Интерпретация данных нечеткого моделирования текущих ситуаций в интеллектуальной системе исследовательского проектирования

Обсуждается состояние вопроса использования методов нечеткой логики при моделировании ситуаций в интеллектуальных системах и тренажерах. Отмечены особенности построения моделей в нечеткой среде. Приведены примеры реализации технологии нечеткого моделирования в бортовых системах и тренажерах обеспече...

Повний опис

Збережено в:

Бібліографічні деталі
Опубліковано в: :	Штучний інтелект
Дата:	2012
Автори:	Бухановский, А.В., Иванов, С.В., Нечаев, Ю.И.
Формат:	Стаття
Мова:	Російська
Опубліковано:	Інститут проблем штучного інтелекту МОН України та НАН України 2012
Теми:	Концептуальные проблемы создания систем искусственного интеллекта
Онлайн доступ:	https://nasplib.isofts.kiev.ua/handle/123456789/57072
Теги:	Додати тег Немає тегів, Будьте першим, хто поставить тег для цього запису!
Назва журналу:	Digital Library of Periodicals of National Academy of Sciences of Ukraine
Цитувати:	Интерпретация данных нечеткого моделирования текущих ситуаций в интеллектуальной системе исследовательского проектирования / А.В. Бухановский, С.В. Иванов, Ю.И. Нечаев // Штучний інтелект. — 2012. — № 3. — С. 19-32. — Бібліогр.: 30 назв. — рос.

Репозитарії

Digital Library of Periodicals of National Academy of Sciences of Ukraine

_version_	1859619208573222912
author	Бухановский, А.В. Иванов, С.В. Нечаев, Ю.И.
author_facet	Бухановский, А.В. Иванов, С.В. Нечаев, Ю.И.
citation_txt	Интерпретация данных нечеткого моделирования текущих ситуаций в интеллектуальной системе исследовательского проектирования / А.В. Бухановский, С.В. Иванов, Ю.И. Нечаев // Штучний інтелект. — 2012. — № 3. — С. 19-32. — Бібліогр.: 30 назв. — рос.
collection	DSpace DC
container_title	Штучний інтелект
description	Обсуждается состояние вопроса использования методов нечеткой логики при моделировании ситуаций в интеллектуальных системах и тренажерах. Отмечены особенности построения моделей в нечеткой среде. Приведены примеры реализации технологии нечеткого моделирования в бортовых системах и тренажерах обеспечения безопасности эксплуатации судов. Розглядається стан питання щодо використання методів нечіткої логіки під час моделювання ситуацій в інтелектуальних системах і тренажерах. Відмічаються особливості побудови моделей у нечіткому середовищі. Наведені приклади реалізації технології нечіткого моделювання в бортових системах і тренажерах гарантування безпеки експлуатації суден. The condition of the problem of use of methods for fuzzy logic when modelling situations in intelligence systems and simulators is considered. Specific features of modelling in fuzzy environment are described. The examples of realization of technology of fuzzy modelling in onboard systems and simulators for security assurance ship operation are given.
first_indexed	2025-11-29T01:00:04Z
format	Article
fulltext	«Штучний інтелект» 3’2012 19 1Б УДК 004.942 А.В. Бухановский, С.В. Иванов, Ю.И. Нечаев Санкт-Петербургский государственный университет информационных технологий, механики и оптики Россия, 190008, г. Санкт-Петербург, ул. Лоцмановская, 3, avb_mail@mail.ru Интерпретация данных нечеткого моделирования текущих ситуаций в интеллектуальной системе исследовательского проектирования A.V. Boukhanovsky, S.V. Ivanov, Yu.I. Nechaev St. Petersburg State University of Information Technologies, Mechanics and Optics 197101, Russia, Saint Petersburg, Kronverkskiy pr., 49 Data Interpretation for Fuzzy Modeling of Current Situations in Intelligence System of Design Study А.В. Бухановський, С.В. Іванов, Ю.І. Нечаєв Санкт-Петербурзький державний університет інформаційних технологій, механіки й оптики Росія, 19008, м. Санкт-Петербург, вул. Лоцманівська, 3 Інтерпретація даних нечіткого моделювання поточних ситуацій в інтелектуальній системі Обсуждается состояние вопроса использования методов нечеткой логики при моделировании ситуаций в интеллектуальных системах и тренажерах. Отмечены особенности построения моделей в нечеткой среде. Приведены примеры реализации технологии нечеткого моделирования в бортовых системах и тренажерах обеспечения безопасности эксплуатации судов. Ключевые слова: нечеткое моделирование, интеллектуальные системы, лингвистическая переменная, нечеткий алгоритм, когнитивное моделирование, когнитивные карты. The condition of the problem of use of methods for fuzzy logic when modelling situations in intelligence systems and simulators is considered. Specific features of modelling in fuzzy environment are described. The examples of realization of technology of fuzzy modelling in onboard systems and simulators for security assurance ship operation are given. Key words: fuzzy modeling, intelligent systems, linguistic variable, fuzzy algorithm, cognitive modeling, cognitive map. Розглядається стан питання щодо використання методів нечіткої логіки під час моделювання ситуацій в інтелектуальних системах і тренажерах. Відмічаються особливості побудови моделей у нечіткому середовищі. Наведені приклади реалізації технології нечіткого моделювання в бортових системах і тренажерах гарантування безпеки експлуатації суден. Ключові слова: нечітке моделювання, інтелектуальні системи, лінгвістична змінна, нечіткий алгоритм, когнітивне моделювання, когнітивні карти. 1 Теории нечетких систем в задачах исследовательского проектирования морских судов При моделировании поведения сложных динамических систем многие параметры могут быть заданы нечетко при большой размерности системы и вариативности зна- mailto:avb_mail@mail.ru Бухановский А.В., Иванов С.В., Нечаев Ю.