Идентификация нейро-нечетких моделей для решения задач технической диагностики

Разработан метод идентификации параметров диагностических моделей в нейро-нечетком базисе, позволяющий синтезировать в неитеративном режиме модели качественных зависимостей по прецедентам. Розроблено метод ідентифікації параметрів діагностичних моделей у нейро-нечіткому базисі, що дозволяє синтезува...

Ausführliche Beschreibung

Gespeichert in:

Bibliographische Detailangaben
Veröffentlicht in:	Штучний інтелект
Datum:	2011
1. Verfasser:	Субботин, С.А.
Format:	Artikel
Sprache:	Russisch
Veröffentlicht:	Інститут проблем штучного інтелекту МОН України та НАН України 2011
Schlagworte:	Моделирование объектов и процессов
Online Zugang:	https://nasplib.isofts.kiev.ua/handle/123456789/58825
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!
Назва журналу:	Digital Library of Periodicals of National Academy of Sciences of Ukraine
Zitieren:	Идентификация нейро-нечетких моделей для решения задач технической диагностики / С.А. Субботин // Штучний інтелект. — 2011. — № 1. — С. 251-254. — Бібліогр.: 4 назв. — рос.

Institution

Digital Library of Periodicals of National Academy of Sciences of Ukraine

_version_	1860240871073513472
author	Субботин, С.А.
author_facet	Субботин, С.А.
citation_txt	Идентификация нейро-нечетких моделей для решения задач технической диагностики / С.А. Субботин // Штучний інтелект. — 2011. — № 1. — С. 251-254. — Бібліогр.: 4 назв. — рос.
collection	DSpace DC
container_title	Штучний інтелект
description	Разработан метод идентификации параметров диагностических моделей в нейро-нечетком базисе, позволяющий синтезировать в неитеративном режиме модели качественных зависимостей по прецедентам. Розроблено метод ідентифікації параметрів діагностичних моделей у нейро-нечіткому базисі, що дозволяє синтезувати в неітеративному режимі моделі якісних залежностей за прецедентами. The method of diagnosis model parameter identification in neuro-fuzzy basis is developed. It allows to synthesize a qualitative dependence model on precedents in a non-iterative mode.
first_indexed	2025-12-07T18:29:51Z
format	Article
fulltext	«Штучний інтелект» 1’2011 251 2С УДК 004.93 С.А. Субботин Запорожский национальный технический университет, г. Запорожье, Украина subbotin@zntu.edu.ua Идентификация нейро-нечетких моделей для решения задач технической диагностики Разработан метод идентификации параметров диагностических моделей в нейро-нечетком базисе, позволяющий синтезировать в неитеративном режиме модели качественных зависимостей по прецедентам. Введение Нейро-нечеткие сети [1], [2] являются эффективными и универсальными инстру- ментами для автоматизации поддержки принятия диагностических решений и широко применяются на практике в различных задачах. Это объясняется, прежде всего, про- стотой аппаратной реализации этих моделей, их массовым параллелизмом вычислений, способностью к адаптации и обучению по прецедентам, универсальными аппрокси- мационными свойствами, а также возможностью последующего анализа человеком. Основной проблемой при построении нейро-нечетких моделей является иденти- фикация их структуры и значений настраиваемых параметров. Традиционно эта проб- лема решается путем задания пользователем типа структуры, количества слоев и нейронов в слоях сетей, а также последующего итеративного обучения моделей по прецедентам, представленным обучающей выборкой, выполняемого, как правило, на основе метода обратного распространения ошибки [1], [2]. Недостатками такого под- хода являются высокая зависимость от пользователя (недостаточно высокий уровень автоматизации процесса синтеза моделей), а также итеративность (и, как следствие, низкая скорость) настройки значений управляемых параметров моделей, зависимость от выбора начальной точки и локальный характер поиска традиционных методов об- учения. Целью работы является создание метода, позволяющего идентифицировать струк- туру и параметры нечетких и нейро-нечетких моделей в неитеративном режиме, для автоматизации процесса построения диагностических моделей. Постановка задачи Пусть задана обучающая выборка прецедентов <x, y>, где x = {xs}, xs – s-й экзем- пляр выборки, s – номер экземпляра выборки, s = 1, 2, ..., S, xs = {xs j}, xs j – значение j-го признака для экземпляра xs, j = 1, 2, ..., N, y ={ys}, ys – значение выходного признака (номер класса), сопоставленное экземпляру xs, ys{q}, q = 1, 2, ..., K, q – номер класса, K – количество классов, K > 1.  