Системи з нечіткою логікою в задачах експертного оцінювання
Experimental investigations of the fuzzy logic system NEFCLASS for classification of innovation projects applying for state financing and for ranking them by the necessity of financing have been carried out.
Збережено в:
| Дата: | 2018 |
|---|---|
| Автори: | , |
| Формат: | Стаття |
| Мова: | Українська |
| Опубліковано: |
The National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute"
2018
|
| Онлайн доступ: | https://journal.iasa.kpi.ua/article/view/127653 |
| Теги: |
Додати тег
Немає тегів, Будьте першим, хто поставить тег для цього запису!
|
| Назва журналу: | System research and information technologies |
| Завантажити файл: |  |
Репозитарії
System research and information technologies| _version_ | 1866302202602061824 |
|---|---|
| author | Boiko, L. A. Zaichenko, Yu. P. |
| author_facet | Boiko, L. A. Zaichenko, Yu. P. |
| author_sort | Boiko, L. A. |
| baseUrl_str | http://journal.iasa.kpi.ua/oai |
| collection | OJS |
| datestamp_date | 2018-04-11T11:12:54Z |
| description | Experimental investigations of the fuzzy logic system NEFCLASS for classification of innovation projects applying for state financing and for ranking them by the necessity of financing have been carried out. |
| first_indexed | 2025-07-17T10:23:42Z |
| format | Article |
| fulltext |
© Л.А. Бойко, Ю.П. Зайченко, 2007
Системні дослідження та інформаційні технології, 2007, № 2 33
TIДC
ТЕОРЕТИЧНІ ТА ПРИКЛАДНІ ПРОБЛЕМИ
ІНТЕЛЕКТУАЛЬНИХ СИСТЕМ ПІДТРИМКИ
ПРИЙНЯТТЯ РІШЕНЬ
УДК 683.519
СИСТЕМИ З НЕЧІТКОЮ ЛОГІКОЮ В ЗАДАЧАХ
ЕКСПЕРТНОГО ОЦІНЮВАННЯ
Л.А. БОЙКО, Ю.П. ЗАЙЧЕНКО
Проведено експериментальні дослідження системи з нечіткою логікою —
NEFCLASS — для класифікації запропонованих на конкурс інноваційних про-
ектів з державного фінансування, а також для ранжування їх за необхідністю
фінансування.
ВСТУП
Експертне оцінювання в останні роки набуло широкого розвитку та застосу-
вання в задачах оцінки проектів, поданих на конкурси, і в задачах прийняття
стратегічних рішень у різних сферах економіки та фінансів тощо.
Рішення, які приймаються експертами, характеризуються наявністю
неповної, нечіткої та суперечливої інформації, використанням, крім кількіс-
них, ще й якісних критеріїв. При цьому знання експертів носять слабо стру-
ктурований характер.
Розв’язання багатьох проблем при експертному оцінюванні тісно
пов’язане з обробкою неповної, неточної і суперечливої інформації (напри-
клад, у задачах аналізу фінансових ринків, вибору стратегії розвитку під-
приємства тощо). Для вирішення таких проблем необхідно застосовувати
неструктуровані процедури вироблення рішень, які використовують знання
та інтуїцію людини-експерта.
Для моделювання й обробки нечіткої лінгвістичної та якісної інформа-
ції в останні роки використовується апарат нечітких множин та відношень,
система нечіткого логічного висновку та нечіткі нейронні мережі.
Метою даної статті є дослідження систем з нечіткою логікою в задачах
експертного оцінювання, зокрема при оцінюванні проектів, поданих на кон-
курс.
ПОСТАНОВКА ТА ФОРМАЛІЗАЦІЯ ЗАДАЧІ
Розглянемо задачу класифікації інноваційних проектів за якісними показни-
ками (критеріями) із застосуванням нечіткої нейромережі.
Л.А. Бойко, Ю.П. Зайченко
ISSN 1681–6048 System Research & Information Technologies, 2007, № 2 34
Предметна область — це експертні оцінки науково-дослідних робіт, що
подаються на конкурс з метою отримання держбюджетного фінансування.
Оцінювання проектів здійснюється за такими показниками: новизна та акту-
альність, наукова цінність, соціально-економічна значимість, загальний рі-
вень розробки.
Задача полягає у визначенні, до якого класу віднести науково-дослідну
роботу: фінансувати її, частково фінансувати чи взагалі не фінансувати.
