие регуляторы обучаемые нейросетью
Нечеткие регуляторы, обучаемые и
порождаемые ГА
13ECAI 2000
Мягкие вычисления: Гибридные нейросетевые системы
Мягкие вычисления: Гибридные нейросетевые системы
Вероятностные
модели Многозначные
& нечеткие логики
НС прямого распространения
Одно\многослойный персепртронРБФ
Рекурент-ные НС
Нейросети
Хопфильд SOM ART
Функциональная аппроксимация /Случайный
поиск
Приближенные рассуждения
Эволюционные алгоритмы
14ECAI 2000
Мягкие вычисления: Гибридные нейросетевые системы
Мягкие вычисления: Гибридные нейросетевые системы
Вероятностные
модели Многозначные
& нечеткие логики
НС прямого распространения
Одно\многослойный персепртронРБФ
Рекурент-ные НС
Гибридные нейросистемы Топология НС &/или
веса Порождаемые ГА
Нейросети
Хопфильд SOM ART
Функциональная аппроксимация /Случайный
поиск
Приближенные рассуждения
Эволюционные алгоритмы
Параметры НС(скорость обучения
момент ) управляемые НК
15ECAI 2000
Мягкие вычисления: Гибридные
нейросетевые системы Мягкие вычисления: Гибридные
нейросетевые системы
Вероятностные
модели Многозначные
& нечеткие логики
НС прямого распространения
Одно\многослойный персепртронРБФ
Рекурент-ные НС
Гибридные нейросистемы
Топология НС &/или
веса Порождаемые ГА
Параметры НС(скорость обучения
момент ) управляемые НК
Нейросети
Хопфильд SOM ART
Функциональная аппроксимация /Случайный
поиск
Приближенные рассуждения
Эволюционные алгоритмы
16ECAI 2000
Мягкие вычисления: Гибридные системы ЭА
Мягкие вычисления: Гибридные системы ЭА
Вероятностные
модели Многозначные
& нечеткие логики
Нейросети
Эволюционныестратегии
Эволюционные Программы
Генет.Прогр.
Генетические алгоритмы
Эволюционные алгоритмы
Приближенные рассуждения
Функциональная аппроксимация /Случайный
поиск
17ECAI 2000
Мягкие вычисления: Гибридные системы ЭА
Мягкие вычисления: Гибридные системы ЭА
Вероятностные
модели Многозначные
& нечеткие логики
Нейросети
Эволюционныестратегии
Эволюционные Программы
Генет.Прогр.
Параметры ЭА (разм.поп.селекц.
управляем. ЭА
Генетические алгоритмы
Параметры ЭА
(N, P cr , P mu )
Управляемые НЛК
ЭА поиск объединенный
с градиент.
Гибридные ЭА системы
Эволюционные алгоритмы
Приближенные рассуждения
Функциональная аппроксимация /Случайный
поиск
18ECAI 2000
Мягкие вычисления: Гибридные системы ЭА
Мягкие вычисления: Гибридные системы ЭА
Вероятностные
модели Многозначные
& нечеткие логики
Нейросети
Эволюционныестратегии
Эволюционные Программы
Генет.Прогр.
Параметры ЭА (разм.поп.селекц.
управляем. ЭА
Генетические алгоритмы
Параметры ЭА
(N, Pcr , Pmu )
Управляемые НЛК
ЭА поиск объединенный
с градиент.
Гибридные ЭА системы
Эволюционные алгоритмы
Приближенные рассуждения
Функциональная аппроксимация /Случайный
поиск
19ECAI 2000
Мягкие вычисления: Гибридные системы ЭА
Мягкие вычисления: Гибридные системы ЭА
Вероятностные
модели Многозначные
& нечеткие логики
Нейросети
Эволюционныестратегии
Эволюционные Программы
Гент.Прогр.
Параметры ЭА (разм.поп.селекц.
управляем. ЭА
Генетические алгоритмы
Параметры ЭА
(N, Pcr , Pmu )
Управляемые НЛК
ЭА поиск объединенный
с градиент.
Гибридные ЭА системы
Эволюционные алгоритмы
Приближенные рассуждения
Функциональная аппроксимация /Случайный
поиск
20ECAI 2000
Общая архитектура нейро-нечеткой cистемы Вывода II III IVI
x1
x2
xN
11,1 , yI x
22,1 , yI x
NN yI ,,1 x
11,2 , yI x
22,2 , yI x
NN yI ,,2 x
11, , yIN x
22, , yIN x
NNN yI ,, x
11 ,agr yx
22 ,agr yx
NN y,agr x
1x
2x
nx
.
.
.
y
1y
2y
Ny
.
.
.
1
1.
.
.
1
NFIS
21ECAI 2000
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
22ECAI 2000
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
23ECAI 2000
Нечеткая импликация 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)
24ECAI 2000
СКОПЛЕНИЕ ПРАВИЛ
Импликация
Гибкая нейро-нечеткая система:
Логический подход
Например:
Например:
25ECAI 2000
Гибкая нейро-нечеткая система: компромисс И-ТИПА
NFIS
,1,1, baSbaTbaI
,1m ax,m in1, bababaI 1,0
0
1
(0,1)
СИСТЕМА
MAMDANI тип
Логический тип
Компромисс(MAMDANI и логического)
26ECAI 2000
Методы когнитивного моделирования ситуации
Нечеткая целевая иерархия
Цель01
.01.