Работа выполнена в рамках госбюджетной темы кафедры программных средств Запорожского национального технического университета «Информационные технологии автоматизации распознавания образов и принятия решений для диагностики в условиях неопределенности на основе гибридных не- четкологических, нейросетевых и мультиагентных методов вычислительного интеллекта» (№ гос. ре- гистрации 0109U007673). Субботин С.А. «Искусственный интеллект» 1’2011 252 2С Тогда задача синтеза диагностической модели в нейро-нечетком базисе будет заключаться в идентификации структуры f и значений параметров w зависимости ys = = f(w, xs) по набору прецедентов <x, y>. Построение нечетких моделей Для построения диагностической модели на основе набора прецедентов в нечет- ком базисе необходимо предварительно сформировать разбиение признакового прост- ранства. Для этого предлагается использовать подход, предложенный в [3], [4]. После получения разбиения признакового пространства возможно определить функции при- надлежности к нечетким термам. Далее на основе обучающей выборки можно оценить информативность нечетких термов и информативность признаков. После этого можно задать правило преобразования принадлежностей распознаваемого экземпляра к не- четким термам в принадлежность к классу с учетом информативностей. Метод синтеза диагностических моделей в нечетком базисе, реализующий данные соображения, мо- жет быть представлен как последовательность таких этапов. 1. Задать обучающую выборку прецедентов <x, y>. 2. Сформировать нечеткие термы. Для этого диапазон значений каждой входной переменной предлагается разбить на интервалы на основе метода [3], [4], не требую- щий экспертной информации, оперирующий только набором прецедентов (обучающей выборкой) и формирующий разбиение признаков на интервалы разной длины, обеспе- чивая высокую точность нечеткой модели. Для каждого j-го интервала і-го признака, i = 1, 2, ..., N; j = 1, 2, ..., Ji, определить: значение левой границы интервала Aij; значение правой границы интервала Bij; количество экземпляров обучающей выборки, попавших в интервал, Nij; количество экземпляров обучающей выборки, попавших в интервал и принадлежащих к классу q, Nijq; номер доминирующего класса в интервале Kij: . NK ijq ,...,K,q ij 21 max arg   Для каждого интервала значений каждого признака задать функции принадлеж- ности к нечетким термам. Для этого предлагается использовать функцию разности между сигмоидными функциями: , 1 1 1 1 )( )()( ijiiji BxγAxγij ee xμ      где γ – некоторая константа, задающая крутизну сигмоидной функции, γ > 1. 3. Определить информативность j-го интервала i-го признака для q-го класса, i = = 1, 2, ...,N; j = 1, 2, ..., Ji; q = 1, 2, ..., K, как долю экземпляров, принадлежащих к q-му классу, среди экземпляров, попавших в j-й интервал i-го признака: . 1    K p ijp ijq ijq N N I 4. Определить информативность i-го признака для q-го класса, i =1, 2, ..., N; q = = 1, 2, ..., K, по всем интервалам по формуле:    iJ j ijq i iq I J I 1 1 . 5. Определить правила для оценки принадлежности распознаваемого экземпля- ра x* для каждого q-го класса, q = 1, 2, ..., K, с учетом информативностей признаков:                             N i J j ijq J j ijq * ij iqN i iq q i i I Ixμ I I xμ 1 1 1 1 1 . Идентификация нейро-нечетких моделей для решения задач… «Штучний інтелект» 1’2011 253 2С 6. Задать правило дефаззификации для определения четкого номера класса рас- познаваемого экземпляра x: ).