Існує досить значний клас змінних та понять, які не можуть бути оха-
рактеризовані в рамках класичної теорії оцінювання. До них відносяться
змінні, що характеризують розмір (дуже маленький, маленький, середній,
великий, дуже великий), рівень (низький, середній, високий), а також якісні
властивості системи. Принциповою властивістю цих змінних є існування
розмитої границі між різними градаціями тієї чи іншої якості. Так, доволі
складно точно визначити пограничний зріст, що відрізняє високу людину
від людини середнього зросту. В реальності границя між цими якісними по-
няттями має нечіткий характер. Для описання таких понять у нечіткій мате-
матиці використовуються нечіткі множини, характеристичні функції яких
можуть приймати значення з усього інтервалу від 0 до 1, тобто кожна точка
характеризується ступенем її належності до нечіткої множини. Такий підхід
дозволяє більш гнучко реалізовувати метод експертних оцінок, ніж тради-
ційна теорія ймовірностей. Експерту необхідно формалізувати свої оцінки
можливих значень величини в термінах задання характеристичної функції
множини значень, які вона може приймати.
Розглянемо формалізовану постановку даної задач класифікації.
Вхідні дані. Маємо n інноваційних проектів, де 0,1 Nn = . Кожний
проект характеризується показниками якості JjQ j ,1, ∈ , а кожний показ-
ник jQ є лінгвістичною змінною. Позначимо }{ jsQ кількість рівнів града-
цій j -го показника 1,s S= . Рівні градації описуються, наприклад, такими
лінгвістичними значеннями:
)(smallvery1 VSs = ; )(small2 Ss = ; )(middle3 Ms = ;
)(high4 Hs = ; )(highvery5 VHs = .
Лінгвістичні значення jQ у загальному випадку можуть бути довіль-
ними. Для визначеності виберемо їх трикутними або трапецеїдальними
(див. рисунок).
Експертна інформація по кожному експерту k задається у вигляді та-
ких правил класифікації:
1R : якщо 1Q є kA11 , 2Q є kA21 ,..., jQ є k
jA 1 , то y належить до класу 1Ω ;
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
iR : якщо 1Q є k
iA1 , 2Q є k
iA2 ,..., jQ є k
jiA , то y належить до класу iΩ ;
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
mR : якщо 1Q є k
mA1 , 2Q є k
mA2 ,..., jQ є k
jmA , то y належить до класу
mΩ ,
Системи з нечіткою логікою в задачах експертного оцінювання
Системні дослідження та інформаційні технології, 2007, № 2 35
де kA11 ,..., k
jA 1 ,..., k
jiA , k
jmA — лінгвістичні значення показників 1Q , ... , jQ
(наприклад, HMS ,, ).
Вихідні дані. Нехай множина класів оцінювання проектів за ступенем
досягнення показників цільових функцій така:
1) 1Q — песимістична оцінка (не фінансувати проект);
2) 2Q — раціональна оцінка (фінансувати частково);
3) 3Ω — оптимістична оцінка (фінансувати повністю).
Кожен клас iΩ описується своєю функцією належності ( )Ωµ .
mi ΩΩΩ ,...,,...,1 , де 3,1=i — множина класів оцінок цільових функцій
відповідного проекту k -го експерту.
Мета роботи системи. На основі наявної нечіткої інформації за класи-
фікацією базових проектів k -м експертом налагодити базу правил і викона-
ти навчання функцій належності (ФН) для лінгвістичних змінних k
ijA .
У цій задачі доцільно використати нечіткий перцептрон типу NEFClass,
що використовує логічний висновок Мамдані [4, 5]. Експертна нечітка сис-
тема будується за частковими знаннями про зразки, тобто за особистою ін-
формацією експертів про класифікацію попередніх проектів.
АЛГОРИТМ НАСТРОЮВАННЯ ПАРАМЕТРІВ НЕЙРОННОЇ СИСТЕМИ
Налагодження нейронної мережі проходить у два етапи.
Параметри, які використовуються для настроювання:
S — кількість лінгвістичних значень для кожного показника jQ ;
maxk — максимальне число вузлів правил, які можуть бути створені у при-
хованому шарі; σ — величина швидкості навчання; t — бажаний резуль-
тат; E — помилка системи; допε — задана помилка системи; n — ітерація
у процесі навчання.
Користувач (проектувальник) повинен визначити число лінгвістичних
значень S для кожного показника jQ і задати maxk — максимальне число
вузлів правил, які можуть бути створені у прихованому шарі.