И. «Искусственный интеллект» 3’201220 1Б МА чений параметров. В таких условиях построить достоверную математическую модель чрезвычайно сложно из-за большой неопределенности взаимодействий элементов самой системы. Тем не менее, на качественном уровне возможно нечеткое модели- рование таких систем с предсказанием тенденций их поведения в зависимости от изменения значений параметров [1-30]. Это дает возможность использовать нечеткое моделирование в задачах исследовательского проектирования при принятии решений и распознавании ситуаций, связанных с поведением системы в сложных условиях эксплуатации. Высокие требования к надежности принятия решений при функцио- нировании интеллектуальных систем (ИС) исследовательского проектирования при- водят к необходимости разработки новых подходов к организации системы обработки информации. Особенно важно это при возникновении сложных (нештатных и экст- ремальных) ситуаций в условиях неопределенности и неполноты исходной инфор- мации [3], [6], [16]. Цель данной статьи – рассмотреть приложение концепции нечетких систем при интерпретации текущих ситуаций в сложных динамических средах. Объектом исследования выбрана область практических приложений, связанная с контролем динамики судна на волнении. Концептуальный базис нечеткой среды анализа и прогноза поведения судна на волнении основан на использовании парадигмы обработки информации в мульти- процессорной вычислительной среде [16] и достижений в области интеллектуальных технологий. Основные принципы преобразования информации в задачах нечеткого моделирования при функционировании интеллектуальных систем (ИС) в труднофор- мализуемых средах (рис. 1) сформулированы в работе [6] в рамках концепции мягких вычислений [30]. База знаний R1 [k],…, RN [k] A [k], B [k] FA: XA’ B[k]: A[k]  R [k] FY: BY u y Фазификация Блок вывода Дефазификация Рисунок 1 – Система нечеткого моделирования в рамках принципов обработки информации в мультипроцессорной вычислительной среде: u, х – вход и выход нечеткой системы Фаззификатор (F) преобразует точное множество входных данных х = (х1,…,хn) T в нечеткое множество А с помощью значений функций принадлежности (ФП) A(х). На выходе блока вывода формируется нечеткое множество на основе расширенного правила modus ponens в виде «условие – импликация – вывод». Дефаззификатор (DF) решает задачу отображения выходного нечеткого множества В[k] в единственное четкое значение уY, которое является выходным сигналом модели. Нечеткий алгоритм (Fuzzy Algorithm – FA) выбора проектных решений пред- ставляется в виде соотношения: FA = <X, Y, Ф, G, C, MF>, (1) где Х, Y – нечеткие множества входных и выходных переменных; Ф – множество условий, характеризующих связь между переменными входа и выхода; G – нечеткое множество целей (критериев оптимальности); C – нечеткое множество ограничений; MF – функции принадлежности (ФП) указанных нечетких множеств. Интерпретация данных нечеткого моделирования текущих ситуаций... «Штучний інтелект» 3’2012 21 1Б М Реализация нечеткого алгоритма выбора проектных решений может быть осу- ществлена различными путями. Наиболее простой путь состоит в использовании Беллмана – Заде [4] и метода анализа иерархий Т. Саати [23]. Нечеткая информация о параметрах альтернатив, критериальных и вероятностных оценках реализации ситуаций в ИС исследовательского проектирования представля- ется в виде нечетких моделей типа «ситуация – действие». Под такими моделями понимаются логические структуры, использующие оценку степени истинности опи- сываемой ситуации из замкнутого интервала [0,1]: <Если X есть А, то Y есть В>. (2) Здесь X и Y – переменные, принимающие значения на множествах V и W; А, В – нечеткие подмножества множеств V и W. Для описания ФП часто применяют L-R формат лингвистической переменной (ЛП). Его использование упрощает программирование нечетких алгоритмов на универсаль- ных компьютерах. L-R формат предполагает, что ФП являются унимодальными. Это позволяет применять аналитическое описание. Буквы L и R (left, right) означают неко- торые функции, описывающие поведение )(xA слева и справа от центра, где 1)( xA . Упрощенный L-R формат придает ФП нечеткого цикла трапецевидную форму. Для описания )(xA оказывается достаточно 4 параметров: a, b, c, d. При c = 0 число параметров сокращается до трех и ФП приобретает треугольную форму. Поскольку человек обычно оперирует 7 + 2 градациями какого-либо свойства, то и ЛП имеют, как правило, столько же термов. Значительное превышение этого количества может привести к утрате преимуществ нечеткого описания проблемы. В практических случаях используют два варианта описания ЛП (рис. 2). Терм 1 Терм 3Терм 2 1 0 (x) x Терм 1 Терм 3Терм 2 1 0 (x) x B A Рисунок 2 – Равномерное распределение (А) и сгущение термов (В) в районе нуля для ФП (x) В первом варианте термы ЛП, имеющие трапецевидную или треугольную форму, равномерно распределены в границах универсального множества (рис. 2А). Во втором варианте термы сужаются в одной из частей области определения (обычно в районе нуля) для повышения точности логического вывода (рис. 2В). Наглядное представление логических операций для нечетких множеств дает рис. 3, на котором по оси абсцисс отложены значения А(х), а по оси абсцисс в произ- вольном порядке расположены элементы Е. Если Е по своей природе упорядочено, то этот порядок желательно сохранить в расположении элементов по оси абсцисс. Операция дефаззификации, реализующая выход из нечеткой системы и пред- ставление результата моделирования в виде четкого значения, может быть выполнена различными методами. Наибольшее распространение получил метод центроида. В дис- кретном и общем случае для центроидного метода формула для вычисления четкого значения выходной переменной имеет вид:    n j jC n j jjC zzzz 11 0 ),()(  .)()(0  z jC z jjC zzzz  (3) Бухановский А.В., Иванов С.В., Нечаев Ю.И. «Искусственный интеллект» 3’201222 1Б МА A B C D A A AA  AA  Рисунок 3 – Графическая интерпретация логических операций: А – нечеткое множество А; В – нечеткое множество A ; С – А A ; D – AA Стратегия дефаззификации методом максимума предусматривает подсчет всех zj, ФП которых достигли максимального значения. В этом случае получим: , 1 0 mzz m j j   .0  zz dzzdzz (4) В этих формулах zj – выходная переменная, для которой ФП достигла максимума; m – число этих переменных. Управление процессом моделирования в ИС исследовательского проектирования осуществляется на основе совокупности продукционных правил «if – then», конкре- тизирующих модель (1) и описывающих взаимосвязи входных и выходных пере- менных [6]: Rl [k]: if (х1 = A1l [k], х2 = A2l [k], … , хn = Anl [k]); then (у1 = B1l [k], у2 = B2l [k], …, уm = Bml [k]), l = 1,…,N; Ail [k]  Хi  R, i=1,…,n, Ail [k] {Ai p}, p =1,…,P; Bjl [k]YjR,j=1,…,m,Bjl [k]{Bj q},q=1,…,Q, где k{1,…,K} – номер структуры модели; n, m – количество входных и выход- ных ЛП хl, уl, i = 1,…, n, j = 1,…, m; N – общее число правил в составе нечеткой модели; Ail [k], Bjl [k] – нечеткие множества (конкретные