(maxarg 21 *q , ...,N,i xμq   Синтез нейро-нечетких моделей Предложенный метод можно использовать для синтеза структуры и идентифика- ции параметров нейро-нечетких моделей. Система нечеткого вывода, синтезированная на основе разработанного метода, может быть реализована в виде четырехслойной ней- ро-нечеткой сети, схема которой изображена на рис. 1. Рисунок 1 – Схема нейро-нечеткой сети В качестве нейронов первого слоя нейро-нечеткой сети выступают блоки опреде- ления значений функций принадлежности распознаваемого экземпляра к нечетким термам признаков, сформированным на втором этапе предложенного метода. Нейроны второго слоя осуществляют вычисление принадлежностей распознаваемого экземпляра к q-му классу по j-му терму i-го признака. Нейроны третьего слоя определяют принадлежность распознаваемого экземпляра к каждому из классов – термам выходного признака. Единст- венный нейрон последнего выходного слоя сети осуществляет дефаззификацию значения выходного признака в соответствии с формулой шестого этапа разработанного метода. Дискриминантные функции нейронов сети будут задаваться формулами:                 J j η,iη,i j η,i j η,iη,iη,i ,wxw,xwφ 1 0    N a aΣ JJ 1 , η = 2: i = 1, 2, ..., JΣK; η = 3: i = 1, 2, ..., K, где η – номер слоя, i – номер нейрона, j – номер входа нейрона, x(η,i) j – значение сиг- нала на j-м входе i-го нейрона η-го слоя, w(η,i) j – вес j-го входа i-го нейрона η-го слоя, Функции активации нейронов сети будут задаваться формулами:   ,)( xxψ η,i  η = 2: i = 1, 2, ..., JΣK; η = 3: i = 1, 2, ..., K. Весовые коэффициенты нейронов второго и третьего слоев сети будут опреде- ляться по формуле:                       K,, ..., J, , j, ..., J, , ...,N, b, , a βj, ..., K, , , i,ηα K;, ..., J, , j, ..., J, , ...,N, b, , a βj, ..., K, , , i, η ;j, ..., K, , , i,η , ..., K;, , q, ..., J, , ...,N, b, /K, a qβ, jβ, i,η , ..., K;, , q, ..., J, , ...,N, b, /K, a qβ, jβ, i, ηI ;K, j, ..., J, , i, η w Σaabiai Σaabi aabqabq aabqabqabq Σ η,i j 212121213 2121212130 02130 21212120 2121212 02120 Субботин С.А. «Искусственный интеллект» 1’2011 254 2С где     iJ j ijq iq iq I I α 1 , qJbKβ a j jabq           1 1 1 . Заключение С целью решения актуальной задачи автоматизации диагностических процедур разработано математическое обеспечение для синтеза диагностических моделей в ней- ро-нечетком базисе. Научная новизна работы заключается в том, что впервые предложен метод иден- тификации параметров нечетких моделей, позволяющий на основе предварительно заданных термов признаков осуществить неитеративный синтез нечетких и нейро-не- четких моделей качественных зависимостей. Предложенный метод учитывает инфор- мацию об информативности признаков, а также обеспечивает возможность взаимного преобразования синтезированных нечетких и нейро-нечетких моделей. Диагностические модели, идентифицированные на основе разработанного метода, в виде нечетких систем или нейро-нечетких сетей целесообразно применять, когда при решении задачи важно получить возможность последующего анализа модели и процес- са принятия решений, поскольку нечеткое представление обладает большей логичес- кой прозрачностью по сравнению с нейросетевыми моделями. Как при аппаратной, так и при программной реализации, предложенные нейро- нечеткие и нейросетевые модели можно существенно упростить, если считать в сетях отсутствующими связи, веса которых равны нулю. Литература 1. Борисов В.В. Нечеткие модели и сети / В.В. Борисов, В.В. Круглов, А.С. Федулов. – М. : Горячая линия-Телеком, 2007. – 284 с. 2. Рутковская Д. Нейронные сети, генетические алгоритмы и нечеткие системы / Д. Рутковская, М. Пи- линьский, Л. Рутковский ; пер с польск. – М. : Горячая линия-Телеком, 2004. – 452 с. 3. Субботин С.А. Неитеративный синтез и редукция нейро-нечетких моделей / С.А. Субботин // Ис- кусственный интеллект. – 2006. – № 3. – С. 323-330. 4. Прогрессивные технологии моделирования, оптимизации и интеллектуальной автоматизации этапов жизненного цикла авиационных двигателей : монография / А.В. Богуслаев, Ал.А. Олейник, Ан.А. Олей- ник [и др.]; под ред. Д.В. Павленко, С.