Вид функції залежності
VS S M H VH
9.02.0 3.0 4.0 5.0 6.0 7.0 8.0 11.00,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9
Л.А. Бойко, Ю.П. Зайченко
ISSN 1681–6048 System Research & Information Technologies, 2007, № 2 36
Нехай є набір навчальних зразків ( ) ( ) ( ){ }llii tptptpL ,,,,,,, 11 ……= ,
кожний з яких складається з набору вхідних показників l -го проекту
( ) ( ) ( ){ }l
J
l
j
l QQQ ,,,,1 …… і бажаної класифікації ilt Ω∈ , тобто J
l Rp ∈ .
Перший етап. Алгоритм навчання бази правил складається з одно-
типних ітерацій, на кожній з яких вводиться правило виводу.
1. Обираємо наступний зразок ( ) Ltp ll ∈, .
2. Для кожного вхідного нейрона 1UQ j ∈ (вхідний шар). Знаходимо
таку функцію належності ( )p
j1µ , для якої ( )( ) ( )( ){ }l
jj
s
l
jj QQ ν
ν
µµ
,1
1 max
=
= .
3. Якщо число вузлів правил maxkR< , і не існує такого вузла правила
R , для якого ( )( ) ( )( ) ( )( ) Js
l
Jji
l
j
l RQwRQwRQw µµµ === ,;,;, 111 , то створює-
мо новий вузол iR і з’єднуємо його з вихідним вузлом mΩ . Якщо mlt Ω∈ ,
приймаємо вагу зв’язку ( ) 1, =ΩmiRw .
4. Якщо ще залишились необроблені зразки в L і maxkk < , то перехо-
димо на крок 1 наступної ітерації. В іншому випадку — на крок 5.
5. Формуємо базу правил за однією з трьох процедур:
• «Просте» навчання правил: залишаємо тільки перші maxkk = пра-
вил.
• «Краще» навчання правил: обробляємо зразки з L і накопичуємо ак-
тивації (кількість активацій) кожного нейрона правил. Якщо нейрон R по-
казує більшу кількість накоплених активацій для класу jΩ , ніж для класу
iΩ , який був визначений для наслідку правила (початковий), то змінюємо
наслідок R на jΩ , тобто з’єднуємо нейрон R з нейроном виходу jΩ .
Продовжуємо далі обробку зразків в L та для кожного нейрона правил
обчислюємо показник ефективності
∑
∈
=
Lp
p
p
RR laV )( ,
де
⎩
⎨
⎧
=
випадку.іншомув0
вірно,анийкласифіков)проект(зразокякщо,1 p
l p
Залишаємо k нейронів правил з найвищим значенням RV та видаляємо
інші з бази правил.
• «Краще для кожного класу» навчання правил: діє так само як і «кра-
ще», але для кожного класу jΩ залишаємо кращі ⎥
⎦
⎤
⎢
⎣
⎡
== 3m
m
kr правил,
наслідки яких складають клас jΩ .
Другий етап. Навчання параметрів функцій належності нечітких
множин — налаштувати параметри функцій належності нечітких множин,
які описують відповідні лінгвістичні значення вхідних змінних νµ j . Кожна
функція належності характеризується такими параметрами ( )jjj bca ,, :
Системи з нечіткою логікою в задачах експертного оцінювання
Системні дослідження та інформаційні технології, 2007, № 2 37
1. Обираємо наступний зразок (проект) ( )tp, , подаємо його на вхід си-
стеми і визначаємо вихідний вектор { }mi ΩΩΩ=Ω ,,,,1 …… .
2. Для кожного вихідного нейрона iΩ визначаємо значення помилки
класу
ii
ati ΩΩ −=δ , де iΩ — сигнал вихідного нейрона.
3. Для кожного нейрона правил R , у якого ( ) 0вихід >Ra :
а) визначаємо значення Rδ правил ( ) ( )∑
∈Ω
ΩΩ−=
3
,1
U
RRR Rwaa δδ ;
б) знаходимо таке jQ′ , для якого ( )( ) ( )( ){ }ii
UQ
jj QRQwQRQw
i
,min,
1∈
=′ ;
в) для нечіткої множини ( )RQW j ,′ визначаємо
jaδ ,
jbδ і
jcδ , викорис-
товуючи параметр швидкості навчання σ :
( ) ( )jjjjRb bQac
j
−′−= signδσδ ,
( )
jj bjjRa ac δδσδ +−−= ,
( )
jj bjjRc ac δδσδ +−= .
Застосовуємо ці зміни для обчислення нових значень jjj bca ,, .
4. Обчислюємо помилку правила: ( ) ( )( )
i
i U
iRR RwaaE Ω
∈Ω
∑ −Ω−= δ
3
1,21 .
Кінець k -ї ітерації.
Зазначені ітерації навчання повторюємо доти, поки не буде виконува-
тись критерій зупинки:
1. Помилка E не зменшується протягом n ітерацій.