лингвистические значения соответст- вующих входных и выходных переменных в составе l-го правила); Xi, Yj, (i = 1,…, n, j = = 1,…, m) – пространства входных и выходных переменных. Композиционная модель нечеткого вывода на основе (5) описывает связь всех возможных состояний системы с управляющими воздействиями и формально запи- сывается в виде (X, R, Y), где X = {х1, …, xn}; Y = {y1, …, ym} – базовые множества, на которых заданы входы Аi и выходы Bi системы; R – нечеткое соответствие «вход – выход». Соответствие R строится на основе качественной информации путем форма- лизации нечетких стратегий. Правило «if А1 – then В1» характеризуется ФП, определяемой формулой [1], [6]:     n i m j iiiBiA yxyxBAR 1 1 )},()()({  ; )),(),(min()()(),( yxyxyx BABAR   (6) где A(x), B(y) – ФП элементов х, у множествам А и В. Таким образом, нечеткая модель содержит совокупность терм-множеств ЛП входа и выхода системы с соответствующими ФП. 2 Нечеткие алгоритмы в ИС исследовательского проектирования В задачах синтеза ИС исследовательского проектирования приходится сталки- ваться с ситуациями, требующими учета неопределенности исходных данных. Эта (5) Интерпретация данных нечеткого моделирования текущих ситуаций... «Штучний інтелект» 3’2012 23 1Б М неопределенность может быть различной природы. Рассматриваемые в ИС задачи интерпретации динамики взаимодействия судна с внешней средой предполагают наличие нечеткой исходной информации о развитии ситуации и возможности реали- зации ее характеристик. Формализация задачи может быть достигнута в рамках теории нечетких множеств и теории возможностей. Изложенный ниже подход позволяет осуществить синтез сложных систем на основе метода декомпозиции. Понятия нечеткого множества, нечеткого отношения, нечеткой и ЛП приводят к важному для моделирования процессов принятия решений с нечетким описанием понятию нечеткого алгоритма [14], [20]. Этот алгоритм представляет собой после- довательность операторов, выполнение которых в соответствии с семантикой и исход- ными данными приводит к получению информации об объекте моделирования. Любой оператор, содержащий в своей формулировке по крайней мере одну нечеткую или ЛП, называют нечетким оператором. Понятие нечеткого алгоритма позволяет при- менять лингвистическое описание для моделирования сложных процессов. Одним из приложений нечеткого моделирования является использование условных операторов при поддержке принятия решений в ИС [3]. Структура этих операторов имеет вид, аналогичный используемому в выражениях (2) и (5), но с использованием альтерна- тивного решения: <if X, then Y, else Z>, X Y(Z), (7) где X, Y, Z – нечеткие множества, определенные на универсальных множествах U, V, W; Z – нечеткое множество, определяющее альтернативный выбор. Результатом выполнения нечеткого алгоритма является нечеткое множество:  n i ii RR 1 /    , (8) в котором Ri – i-й результат; i – степень истинности результата. Процедура выполнения нечеткого алгоритма представляется в виде графа (дерева решений), разметка дуг и узлов которого осуществляется c использованием нечетких операторов (рис. 4). l0 l1 l2 l3 l4 l5 l6 l7 l8 l9 l10 k1 k2 k4 k3 k6 k8 k9 k5 k7 Рисунок 4 – Граф выполнения нечеткого алгоритма Корню графа l0 соответствует начальная точка нечеткого алгоритма, множеству листьев L = {li}(i = 1,…, n) – множество результатов выполнения нечеткого алгоритма, а множеству узлов K = {kj} – множество условных операторов, множеству дуг A = {aq) – множество участков нечеткого алгоритма, в которых отсутствуют условные нечеткие операторы. Разметка дуг графа выполняется в таком порядке. Дуге, выходящей из l0, ставится в соответствие число 1, а каждым двум дугам, выходящим из узлов ki – (kiki1), (ki, ki2), соответствуют числа ki и (1 – ki ), где ki – степень истинности условия, входящего в нечеткий оператор, который соответствует узлу k. Из корня дерева в Бухановский А.В., Иванов С.В., Нечаев Ю.И. «Искусственный интеллект» 3’201224 1Б МА лист ведет единственный путь, так как рассматриваемый граф – выходящее дерево. Обозначая этот путь через Wi, можно установить степень истинности листа графа следующим образом: ki Wk lii ii     , (9) где li – метка дуги (kikj)Di. Одна из процедур выполнения операции, обозначенной символом o(min), свя- зана с реализацией минимаксной интерпретации: (ki) max = max {ki, 1 – ki}; (ki) min = min {ki, 1 – ki}, (10) где звездочкой обозначен конкретный узел ki. Интерпретация операций выполнения нечеткого алгоритма приведена в работе [20]. Алгоритм, реализующий процедуры (9) при нечетком моделировании, связан с поис- ком результата с наибольшей степенью истинности. При выполнении каждого услов- ного оператора необходимо, чтобы управление получала ветвь с большей степенью истинности. Полученный результат будет обладать наибольшей (по сравнению с другими данными) степенью истинности. При реализации нечетких алгоритмов в ИС исследовательского проектирования используются нечеткие уравнения и нечеткие функции, а в отдельных случаях – нечет- кие интегралы, нечеткие графы и гиперграфы [14], [20]. В этих работах показано, что пары операций «сложение-вычитание» и «умножение-деление» не позволяют отыскать противоположные и обратные нечеткие числа, так как ;0),(  AARAA .1),(  AARAA .)/(,)( ABBAAABA  (11) Однако введение дополнительных операций вычитания и деления нечетких чисел позволяет обеспечить решение нечетких уравнений. Интерпретацию нечетких функций рассмотрим на примере функции 11: RRf  . Ее аргументом или значением может быть нечеткое число. В первом случае функция f обобщается до функции 11~ : RRX  , во втором – до функции 11 ~ : RR  . Графическая интерпретация нечеткой функции представлена на рис. 5. Рисунок 5 – Представление нечеткой функции Понятие ориентированного нечеткого графа [14] G = (X, F) связано с обозначе- нием пары множеств, включающих 1) множество вершин: Х= iX , iI = ( n,1 ); (12) 2) нечеткое множество ориентированных ребер или дуг: F =       jXiX jXiXFM , , ; Xi, Xj  X2. (13) Причем вершина Xi является началом, а XJ – концом дуги (Xi , Xj); MF (Xi , Xj ) – значение ФП для дуги (Xi, Xj). Интерпретация данных нечеткого моделирования текущих ситуаций... «Штучний інтелект» 3’2012 25 1Б М Нечеткий гиперграф [14] H = (X, U, P) задается 1) множеством вершин: X = {xi}, iI = (1,n); (14) 2) множеством