А. Субботина. – Запорожье : ОАО «Мотор Сич», 2009. – 468 с. С.О. Субботін Ідентифікація нейро-нечітких моделей для вирішення завдань технічної діагностики Розроблено метод ідентифікації параметрів діагностичних моделей у нейро-нечіткому базисі, що дозволяє синтезувати в неітеративному режимі моделі якісних залежностей за прецедентами. S.A. Subbotin The Identification of Neuro-Fuzzy Models for Technical Diagnosis Problem Solving The method of diagnosis model parameter identification in neuro-fuzzy basis is developed. It allows to synthesize a qualitative dependence model on precedents in a non-iterative mode. Статья поступила в редакцию 01.10.2010.
id	nasplib_isofts_kiev_ua-123456789-58825
institution	Digital Library of Periodicals of National Academy of Sciences of Ukraine
issn	1561-5359
language	Russian
last_indexed	2025-12-07T18:29:51Z
publishDate	2011
publisher	Інститут проблем штучного інтелекту МОН України та НАН України
record_format	dspace
spelling	Субботин, С.А. 2014-03-31T11:39:14Z 2014-03-31T11:39:14Z 2011 Идентификация нейро-нечетких моделей для решения задач технической диагностики / С.А. Субботин // Штучний інтелект. — 2011. — № 1. — С. 251-254. — Бібліогр.: 4 назв. — рос. 1561-5359 https://nasplib.isofts.kiev.ua/handle/123456789/58825 004.93 Разработан метод идентификации параметров диагностических моделей в нейро-нечетком базисе, позволяющий синтезировать в неитеративном режиме модели качественных зависимостей по прецедентам. Розроблено метод ідентифікації параметрів діагностичних моделей у нейро-нечіткому базисі, що дозволяє синтезувати в неітеративному режимі моделі якісних залежностей за прецедентами. The method of diagnosis model parameter identification in neuro-fuzzy basis is developed. It allows to synthesize a qualitative dependence model on precedents in a non-iterative mode. Работа выполнена в рамках госбюджетной темы кафедры программных средств Запорожского национального технического университета «Информационные технологии автоматизации распознавания образов и принятия решений для диагностики в условиях неопределенности на основе гибридных нечеткологических, нейросетевых и мультиагентных методов вычислительного интеллекта» (№ гос. ре- гистрации 0109U007673). ru Інститут проблем штучного інтелекту МОН України та НАН України Штучний інтелект Моделирование объектов и процессов Идентификация нейро-нечетких моделей для решения задач технической диагностики Ідентифікація нейро-нечітких моделей для вирішення завдань технічної діагностики The Identification of Neuro-Fuzzy Models for Technical Diagnosis Problem Solving Article published earlier
spellingShingle	Идентификация нейро-нечетких моделей для решения задач технической диагностики Субботин, С.А. Моделирование объектов и процессов
title	Идентификация нейро-нечетких моделей для решения задач технической диагностики
title_alt	Ідентифікація нейро-нечітких моделей для вирішення завдань технічної діагностики The Identification of Neuro-Fuzzy Models for Technical Diagnosis Problem Solving
title_full	Идентификация нейро-нечетких моделей для решения задач технической диагностики
title_fullStr	Идентификация нейро-нечетких моделей для решения задач технической диагностики
title_full_unstemmed	Идентификация нейро-нечетких моделей для решения задач технической диагностики
title_short	Идентификация нейро-нечетких моделей для решения задач технической диагностики
title_sort	идентификация нейро-нечетких моделей для решения задач технической диагностики
topic	Моделирование объектов и процессов
topic_facet	Моделирование объектов и процессов
url	https://nasplib.isofts.kiev.ua/handle/123456789/58825
work_keys_str_mv	AT subbotinsa identifikaciâneironečetkihmodeleidlârešeniâzadačtehničeskoidiagnostiki AT subbotinsa ídentifíkacíâneironečítkihmodeleidlâviríšennâzavdanʹtehníčnoídíagnostiki AT subbotinsa theidentificationofneurofuzzymodelsfortechnicaldiagnosisproblemsolving

Идентификация нейро-нечетких моделей для решения задач технической диагностики

Institution

Ähnliche Einträge