2. Помилка досягла деякого заданого значення допε .
АЛГОРИТМ ЕКСПЕРТНОЇ СИСТЕМИ
Аналогічним чином налаштовується база правил і навчаються параметри
функцій належності для всіх інших експертів. Опишемо роботу алгоритму із
використанням логічного висновку Мамдані.
Введемо параметр kν — компетентність k -го експерта.
1. Ініціалізуємо значення всіх параметрів. Подаємо на вхід системи для
k -го експерта новий проект, який описується набором { }ннн
1 ,,,, Jj QQQ …… .
2. Завантажуємо правила.
3. Для кожного правила реалізуємо такі дії:
3.1. Розраховуємо реакції всіх вхідних нейронів ( ) SsQн
jjs ,1, =µ ,
Jj ∈ , тобто виконується процедура фаззифікації.
3.2. Обчислюємо вихід кожного нейрона правил R (рівень значущо-
сті правила)
Л.А. Бойко, Ю.П. Зайченко
ISSN 1681–6048 System Research & Information Technologies, 2007, № 2 38
( ) ( )( ){ }jj
UQ
Jj
н
R QRQwQa
j
,min
1∈
∈
= .
3.3. Обчислюємо класифікацію зразка { }нjQ
iQ Ω∈н , якщо ( ) ( )( )Ri
k aRWRW Ω=Ω
Ω
,max, .
3.4. Повторюємо дії пунктів 3.1...3.3 k разів.
4. Виконуємо дефаззифікацію отриманих нечітких виходів по всім K
експертам з урахуванням їх компетентності (узагальнена групова класифі-
кація)
{ } ijQ Ω∈н , якщо ( ) ( )∑∑
=Ω=
Ω→Ω
K
k
kk
K
k
k
i
k RWRW
11
,max, νν .
5. На виході отримуємо чітке значення вихідного показника.
РЕЗУЛЬТАТИ РОБОТИ СИСТЕМИ НЕЧІТКОЇ КЛАСИФІКАЦІЇ
У даній роботі поставлена задача на основі відомої нечіткої експертної ін-
формації за класифікацією нових проектів k -м експертом провести
навчання бази правил та функцій належності лінгвістичних змінних.
Розроблено та відлагоджено програму, яка реалізує запропонований
алгоритм навчання системи та наступної класифікації проектів.
Покажемо роботу створеного програмного продукту та ефективність
даної системи на конкретному прикладі.
Вхідні дані, за якими буде навчатись система NefClass, це вибірка із
120 зразків (табл. 1). Вони представляють собою експертні оцінки науково-
дослідних робіт НТУУ «КПІ», поданих на конкурс з фінансування розробок
за рахунок державного бюджету в 1999 р. Задача полягає у визначенні, до
якого класу віднести науково-дослідну роботу: фінансувати її, частково фі-
нансувати чи взагалі не фінансувати. Як вхідні параметри беремо критерії
Х1 — новизна та актуальність роботи;
Х2 — наукова цінність;
Х3 — соціально-економічна значимість;
Х4 — загальний рівень розробки.
Всі вказані вхідні параметри вимірюються якісно.
Як вихід зразка беремо розбиття на три класи у порядку збільшення
фінансування проектів.
• Перший клас (100) — «не фінансувати проект»;
• Другий клас (010) — «частково фінансувати проект»;
• Третій клас (001) — «повністю фінансувати проект».
Створення бази правил. Як нечітке розбиття вхідних параметрів на
основі досвіду експерта та ступеня важливості параметрів візьмемо таке: Х1,
Х2, Х3, Х4 складаються з трьох трикутних нечітких множин, які описуються
Системи з нечіткою логікою в задачах експертного оцінювання
Системні дослідження та інформаційні технології, 2007, № 2 39
лінгвістичними термами «погано», «добре», «гарно». Для побудови бази
правил потрібно розглянути коефіцієнт кореляції. Показником взаємозале-
жності між величиною { }4321 ,,, XXXXX = і вихідною величиною Y
можна вибрати коефіцієнт парної кореляції.
( )( )
( ) ( )∑∑
∑
==
=
−−
−−
=
N
i
ii
N
i
jiji
N
i
iijiji
YYXX
YYXX
k
1
2
1
2
1 ,
де ∑
=
=
N
i
jiji X
N
X
1
1 ; ∑
=
=
N
i
ii Y
N
Y
1
1 ; N — число реалізацій.
Після аналізу вхідних даних за допомогою експертів було складено ба-
зу правил, наведену в табл. 2.