ребер: U = {uj}, jJ = (1, m) (15) и двуместным нечетким предикатом (нечеткий инцидентор), который определяется для всех пар (x, u), xX, uU и принимает значения из интервала [0,1]. Формулировка и анализ задач принятия решений при реализации нечеткого алгоритма основаны на использовании понятия нечетких отношений. Нечетким отно- шением R на множестве Х называют нечеткое подмножество декартова произведения ХХ, характеризующиеся ФП: μR : X  X → [0, 1]. (16) Носителем нечеткого отношения R на множестве Х называют подмножество декартова произведения Х  Х вида: Supp R = {(xi, xj) \| (xi, xj)X  X, μR(xi, xj) > 0}. (17) В том случае, когда нечеткое отношение используется для описания предпоч- тения конструктора, рассматривают нечеткое отношение предпочтения ),(\|),( ),( ji XXxx jiR xxxxR ji     , (18) где ФП μR(xi, xj) содержательно интерпретируется как степень уверенности в том, что xi не менее предпочтительно, чем xj . В теории принятия решений используют также нечеткое отношение строгого предпочтения: R S = R \ R– 1, μRS (xi, xj) = max{0, μR (xi, xj) – μR (xj, xi)}. (19) Здесь μRS(xi, xj) интерпретируется как степень, с которой xi определено лучше (пред- почтительнее) xj. На основе формул (8) – (18) разработаны вычислительные алгоритмы и про- граммное обеспечения решения задач анализа и интерпретации ситуаций на базе парадигмы обработки информации в мультипроцессорной вычислительной среде в задачах исследовательского проектирования. 3 Когнитивная карта как нечеткая модель динамики исследуемой ситуации Когнитивные карты представляют собой одно из эффективных направлений обработки информации при нечетком моделировании [15], позволяющем формально представить данные об исследуемом процессе в виде экстраполирующей ИНС с ассо- циативной памятью. Когнитивная карта является удобным средством для организации знаний в рассматриваемой предметной области. Она представляет собой ориентиро- ванный граф G = (E, W), где Е – множество вершин (концептов), а W – множество связей между ними [10]: W: EE[–1,1]; ei,ejE; w(ei, ej)W. (20) Матрицу А с компонентами аij = w(ei, ej) называют матрицей соответствия, а параметр Рij(i = l1,…, ls–1,ls = j) характеризует путь в когнитивной карте G = (E, W), соединяющий концепты i и j. Каждый путь Рi,j характеризуется весом w(ei, ej) =ТlPi,jw(ei, ej). Знак Т означает применение Т-нормы [1], которая в данном случае является умноже- нием. Путь Рi,j считается положительным, если вес его положителен и отрицательным – Бухановский А.В., Иванов С.В., Нечаев Ю.И. «Искусственный интеллект» 3’201226 1Б МА если вес отрицателен. Задача нечеткого моделирования состоит в нахождении пути с максимальным (по модулю) весом в ориентированном графе с вершинами, где n  3. Для ее решения может быть использован алгоритм, реализующий логические пра- вила «if – then». Когнитивное моделирование предполагает исследование сложных систем и решения задач идентификации в виде когнитивной модели. Одна из форм такой модели – параметрический векторный функциональный граф [25]: Ф = <V,E>, X,F, >, (21) в котором G=<V,E> – ориентированный граф (когнитивная карта); V – множество вершин (концептов) viV, i = 1,…, k, являющихся элементами изучаемой системы; Е – множество дуг eijЕ, (i, j = 1,…, n), отражающих взаимосвязь между вершинами Vi и Vj (влияние на может быть положительным, отрицательным или отсутствовать); Х – множество параметров вeршин X: V; X={X(vi) X, i=1,…,l}, X (vi) = {x(i) g}}, g=1,…,l, –x(i)g; g – параметр вершины Vi, если g = 1, то x(i)g = хi;  – пространство параметров веpшин, т.е. каждой вершине ставится в соответствие вектор независимых переменных; F = F(X, E) – функционал преобразования дуг F: E  X    R. Зависимость Fij может быть не только функциональной, но и стохастической в видe уравнений регрессий. Когнитивное моделирование широко используется в ИС исследовательского проектирования при сжатии информации, представлении когнитивных образов, а также в системах управления и принятия решений и при построении интеллекту- ального интерфейса «Конструктор – ИС» [16-19]. 4 Многокритериальный анализ при нечетком моделировании При решении задач многокритериального анализа при нечетком моделировании возникает множество проблем. В качестве одного из эффективных методов решения сложных задач выбора решений при нечетком моделировании используются процедуры формализации задачи многокритериальной оптимизации на основе подхода Беллмана – Заде [4] и метода анализа иерархий Т. Саати [23]. Многокритериальную оптимизацию в нечетких условиях можно представить в виде системы [2]: < X, C1, …, Cn, L >, (22) где X – универсальное множество альтернатив; L – решетка; а критерием  niC i ,1 называется L – нечеткое множество      .:, LXxFxF CiiiCi   (23) Если все критерии рассматривать как равнозначные и сравнимые, то в соответ- ствии с принципом слияния имеем набор: <X, D, L>, (24) где CCD n ...1 ,  CnCCD ...** 21 – один из вариантов операций пере- сечения нечеткого множества в FL(x). Для критериев неодинаковой значимости задача формализуется следующим образом. Пусть имеется множество нечетких критериев C = {C1,…, Cn} и множество весов критериев П = {P1,…, Pn}. Тогда нечеткое подмножество Q нечеткого множества M: QM определяет взвешивание критериев. Интерпретация данных нечеткого моделирования текущих ситуаций... «Штучний інтелект» 3’2012 27 1Б М Процедура взвешивания критериев рассматривается как отображение:   LNP n : , (25) где P(Nn) – множество всех подмножеств индексов критериев Nn, n = 1.n. Функция D: XL, отображающая решения, определяется с помощью нечеткого интеграла:         N Mg N gD n n x MiPM  i n fs u p . ( 2 6 ) В м н о г о к р и т е р и а л ь н о м с л у ч а е ц е л е в а я ф у н к ц и я е с т ь в е к т о р н а я ф у н к ц и я       ,, . . . ,1 xxx m  RRX mn : ( 2 7 ) и с т р о г и й п о р я д о к н а R m н е в о з м о ж е н . Л ю б ы е д в е а л ь т е р н а т и в ы x и y с р а в н и м ы м е ж д у с о б о й т о г д а и т о л ь к о т о г д а , к о г д а л и б о    yx ii   л и б о    yx ii   i . Т а к и м о б р а з о м , п о н я т и е о п т и м а л ь н о с т и з а м е н я е т с я в в е к т о р н о й о п т и м и з а ц и и п о н я т и е м н е д о м и н и р у е м о с т и . В о д н о к р и т е р и а л ь н о й з а д а ч е р е ш е н и е е с т ь т о ч к а о п т и - м у м а . В м н о г о к р и т е р и а л ь н о й о н о д а е т м н о ж е с т в о э ф ф е к т и в н ы х ( о п т и м а л ь н ы х п о П а р е т о ) а л ь т е р н а т и в :           nixyxyXyXxP iiii ,1,, 000   . ( 2 8 ) С у ж е н и е м н о ж е с т в а P  д о с т и г а е т с я к с в е р т ы в а н и ю ч а с т н ы х к р и т е р и е в . О с о б е н н о с т и р а с с м о т р е н н ы х м е т о д о в м н о г о к р и т е р и а л ь н о г о а н а л и з а с в я з а н ы с р е а л и з а ц и е й т е о р и и н е ч е т к и х м н о ж е с т в д л я о п и с а н и я и с х о д н о й и н ф о р м а ц и и , я в л я - ю щ е й с я н е п о л н о й и н е ч е т к о й в р я д е п р а к т и ч е с к и х з а д а ч и с с л е д о в а т е л ь с к о г о п р о - е к т и р о в а н и я . 