1900
02.0
1.19
00
03.0
1.19
00
04.0
1.19
00 Динамика изменения достижимости
цели
Нечеткая когнитивная карта ситуации
27ECAI 2000
Гибридная модель слабо структурированной ситуации
I.Обеспечение пересечения факторов ситуации, описываемой в каждой из моделей;II.Обеспечение отображения значений факторов ситуации, полученной в когнитивной модели, в значения листовых критериев модели иерархического оценивания;III.Учет консонанса значений факторов при оценивании прогнозов развития ситуации;IV.Определение альтернативы в интегрированной модели.
+ =Иерархия
оценивания
Когнитивная карта
Интегрированнаямодель
28ECAI 2000
Когнитивное моделирование
Внешняя среда
Факторы Мониторинг ситуации
Связи между Факторами
Pij
Взаимовлияние Факторов
Cij Эксперт
mm)m(i
ih)m(iim
m xxx
xxx
x
2211
29ECAI 2000
Построение целевой иерархии
Целевой фактор
Нечеткая целевая иерархия
Эксперт
.,,\
,,0,\
ijijijijij
ijijijijij
ijijtt
ttt
30ECAI 2000
Взаимодействие моделей
i j
ij
i j
p pc
p p
Нечеткая когнитивная карта ситуации
Целевая иерархия
Мониторинг
Цель2,
,
i ij jj
i ij j Mj
z y z i V
z y z i V
31ECAI 2000
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
32ECAI 2000
Заключение: Свойства интегрированной модели1. 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.
2. Множество альтернатив не фиксировано, есть возможность конструирования альтернативы и получения ее оценки методами нечеткого иерархического моделирования.
3. Интегрированная модель позволяет оценивать изменения текущего состояния ситуации.
33ECAI 2000
Инструментарий формирования робастных БЗ
Оптимизаторы БЗ на мягких и квантовых вычислениях
34ECAI 2000
Про
грам
мн
о-
апп
арат
ная
под
держ
ка
Оболочка для квантовых мягких вычислений
Генетические алгоритмы
Нечеткие нейронные сети
Нечеткие системы наоснове нечеткой логики
Мягкие вычисления
Квантовые (хаос, ячейки, ит. п.) нейронные сети
Нечеткие системы наоснове квантовойнечеткой логики
Квантовые НР
Интеллектуальные вычисления
Оптимизация
Обучение
Проектирование & Синтез
Оптимальное управление
Квантовые вычисления
Квантовые поисковые алгоритмы
Традиционные НР
35ECAI 2000
Что такое – Встроенные Интеллектуальные Системы?
36ECAI 2000
Применение БСС в повседневной жизни
37ECAI 2000
Развитие линейки «мотов» - Motes Прототипы «умной пыли» weC Mote. Rene Mote Dot Mica node Mica2 MicaZ
Источник: Джейсон Хил, Беркли
38ECAI 2000
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; системы на базе запоминающих устройств (MEMs); и многое другое...
39ECAI 2000
Нечеткие встроенные системы
Нечеткие системы являются универсальныминструментарием для систем интеллектуальной поддержки принятия решений в беспроводных сенсорных сетях для следующих уровнейСетевой уровень Уровень баз данных Уровень слияния данныхУровень распределенных ЭСУровень распределенного выводаМногоагентный уровень
40ECAI 2000
Smart EngineВ 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 = Bгде X -входная, Y- выходная переменная
А,В – нечеткие лингвистические переменные
41ECAI 2000
Сетевой уровеньВ 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)
42ECAI 2000
Пример 1
IF среднее использование каналов НИЗКОЕ И средний процент запаздывания в канале ВЫСОКИЙ то
возможность возникновения очередей СРЕДНЯЯ
А.Оценка качества работы сети
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
Б.Оценка качества маршрута
43ECAI 2000
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.
44ECAI 2000
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
45ECAI 2000
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
46ECAI 2000
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)
47ECAI 2000
Умный сенсорный узел:Система нечеткого вывода:
● Агрегация● Кластеризация
● Слияние данных
Нечеткая продукционная система на узле БСС
48ECAI 2000
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
49ECAI 2000
Карта антител «чужого» пространства
«Свои»
X
Антитело (с распознающим радиусом)
«Чужие»
50ECAI 2000
Карта антител «чужого» пространства
«Свои»
Автореакция
Антитело Разрушени
е
«Чужие»
X
51ECAI 2000
Карта антител «чужого» пространства
«Свои»
«Чужие»
XX
Антиген(сравнение с антителом)
52ECAI 2000
Карта антител «чужого» пространства
«Свои»
«Чужие»
XX
Клонирование (развитие)
XX
53ECAI 2000
Спасибо за внимание!