Обґрунтування параметрів програми. З урахуванням попередніх до-
сліджень обрані такі оптимальні параметри алгоритму навчання.
Параметри логічного висновку правил:
• Максимальна кількість правил — .8134 =
• Кількість вхідних змінних — 4.
• Вид правил (наведено у табл. 2).
• Метод логічного висновку — Мамдані.
• Кількість лінгвістичних термів — 3.
Т а б л и ц я 1 . Навчальна вибірка
Х1 Х2 Х3 Х4 Клас
3,1 3,5 3,4 2 100
2,9 3,0 3,4 2 100
1,7 3,2 3,3 2 100
2,6 3,1 3,5 2 100
. . .
7,0 5,2 4,7 4 010
6,4 5,2 4,5 5 010
6,9 5,1 4,9 5 010
5,5 4,3 4,0 3 010
. . .
6,3 7,3 6,0 5 001
8,8 6,7 7,1 8 001
7,1 7,0 5,9 5 001
8,3 6,9 5,6 8 001
. . .
7,7 7,0 6,1 7 001
6,3 6,4 5,6 5 001
6,4 7,1 5,5 8 001
8,0 7,0 5,8 8 001
Л.А. Бойко, Ю.П. Зайченко
ISSN 1681–6048 System Research & Information Technologies, 2007, № 2 40
Системи з нечіткою логікою в задачах експертного оцінювання
Системні дослідження та інформаційні технології, 2007, № 2 41
• Вид функцій належності — трикутні.
Параметри навчання та класифікації:
• Кількість ітерацій — 100.
• Розмірність навчальної вибірки — 120 зразків.
• Кількість некласифікованих даних — 5 експертів по 20 проектів.
• Процедура навчання бази правил — «краще для кожного класу».
• Швидкість навчання функцій належності — 01,0=σ .
• Функція активації для виходу — «максимум».
Параметри класифікації з урахуванням компетентності експертів:
• Кількість експертів — 5 чоловік.
• Кількість проектів — 20.
• Компетентність експертів
1) 0,5; 2) 0,7; 3) 0,9; 4) 0,4; 5) 0,6.
Експеримент. (Функція активації виходу — максимум. Процедура для
навчання бази правил — «краще»). Після проведення процедури навчання
було вірно розпізнано 114 із 120 зразків. Відповідно показник мережі скла-
дає 95,00 % при середньому значенні похибки 0,109585. Це дуже добрий
показник для мережі.
База правил скоротилась з 25 до 12 за активаціями виходів правил.
У процесі налаштування бази змінились виходи таких правил:
• Вихід правила 3 змінився з 1 на 2.
• 16 з 2 на 3.
• 25 з 3 на 2.
У процесі навчання функцій належності змінились їх параметри, кінці
та середина трикутних функцій належності були зміщені, функції розшири-
лись.
Тепер проведемо класифікацію вхідних некласифікованих даних, а са-
ме експертних оцінок 20-ти запропонованим на конкурс з державного фі-
нансування проектів, які виставлені п’ятьма експертами в галузі оцінювання
науково-дослідних робіт.
Після проведення класифікації цих даних ми отримали результати
(табл. 3), які потім класифікувалися з урахуванням компетентності кожного
експерта. Всі результати класифікації та їх порівняння з реальними наведено
у табл. 4 та 5.
У результаті за даними навчання система отримала значення для кла-
сифікації, виходячи з раніше налаштованої бази правил. Ми бачимо, що де-
які експерти віднесли один і той же проект до різних класів. Враховуючи
компетентність експертів, визначаємо, до якого класу відноситься проект.
З цього експерименту можна зробити висновок, що система NEFCLASS
є достатньо ефективною, навіть при неповноті та суперечливості інформації.
А розроблена нами процедура врахування компетентності експертів підви-
щує ефективність класифікації в експертній системі NEFCLASS.