5 П р а к т и ч е с к и е п р и л о ж е н и я м е т о д о в н е ч е т к о г о м о д е л и р о в а н и я П р и ф у н к ц и о н и р о в а н и и И С и с с л е д о в а т е л ь с к о г о п р о е к т и р о в а н и я р е з у л ь т а т ы н е ч е т к о г о м о д е л и р о в а н и я н а х о д я т п р и м е н е н и е п р и о р г а н и з а ц и и и н т е л л е к т у а л ь н о г о и н т е р ф е й с а « К о н с т р у к т о р – И С » . С и с т е м а и н т е л л е к т у а л ь н о й п о д д е р ж к и п р и а н а л и з е и п р о г н о з е э к с т р е м а л ь н ы х с и т у а ц и й о б е с п е ч и в а е т к о н с т р у к т о р а в с е й д о с т у п н о й и н ф о р м а ц и е й д л я п р и н я т и я п р а в и л ь н о г о р е ш е н и я . Б ы с т р а я и н а д е ж н а я о ц е н к а с и т у - а ц и и д о с т и г а е т с я з а с ч е т « с ж а т о г о » п р е д с т а в л е н и я о с о б е н н о с т е й в з а и м о д е й с т в и я Д О с в н е ш н е й с р е д о й [ 3 ] , [ 1 6 ] . И д е и к о г н и т и в н о й п а р а д и г м ы п р и н е ч е т к о м м о д е л и р о в а н и и д о с т а т о ч н о ш и р о к о и с п о л ь з у ю т с я в с и с т е м а х у п р а в л е н и я и п р и н я т и я р е ш е н и й [ 6 ] , [ 1 7 ] . П р и м е н е н и е э т о г о а п п а р а т а в с и с т е м а х у п р а в л е н и я о т к р ы в а е т б о л ь ш и е в о з м о ж н о с т и р е а л и з а ц и и п р о г - р а м м н о г о к о м п л е к с а в р е ж и м е р е а л ь н о г о в р е м е н и . Ф о р м и р о в а н и е у п р а в л е н и я н а о с н о в е к о г н и т и в н о г о п о д х о д а о п р е д е л я е т к о н ц е п ц и ю п р е д с т а в л е н и я з н а н и й в т р у д н о - ф о р м а л и з у е м ы х с р е д а х [ 1 7 ] . О д н и м и з п у т е й р е а л и з а ц и и к о г н и т и в н о г о п о д х о д а я в л я - е т с я и с п о л ь з о в а н и е д в у м е р н ы х с а м о о р г а н и з у ю щ и х с я к а р т К о х о н е н а [ 3 ] , [ 1 7 ] , [ 1 8 ] . В и з у а л и з а ц и я м н о г о м е р н о й и н ф о р м а ц и и я в л я е т с я о д н и м и з о с н о в н ы х п р е и м у щ е с т в н е ч е т к о г о м о д е л и р о в а н и я , п о з в о л я ю щ е г о п о л у ч и т ь к о г н и т и в н ы й о б р а з в в и д е , п р е д - с т а в л е н н о м н а р и с . 6 . Б л о к р а с п о з н а в а н и я к о г н и т и в н о г о о б р а з а и ф о р м и р о в а н и я б а з ы з н а н и й в ы п о л - н я е т ф у н к ц и и « р а с ш и ф р о в к и » п о с т у п а ю щ и х о б р а з о в и и х а к к у м у л и р о в а н и я в б а з е д а н н ы х . Н а к о п л е н н а я и н ф о р м а ц и я и с п о л ь з у е т с я д л я п о в ы ш е н и я э ф ф е к т и в н о с т и у п р а в - л е н и я с у д н о м . В б а з е з н а н и й к о г н и т и в н о й с и с т е м ы ф и к с и р у ю т с я з а к о н о м е р н ы е с в я з и Бухановский А.В., Иванов С.В., Нечаев Ю.И. «Искусственный интеллект» 3’201228 1Б МА между сформированными образами и входными воздействиями. Использование ког- нитивного подхода к представлению информации позволяет повысить качество управ- ления. Это достигается за счет феномена когнитивного образа, обладающего более высокой (по сравнению с цифровой информацией) динамичностью и информативно- стью. Когнитивная карта, являясь моделью динамики ситуации, служит также для прогноза развития сложных (нештатных и экстремальных) ситуаций, а также как источник данных об интенсивности внешних возмущений. В результате открываются возможности построения и интерпретации более полной картины развития ситуации. 0 2 4 6 8 10 0 5 10 -0.5 0 0.5 1 1.5 Рисунок 6 – Когнитивный образ в виде топографической карты Построение нечеткой системы знаний ведется с использованием «Стандартной аддитивной модели» (Standart Additive Model) [29]. Анализ функционирования нечет- кой системы знаний позволяет разработать алгоритм контроля текущей ситуации, реализуемый адаптивной компонентой базы знаний [6]. Во многих задачах нечеткого моделирования находит применение нечеткая аппроксимация. Операция нечеткой аппроксимации функций широко используется при построении систем принятия решений по управлению сложными динамическими объектами. Наиболее распространенной является нечеткая система (Additive fuzzy Systems – AFS) [28]. При отсутствии весовых коэффициентов и описании функций принадлежности в виде синглетонов, уравнение AFS имеет вид: , ),,( ),,( ),,( 1 1 1 1 1     m j nj m j jnj n xx cxx xxF      (29) где F(x1,…,xn) – вывод нечеткой системы с х1,…,хn входными переменными; m – количество правил вывода; j(x1,…,xn) – оператор конъюнкции в j-м правиле вывода; сj – значение выходной координаты, соответствующее j-му правилу вывода. Задача идентификации нечетких ситуаций в ИС исследовательского проекти- рования связана с выявлением тенденций функционирования судна как сложного динамического объекта по результатам изменений и описанием этих тенденций в терминах принятой нечеткой модели. Условие идентифицируемости нечеткой системы и метод регуляризации решения задачи идентификации с позиции общей теории сис- тем позволяют представить поведение судна в виде декартова произведения прост- ранств входа и выхода ,VUS  где U = {Ui} – множество входных значений рас- Интерпретация данных нечеткого моделирования текущих ситуаций... «Штучний інтелект» 3’2012 29 1Б М сматриваемой характеристики, а V = {Vi} – множество ее выходных значений. В условиях неопределенности система S достаточно полно описывается нечетким уравнением в отношениях ,RAB  (30) где )}(,{ A , )}(,{ B – нечеткие множества входа и выхода;  ,,, UBUA  – элементы нечетких множеств (лингвистические переменные). В