Л.А. Бойко, Ю.П. Зайченко
ISSN 1681–6048 System Research & Information Technologies, 2007, № 2 42
Т а б л и ц я 3 . Результати класифікації за допомогою NefClass
Експерти
1 2 3 4 5
Номер
проекту Клас
Вага
Кінцева
класифіка-
ція
1 0,745 0,687 0,630 0,687 0,687 Клас 1
2 0 0 0 0 0 1
3 0 0 0 0 0
1 0,253 0,431 1 0,333 1 1
2 0,066 0,066 0 0 0 2
3 0 0 0 0 0
1 1 0,959 1 0,826 0,692 1
2 0 0 0 0 0,176 3
3 0 0 0 0 0
1 0,687 0,737 0,585 0,514 0,781 1
2 0 0 0,132 0,132 0 4
3 0 0 0 0 0
1 0,870 0,737 0,901 0,959 0,696 1
2 0 0 0 0 0 5
3 0 0 0 0 0
1 0,901 0,737 0,959 1 1 1
2 0 0 0 0 0 6
3 0 0 0 0 0
1 0,648 0,901 0,603 1 0 1
2 0 0 0,043 0 0,765 2 7
3 0 0 0 0 0
1 0,031 0,901 0 0,060 0 1
2 0,455 0 0,626 0,433 0,239 2 8
3 0 0 0,131 0 0
1 0 0,297 0,164 0 0,248 1
2 0,282 0,066 0,696 0,368 0,630 2 9
3 0 0 0 0 0
1 0 0 0 0,585 0 1
2 0,765 0,752 0,573 0 0,647 2 10
3 0,187 0 0 0 0,020
1 0 0 0 0 0
2 0,312 0,640 0,696 0,697 0,169 2 11
3 0,216 0,174 0 0 0,243 3
1 0 0 0 0,031 0
2 0,697 0,697 0,670 0,585 0,605 2 12
3 0,076 0,298 0 0 0,020
1 0 0 0 0 0,031
2 0,147 0 0,630 0,697 0,640 2 13
3 0,478 0,354 0 0,076 0 3
Системи з нечіткою логікою в задачах експертного оцінювання
Системні дослідження та інформаційні технології, 2007, № 2 43
Закінчення табл. 3
1 0 0 0 0 0
2 0 0,696 0 0,477 0,202 2 14
3 0,697 0 0,605 0 0,697 3
1 0 0 0 0 0
2 0 0,257 0 0,689 0 2 15
3 0,521 0,697 0,604 0,217 0,691 3
1 0 0 0 0 0
2 0,093 0,093 0 0 0 16
3 0765 0,697 0,521 0,688 0,689 3
1 0 0 0 0 0
2 0 0,056 0 0 0 17
3 0,521 0,410 0,626 0,604 0,697 3
1 0 0 0 0 0
2 0,169 0 0 0 0 18
3 0,744 0,697 0,605 0,911 0,648 3
1 0 0 0 0 0
2 0 0,267 0 0 0 19
3 0,821 0,697 0,648 0,562 0,735 3
1 0 0 0 0 0
2 0 0 0 0 0 20
3 1 0,800 0,648 1 0,648 3
Т а б л и ц я 4 . Результати класифікації з урахуванням компетентності експе-
ртів
Експерти (компетентність, kν ) Результа-
ти
NefClass 1 (0,5) 2 (0,7) 3 (0,9) 4 (0,4) 5 (0,6)
Кінцева
класифі-
кація Номер
проекту
Клас Оцінка з урахуванням компетентності
експерта
Сумарна
оцінка
Клас
1 1 0,3725 0,4809 0,567 0,2748 0,4122 2,1074 1
2 1 0,1265 0,3017 0,9 0,1332 0,6 2,0614 1
3 1 0,5 0,6713 0,9 0,3304 0,4152 2,8169 1
4 1 0,3435 0,5159 0,5265 0,2056 0,4686 2,0601 1
5 1 0,435 0,5159 0,8109 0,3836 0,4176 2,563 1
6 1 0,4505 0,5159 0,8631 0,4 0,6 2,8295 1
1 0,324 0,6307 0,5427 0,4 1,8974 1
7
2 0,0387 0,459 0,4977
1 0,0155 0,6307 0,024 0,6702
8
2 0,2275 0,5634 0,1772 0,1434 1,1115 2
1 0,2079 0,1476 0,1488 0,5043
9
2 0,141 0,0462 0,6264 0,1472 0,378 1,3388 2
Л.А. Бойко, Ю.П. Зайченко
ISSN 1681–6048 System Research & Information Technologies, 2007, № 2 44
Закінчення табл. 4
1 0,234 0,234 10
2 0,3825 0,5264 0,5157 0,3882 1,8128 2
2 0,3485 0,448 0,6264 0,2788 0,1014 1,8031 2
11
3 0,038 0,1218 0,1458 0,3056
12 2 0,156 0,4879 0,603 0,234 0,363 1,8439 2
2 0,3485 0,567 0,2788 0,384 1,5783 2
13
3 0,038 0,2478 0,0304 0,3162
2 0,0735 0,4872 0,1908 0,1212 0,8727
14
3 0,239 0,5445 0,4182 1,2017 3
2 0,1799 0,2756 0,4555
15
3 0,3485 0,4879 0,5436 0,0868 0,4146 1,8814 3
16 3 0,3825 0,4879 0,4689 0,2752 0,4134 2,0279 3
17 3 0,2605 0,287 0,5634 0,2416 0,4182 1,7707 3
18 3 0,372 0,4879 0,5445 0,3644 0,3888 2,1576 3
19 3 0,4105 0,4879 0,5832 0,2248 0,441 2,1474 3
20 3 0,5 0,7 0,5832 0,4 0,3888 2,572 3
Для більш детального аналізу отриманих даних наведемо порівняльну
таблицю результатів різних експериментів та реальних значень класифікації
даних проектів, наданих відділом експертного оцінювання науково-
дослідних робіт НТУУ «КПІ» (табл. 5).
Т а б л и ц я 5 . Порівняння результатів класифікацій
Класифікація Клас
Експеримент 1 Реальні значення
Проект 7 1,8974 Проект 3 18
4 2,0601 4 19
2 2,0614 5 19
1 2,1074 6 19
5 2,5630 1 22
3 2,8169 7 24
Клас 1
«Не
фінансувати»
6 2,8295 2 26
8 1,1115 9 30
9 1,3388 8 33
13 1,5783 11 38
11 1,8031 14 38
10 1,8128 10 40
Клас 2
«Частково
фінансувати»
12 1,8439 12 40
14 1,2017 13 40
17 1,7707 16 50
15 1,8814 17 50
16 2,0279 19 50
19 2,1474 15 51
18 2,1576 20 51
Клас 3
«Фінансувати
повністю»
20 2,5720 18 53
Системи з нечіткою логікою в задачах експертного оцінювання
Системні дослідження та інформаційні технології, 2007, № 2 45
З таблиці порівнянь результатів класифікацій видно, що у 3-му класі
результати роботи системи NEFCLASS практично співпадають з результа-
тами експертів.
Порівнявши отримані дані за класифікацією NEFCLASS та звичайної
рейтингової системи, можна зробити висновок, що завдяки навчанню
бази правил та настроюванню параметрів функцій належності система
NEFCLASS дає більш точний результат класифікації проектів. Продемонст-
руємо це на проектах № 18, 19 та 20 за вхідними даними трьох експертів
(табл. 6).
Т а б л и ц я 6 . Вхідні дані найкращих проектів
NEFCLASS
Проект 18 Проект 19 Проект 20 Експерт
Х1 Х2 Х3 Х4 Х1 Х2 Х3 Х4 Х1 Х2 Х3 Х4
1 7,9 7,2 5,7 6 7,2 7,2 6,0 8 10,0 9,8 7,1 7
2 9,0 7,2 7,0 5 8,7 7,3 5,7 5 9,2 9,0 5,8 6
3 6,6 7,8 6,9 6 6,2 6,8 5,8 8 7,9 6,8 6,4 6
РЕЙТИНГОВА СИСТЕМА
1 5 5 3 4 5 5 3 5 5 5 5 5
2 5 5 5 4 5 5 3 4 5 5 3 4
3 3 5 5 4 3 4 3 5 5 4 3 4
За вхідними даними з табл. 6 видно, що проект № 20 має переважно
вищі оціночні бали у порівнянні з 18 та 19 проектами, тому цей проект,
найочевидніше, повинен займати перше місце у 3-му класі.
При рейтинговому оцінюванні лінгвістичні терми відповідають таким
реальним балам:
«Погано» — 1 (Х1); 1 (Х2); 1 (Х3); 3 (Х4).
«Добре» — 3 (Х1); 4 (Х2); 3 (Х3); 4 (Х4).
«Гарно» — 5 (Х1); 5 (Х2); 5 (Х3); 5 (Х4).
Стосовно порівняння з реальними оцінками (рейтингова система)
доцільно відзначити, що при рейтинговій системі дуже складно оцінювати
місця проектів, які мають однакову кількість балів, тобто немає різниці між
значеннями, що відповідають одному лінгвістичному терму. Складність
оцінювання показана у табл. 6. Отже, рейтингова система класифікації про-
ектів не гарантує завжди отримання однозначної класифікації (ранжування)
проектів. Ця проблема зникає при класифікації проектів нечіткою експерт-
ною системою, зокрема, завдяки використанню показника компетентності
експертів.
Якість отриманої класифікації інноваційних проектів можна підвищити
за рахунок залучення до формування навчальної вибірки кваліфікованих
експертів, оскільки представлена в експерименті навчальна вибірка сформо-
вана авторами роботи на основі дослідження предметної області вхідних
даних та завдяки наданій інформації з відділу експертної оцінки науково-
дослідних робіт НТУУ «КПІ».