качестве показателя эффективности используется статистический критерий в виде средних потерь с квадратичной функцией невязки:    n i iiRJ 1 2)]()([)(  , (31) где )(  – оценка ФП выходного НМ B ; i – номер текущего измерения; n – общее количество измерений на интервале оценивания. В практических приложениях методов нечеткого моделирования важное значение имеет формализация нечеткого критериального базиса. Решение задачи достигается за счет введения обобщенных критериев, агрегируемых из критериев более низкого уровня иерархии. Для этого используется процедура скаляризации векторного крите- рия, реализованная в системе поддержки принятия решений [5]. В этой процедуре группы исходных критериев сворачиваются в обобщенные на основе построения функции предпочтения групп, для которой дается следующее формальное определение. Обозначим А = [a1,…,aq} – полное множество альтернатив, определяемое как декартово произведение множества градаций компонент векторного критерия [11]: A = {x1.1,…,x1.m1}{x2.1,…,x2.m2} … {x n.1,…,xn.mn}, (32) Пусть Q = i=1,…,n mj – размер полного множества альтернатив. Тогда функция предпочтения является отображением векторного критерия на числовую ось, такое, что для любой альтернативы аiА, которая предпочтительней альтернативы аgА, выполняется следующее неравенство: ФП(аi)  ФП(аg), (33) причем разность = ФП(аi) – ФП(аg) может быть любым положительным числом. Если альтернатива аi эквивалентна альтернативе аg , то = 0. Таким образом, ФП задает нестрогое упорядочивание полного множества альтернатив. Примерами обобщенных критериев могут служить взвешенная сумма нечетных критериев, произведение и минимум отношения:   n i ii cwC 1 ,   n i ii wcC 1 ;  wCC ii /min , (34) где Ci – нормализованные критерии (нечеткие цели по Беллману и Заде), а wi – их веса, ni ,1 . Проблема анализа и распознавания ситуаций в ИС исследовательского проек- тирования связана с выделением стратегий, обеспечивающих достижение результата в нечетких условиях. Особенно сложной оказывается проблема сжатия множества альтернатив при функционировании интегрированных ИС (Neuro-Fuzzy систем). В таких приложениях аппарат ИНС является универсальным функциональным аппроксима- тором [15]. С помощью ИНС можно выразить непрерывную функциональную зави- симость на основе ИНС без предварительной аналитической работы по выявлению правил зависимости выхода от входа системы. Если настроить ФП с помощью ней- ронной сети, то окончательная форма этой функции будет аппроксимацией обучающей выборки. Бухановский А.В., Иванов С.В., Нечаев Ю.И. «Искусственный интеллект» 3’201230 1Б МА Применение Neuro-Fuzzy системы рассмотрено с помощью когнитивной карты причинно-следственных связей между концептами для конструкторского предприятия. Моделирование проводилось методом итераций, что позволило наблюдать результи- рующий вектор при изменении воздействия, что позволило осуществлять итерацион- ный процесс прогнозирования ситуации при замещении карты знаний векторами входных воздействий. Таким образом, применение когнитивных карт (Image Mining) на основе экст- раполирующей ИНС при интерпретации нечетких данных в моделях исследователь- ского проектирования позволяет осуществлять прогноз изменения исследуемых харак- теристик и изучать переходный процесс при анализе причинно-следственных связей между концептами. Заключение Концепция использования методов нечеткого моделирования в бортовых ИС предполагает широкое использование компьютерных средств интеллектуальной под- держки оператора, непрерывное изменение и совершенствование которых происходит в процессе эксплуатации. Среди этих средств особая роль принадлежит когнитивным системам, широко использующим современные модели визуализации сложных дина- мических ситуаций. Важное приложение системы нечеткого моделирования имеют при реализации принципов обработки информации в мультипроцессорной вычисли- тельной среде. Многие ситуации, характеризующие поведение судна в сложной дина- мической среде, обладают способностями к самоорганизации. Поэтому дальнейшее развитие систем нечеткого моделирования представляется перспективным в задачах интеллектуальной поддержки оператора при принятии решений по контролю динамики сложного объекта через распознавание, анализ, прогнозирование и управление про- цессами самоорганизации. Работа выполнена при поддержке ФЦП «Научные и научно-педагогические кадры инновационной России» на 2009 – 2013 годы (ГК № П295 от 30.04.2010, ГК № П976 от 27 мая 2010, ГК № 02.740.11.0837 от 11.06.2010). Результаты работ исполь- зованы в рамках проекта реализации Правительства РФ № 218 «О мерах государст- венной поддержки развития кооперации российских высших учебных заведений и организаций, реализующих комплексные проекты по созданию высокотехнологичного производства». Литература 1. Нечеткие множества в моделях управления и искусственного интеллекта / [Аверкин А.Н., Батыршин И.З., Блишун А.Ф. и др.] ; под ред. Д.А. Поспелова. – М. : Наука,1986. 2. Аверкин А.Н. Методы моделирования слабоструктурированной ситуации в гибридных системах поддержки принятия решений / А.Н. Аверкин, Т.В. Аграфонова, Н.В. Титова // Сборник докладов Х Международной конференции по мягким вычислениям и измерениям SCM-2007. – Санкт- Петербург, 2007. – С. 99-102. 3. Интеллектуальные системы в морских исследованиях и технологиях / [Александров В.Л., Матлах А.Т., Нечаев Ю.И. и др.] – Санкт-Петербург : ГМТУ, 2001. 4. Беллман Р. Принятие решений в расплывчатых условиях / Р. Беллман, Л. Заде. – М. : Мир, 1976. 5. Борисов В.В. Нечеткие модели и сети / Борисов В.В., Круглов В.В., Федулов А.С. – М. : Горячая линия-Телеком, 2007. 6. Бортовые интеллектуальные системы. Ч. 2. Корабельные системы. – М. : Радиотехника, 2006. 7. Вовк С.П. Разработка технологии нечеткого моделирования ситуаций принятия решений в частично формализуемых средах / С.П. Вовк // Программные продукты и системы. – 2004. – № 3. – С. 16-22. Интерпретация данных нечеткого моделирования текущих ситуаций... «Штучний інтелект» 3’2012 31 1Б М 8. Зенкин А.А. Когнитивная компьютерная графика / Зенкин А.А. – М.: Наука, 1991. 9. Катулаев А.Н. Математическое методы в системах поддержки принятия решений / Катулаев А.Н.– М. : Высшая школа. 2005. 10. Кинни Р. Принятие решений при многих критериях: предпочтения и замещения / Р. Кинни, Х. Райфа. – М. : Радио и связь, 1981. 11. Кoрецкий А.С. Агрегирование нечетких критериев в задаче отбора кандидатов на должность / А.С. Корецкий // Сборник докладов на всероссийской научной конференции «Управление и информационные технологии УИТ-2003». – Санкт-Петербург, 2003. – Т. 1. – С. 334-336. 12. Майника Э. Алгоритмы оптимизации на сетях и графах / Майника Э. – М. : Мир, 1981. 13. Макеев С.П. Структура транзитивных нечетких отношений / С.П. Макеев // Известия АН ССР. Техническая кибернетика. – 1989. – № 2. 14. Мелихов А.Н. Ситуационные советующие системы с нечеткой логикой / Мелихов А.Н., Бернштейн Л.С., Коровин С.Я. – М. : Наука, 1990. 15. Моисеев В.Б. Применение экстраполирующей нейронной сети на основе когнитивной карты / В.Б. Моисеев // Сборник докладов международной конференции по мягким вычислениям и изме- рениям SCM-2002. – Санкт-Петербург, 2002. – Т. 1. – С. 36-39. 16. Нечаев Ю.И. Искусственный интеллект: концепции и приложения / Нечаев Ю.И. – Санкт-Петер- бург : ГМТУ, 2002. 17. Нечаев Ю.И. Мягкие измерения в системах поддержки принятия решений / Ю.И. Нечаев, Ю.Л. Сиек // Сборник докладов Международной конференции по мягким вычислениям и измерениям SCM- 2001. – Санкт-Петербург, 2001. – Т. 1. – С. 17-20. 18. Нечаев Ю.И. Математическое моделирование в бортовых интеллектуальных системах реального времени / Ю.И. Нечаев // Труды 5-й всероссийской научно-технической конференции «Нейроин- форматика – 2003». Лекции по нейроинформатике. Часть 2 – С. 119-179. 19. Нечаев Ю.И. Нейроконтроль динамики судна при движении в ледовых условиях // Современные проблемы нейроинформатики. Часть 3. Книга 23 / Труды ученых Санкт-Петербурга ; под ред. Ю.И. Нечаева. – М. : Радиотехника, 2007. – С. 16-24. 20. Обработка нечеткой информации в системах принятия решений. – М. : Радио и связь, 1989. 21. Рыжов А.П. Элементы нечетких множеств и измерения нечеткости / Рыжов А.П. – М. : Диалог – МГУ, 1998. 22. Саати Т. Аналитическое планирование. Организация систем / Т. Саати, К. Кернс. – М. : Радио и связь, 1991. 23. Саати Т. Принятие решений. Метод анализа иерархий / Саати Т. – М. : Радио и связь, 1993. 24. Силич В.А. Метод объектного моделирования для проектирования сложных систем / В.А. Силич, М.П. Силич // Автоматизация и современные технологии. – 2003. – № 4. – С. 14-21. 25. Солoхин С.С. О когнитивном моделировании устойчивого развития социально-экономических систем / С.С. Солохин // Искусственный интеллект. – 2009. – № 4. – С. 150-160. 26. Asai K. Applied fuzzy system / Asai K., Sugeno M., Terano T. – New York : Academic Press, 1994. 27. Dubois D. Fuzzy sets and systems. Theory and application / D. Dubois, H. Prade. – New York : Academic Press., 1980. 28. Jang J.S.R. ANFIS: Adaptive-Network-Based Fuzzy Inference Systems / J.S.R. Jang // IEEE Trans. On systems, man and cybernetics. – 1993. – Vol. 23. – P. 665-685. 29. Kosko B. Fuzzy cognitive maps / B. Kosko // International Journal of Man-Machine Studies. – 1986. – Vol. 24. – P. 65-75. 30. Zadeh L. Fuzzy logic, neural networks and soft computing / L. Zadeh // Соmmutation on the ASM-1994. – Vol. 37. – № 3. – P. 77-84. Literatura 1. Averkin A.N. Nechetkie mnozhestva v modeljah upravlenija i iskusstvennogo intellekta / M.: Nauka.1986. 312 s. 2. Averkin A.N. Sbornik dokladov X Mezhdunarodnoj konferencii po mjagkim vychislenijam i izmerenijam SCM-2007. Sankt-Peterburg. 2007. S. 99 -102. 3. Aleksandrov V.L. Intellektual’nye sistemy v morskih issledovanijah i tehnologijah. Sankt-Peterburg. GMTU. 2001. 4. Bellman R. Prinjatie reshenij v rasplyvchatyh uslovijah. M.: Mir. 1976. 46 s. 6. Bortovye intellektual’nye sistemy. Ch. 2. Korabel’nye sistemy. M.: Radiotehnika. 2006. 7. Vovk S.P. Programmnye produkty i sistemy. № 3. 2004. S. 16-22. 8. Zenkin A.A. Kognitivnaja komp’juternaja grafika. M.: Nauka. 1991. 192s. Бухановский А.В., Иванов С.В., Нечаев Ю.И. «Искусственный интеллект» 3’201232 1Б МА 9. Katulaev A.N. Matematicheskoe metody v sistemah podderzhki prinjatija reshenij. M.: Vysshaja shkola. 2005. 311 s. 10. Kinni R. Prinjatie reshenij pri mnogih kriterijah: predpochtenija i zameshhenija. M.: Radio i svjaz’. 1981. 560 s. 11. Koreckij A.S. Sbornik dokladov na vserossijskoj nauchnoj konferencii “Upravlenie i informacionnye tehnologii UIT-2003”. Sankt-Peterburg. 2003. T. 1. S.334-336. 12. Majnika Je. Algoritmy optimizacii na setjah i grafah. M.: Mir. 1981. 323 s. 13. Makeev S.P. Izvestija AN SSR, Tehnicheskaja kibernetika. 1989. № 2. 14. Melihov A.N. Situacionnye sovetujushhie sistemy s nechetkoj logikoj. M.: Nauka. 1990. 272 s. 15. Moiseev V.B. Sbornik dokladov mezhdunarodnoj konferencii po mjagkim vychislenijam i izmerenijam SCM-2002. Sankt-Peterburg. 2002. T. 1. S. 36-39. 16. Nechaev Ju.I. Iskusstvennyj intellekt: koncepcii i prilozhenija. Sankt-Peterburg. GMTU. 2002. 215 s. 17. Nechaev Ju.I. Sbornik dokladov Mezhdunarodnoj konferencii po mjagkim vychislenijam i izmerenijam SCM-2001. Sankt-Peterburg. 2001. T. 1. S.17-20. 18. Nechaev Ju.I. Trudy 5-j vserossijskoj nauchno-tehnicheskoj konferencii “Nejroinformatika – 2003”. Lekcii po nejroinformatike. Chast’ 2. S. 119-179. 19. Nechaev Ju.I. Nejrokontrol’ dinamiki sudna pri dvizhenii v ledovyh uslovijah. Sovremennye problemy nejroinformatiki. Chast’ 3. Kniga 23. Trudy uchenyh Sankt-Peterburga. M.: Radiotehnika. 2007. S. 16-24. 20. Borisov A.N. Obrabotka nechetkoj informacii v sistemah prinjatija reshenij. M.: Radio i svjaz’. 1989. 304 s. 21. Ryzhov A.P. Jelementy nechetkih mnozhestv i izmerenija nechetkosti. M.: Dialog – MGU. 1998. 22. Saati T. Analiticheskoe planirovanie. Organizacija sistem. M.: Radio i svjaz’. 1991. 224 s. 23. Saati T. Prinjatie reshenij. Metod analiza ierarhij. M.: Radio i svjaz’. 1993. 278 s. 24. Silich V.A. Avtomatizacija i sovremennye tehnologii. № 4. 2003. S. 14-21. 25. Solohin S.S. Iskusstvennyj intellekt. №4. 2009. S. 150-160. 26. Asai K. Applied fuzzy system. Academic Press. New York. 1994. 27. Dubois D. Fuzzy sets and systems. Theory and application. Academic Press. New York.1980. 28. Jang J.S.R. IEEE Trans. On systems, man and cybernetics. Vol. 23. 1993, P.665-685. 29. Kosko B. International Journal of Man-Machine Studies. 1986. Vol. 24. P. 65-75. 30. Zadeh L. Sommutation on the ASM-1994. Vol. 37. № 3. P. 77-84. Статья поступила в редакцию 05.06.2012.