Л.А. Бойко, Ю.П. Зайченко
ISSN 1681–6048 System Research & Information Technologies, 2007, № 2 46
ВИСНОВКИ
1. Запропоновано нечітку нейронну мережу для задачі класифікації
проектів, поданих на конкурс в умовах неповної, нечіткої та якісної інфор-
мації.
2. Проведено дослідження розробленої системи стосовно задачі експе-
ртного оцінювання проектів, поданих на конкурс, та порівняння її з існую-
чою рейтинговою системою оцінювання проектів.
ЛІТЕРАТУРА
1. Згуровский М.З. Видение будущего — удел победителей // Зеркало недели. —
2001. — №25 (349).
2. Згуровський М.З. Сценарний аналіз як системна методологія передбачення //
Системні дослідження та інформаційні технології. — 2002. — № 1. —
С. 7–38.
3. Панкратова Н.Д. Математическое обеспечение задач технологического
предвидения применительно к отрасли промышленности // Системні
дослідження та інформаційні технології. — 2003. — № 1. — С. 26–33.
4. Круглов В.В., Борисов В.В. Принятие решений на основе нечетких моделей:
примеры использования. — М.: Горячая линия. Телеком. — 2001. — 340 c.
5. Зайченко Ю.П. Основи проектування інтелектуальних систем. — Київ: Вид.
дім «Слово», 2003. — 352 с.
Надійшла 08.10.2005
|
| id | journaliasakpiua-article-127653 |
| institution | System research and information technologies |
| keywords_txt_mv | keywords |
| language | Ukrainian |
| last_indexed | 2025-07-17T10:23:42Z |
| publishDate | 2018 |
| publisher | The National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute" |
| record_format | ojs |
| resource_txt_mv | journaliasakpiua/4b/52f9fe83c255d15c3653bd4c1020d44b.pdf |
| spelling | journaliasakpiua-article-1276532018-04-11T11:12:54Z Fuzzy logic systems in tasks of expert evaluation Системы с нечеткой логикой в задачах экспертного оценивания Системи з нечіткою логікою в задачах експертного оцінювання Boiko, L. A. Zaichenko, Yu. P. Experimental investigations of the fuzzy logic system NEFCLASS for classification of innovation projects applying for state financing and for ranking them by the necessity of financing have been carried out. Проведены экспериментальные исследования системы с нечеткой логикой — NEFCLASS — для классификации предложенных на конкурс инновационных проектов для государственного финансирования, а также ранжирования их по необходимости финансирования. Проведено експериментальні дослідження системи з нечіткою логікою — NEFCLASS — для класифікації запропонованих на конкурс інноваційних проектів з державного фінансування, а також для ранжування їх за необхідністю фінансування. The National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute" 2018-04-02 Article Article application/pdf https://journal.iasa.kpi.ua/article/view/127653 System research and information technologies; No. 2 (2007); 33-46 Системные исследования и информационные технологии; № 2 (2007); 33-46 Системні дослідження та інформаційні технології; № 2 (2007); 33-46 2308-8893 1681-6048 uk https://journal.iasa.kpi.ua/article/view/127653/122419 Copyright (c) 2021 System research and information technologies |
| spellingShingle | Boiko, L. A. Zaichenko, Yu. P. Системи з нечіткою логікою в задачах експертного оцінювання |
| title | Системи з нечіткою логікою в задачах експертного оцінювання |
| title_alt | Fuzzy logic systems in tasks of expert evaluation Системы с нечеткой логикой в задачах экспертного оценивания |
| title_full | Системи з нечіткою логікою в задачах експертного оцінювання |
| title_fullStr | Системи з нечіткою логікою в задачах експертного оцінювання |
| title_full_unstemmed | Системи з нечіткою логікою в задачах експертного оцінювання |
| title_short | Системи з нечіткою логікою в задачах експертного оцінювання |
| title_sort | системи з нечіткою логікою в задачах експертного оцінювання |
| url | https://journal.iasa.kpi.ua/article/view/127653 |
| work_keys_str_mv | AT boikola fuzzylogicsystemsintasksofexpertevaluation AT zaichenkoyup fuzzylogicsystemsintasksofexpertevaluation AT boikola sistemysnečetkojlogikojvzadačahékspertnogoocenivaniâ AT zaichenkoyup sistemysnečetkojlogikojvzadačahékspertnogoocenivaniâ AT boikola sistemiznečítkoûlogíkoûvzadačahekspertnogoocínûvannâ AT zaichenkoyup sistemiznečítkoûlogíkoûvzadačahekspertnogoocínûvannâ |