id	nasplib_isofts_kiev_ua-123456789-57072
institution	Digital Library of Periodicals of National Academy of Sciences of Ukraine
issn	1561-5359
language	Russian
last_indexed	2025-11-29T01:00:04Z
publishDate	2012
publisher	Інститут проблем штучного інтелекту МОН України та НАН України
record_format	dspace
spelling	Бухановский, А.В. Иванов, С.В. Нечаев, Ю.И. 2014-03-03T13:51:47Z 2014-03-03T13:51:47Z 2012 2012 Интерпретация данных нечеткого моделирования текущих ситуаций в интеллектуальной системе исследовательского проектирования / А.В. Бухановский, С.В. Иванов, Ю.И. Нечаев // Штучний інтелект. — 2012. — № 3. — С. 19-32. — Бібліогр.: 30 назв. — рос. 1561-5359 https://nasplib.isofts.kiev.ua/handle/123456789/57072 004.942 Обсуждается состояние вопроса использования методов нечеткой логики при моделировании ситуаций в интеллектуальных системах и тренажерах. Отмечены особенности построения моделей в нечеткой среде. Приведены примеры реализации технологии нечеткого моделирования в бортовых системах и тренажерах обеспечения безопасности эксплуатации судов. Розглядається стан питання щодо використання методів нечіткої логіки під час моделювання ситуацій в інтелектуальних системах і тренажерах. Відмічаються особливості побудови моделей у нечіткому середовищі. Наведені приклади реалізації технології нечіткого моделювання в бортових системах і тренажерах гарантування безпеки експлуатації суден. The condition of the problem of use of methods for fuzzy logic when modelling situations in intelligence systems and simulators is considered. Specific features of modelling in fuzzy environment are described. The examples of realization of technology of fuzzy modelling in onboard systems and simulators for security assurance ship operation are given. Работа выполнена при поддержке ФЦП «Научные и научно-педагогические кадры инновационной России» на 2009 – 2013 годы (ГК № П295 от 30.04.2010, ГК № П976 от 27 мая 2010, ГК № 02.740.11.0837 от 11.06.2010). Результаты работ использованы в рамках проекта реализации Правительства РФ № 218 «О мерах государственной поддержки развития кооперации российских высших учебных заведений и организаций, реализующих комплексные проекты по созданию высокотехнологичного производства». ru Інститут проблем штучного інтелекту МОН України та НАН України Штучний інтелект Концептуальные проблемы создания систем искусственного интеллекта Интерпретация данных нечеткого моделирования текущих ситуаций в интеллектуальной системе исследовательского проектирования Інтерпретація даних нечіткого моделювання поточних ситуацій в інтелектуальній системі Data Interpretation for Fuzzy Modeling of Current Situations in Intelligence System of Design Study Article published earlier
spellingShingle	Интерпретация данных нечеткого моделирования текущих ситуаций в интеллектуальной системе исследовательского проектирования Бухановский, А.В. Иванов, С.В. Нечаев, Ю.И. Концептуальные проблемы создания систем искусственного интеллекта
title	Интерпретация данных нечеткого моделирования текущих ситуаций в интеллектуальной системе исследовательского проектирования
title_alt	Інтерпретація даних нечіткого моделювання поточних ситуацій в інтелектуальній системі Data Interpretation for Fuzzy Modeling of Current Situations in Intelligence System of Design Study
title_full	Интерпретация данных нечеткого моделирования текущих ситуаций в интеллектуальной системе исследовательского проектирования
title_fullStr	Интерпретация данных нечеткого моделирования текущих ситуаций в интеллектуальной системе исследовательского проектирования
title_full_unstemmed	Интерпретация данных нечеткого моделирования текущих ситуаций в интеллектуальной системе исследовательского проектирования
title_short	Интерпретация данных нечеткого моделирования текущих ситуаций в интеллектуальной системе исследовательского проектирования
title_sort	интерпретация данных нечеткого моделирования текущих ситуаций в интеллектуальной системе исследовательского проектирования
topic	Концептуальные проблемы создания систем искусственного интеллекта
topic_facet	Концептуальные проблемы создания систем искусственного интеллекта
url	https://nasplib.isofts.kiev.ua/handle/123456789/57072
work_keys_str_mv	AT buhanovskiiav interpretaciâdannyhnečetkogomodelirovaniâtekuŝihsituaciivintellektualʹnoisistemeissledovatelʹskogoproektirovaniâ AT ivanovsv interpretaciâdannyhnečetkogomodelirovaniâtekuŝihsituaciivintellektualʹnoisistemeissledovatelʹskogoproektirovaniâ AT nečaevûi interpretaciâdannyhnečetkogomodelirovaniâtekuŝihsituaciivintellektualʹnoisistemeissledovatelʹskogoproektirovaniâ AT buhanovskiiav ínterpretacíâdanihnečítkogomodelûvannâpotočnihsituacíivíntelektualʹníisistemí AT ivanovsv ínterpretacíâdanihnečítkogomodelûvannâpotočnihsituacíivíntelektualʹníisistemí AT nečaevûi ínterpretacíâdanihnečítkogomodelûvannâpotočnihsituacíivíntelektualʹníisistemí AT buhanovskiiav datainterpretationforfuzzymodelingofcurrentsituationsinintelligencesystemofdesignstudy AT ivanovsv datainterpretationforfuzzymodelingofcurrentsituationsinintelligencesystemofdesignstudy AT nečaevûi datainterpretationforfuzzymodelingofcurrentsituationsinintelligencesystemofdesignstudy

Интерпретация данных нечеткого моделирования текущих ситуаций в интеллектуальной системе исследовательского проектирования

Репозитарії

Схожі ресурси