перейти к полному списку дипломных проектов

Ссылка на скачивания файла в формате .doc находится в конце странички

Нечеткая нейронная сеть как правило состоит из четырех слоев: слоя фазификации входных переменных, слоя агрегирования значений активации условия, слоя агрегирования нечетких правил и выходного слоя

2 – Треугольная функция принадлежности

Аналогично для задания трапецеидальной функции (рисунок 2.3) принадлежности необходима четверка чисел (a,b,c,d):

(2.2)

При (b-a)=(d-c) трапецеидальная функция принадлежности принимает симметричный вид.

Рисунок 2.3 – Трапециидальная функция принадлежности

Функция принадлежности гауссова типа(рисунок 2.4) описывается формулой

(2.3)

и оперирует двумя параметрами. Параметр c обозначает центр нечеткого множества, а параметр ( отвечает за крутизну функции.

Рисунок 2.4 – Гауссовская функция принадлежности

Расширенная функция принадлежности гауссова типа(рисунок 2.5) описывается формулой

(2.4)

Рисунок 2.5 – Расширенная гауссовская функция принадлежности

Сигмоидальная функция принадлежности (рисунок 2.6) описывается формулой

(2.5)



Рисунок 2.6 – Сигмоидальная функция принадлежности

2.3 Применение нечеткой логики

Гибридизация методов интеллектуальной обработки информации – девиз, под которым прошли 90-е годы у западных и американских исследователей. В результате объединения нескольких технологий искусственного интеллекта появился специальный термин – 'мягкие вычисления' (soft computing), который ввел Л. Заде в 1994 году. В настоящее время мягкие вычисления объединяют такие области как[5]: нечеткая логика, искусственные нейронные сети, вероятностные рассуждения и эволюционные алгоритмы. Они дополняют друг друга и используются в различных комбинациях для создания гибридных интеллектуальных систем.

Влияние нечеткой логики оказалось, пожалуй, самым обширным. Подобно тому, как нечеткие множества расширили рамки классической математическую теорию множеств, нечеткая логика 'вторглась' практически в большинство методов Data Mining, наделив их новой функциональностью. Ниже приводятся наиболее интересные примеры таких объединений.

Нечеткие нейронные сети. Нечеткие нейронные сети (fuzzy-neural networks) осуществляют выводы на основе аппарата нечеткой логики, однако параметры функций принадлежности настраиваются с использованием алгоритмов обучения НС. Поэтому для подбора параметров таких сетей применим метод обратного распространения ошибки, изначально предложенный для обучения многослойного персептрона. Для этого модуль нечеткого управления представляется в форме многослойной сети. Нечеткая нейронная сеть как правило состоит из четырех слоев: слоя фазификации входных переменных, слоя агрегирования значений активации условия, слоя агрегирования нечетких правил и выходного слоя.

Наибольшее распространение в настоящее время получили архитектуры нечеткой НС вида ANFIS и TSK.

скачать бесплатно Библиотека MFC

Содержание дипломной работы

Идея, лежащая в основе теории нечетких множеств, заключается в том, что человек в своей повседневной жизни мыслит и принимает решения на основе нечетких понятий
Тогда нечетким множеством С называется множество упорядоченных пар вида C={MFc(x)/x}, MFc(x) [0,1]
Последнее, что осталось сделать – построить функции принадлежности для каждого лингвистического терма из базового терм-множества T
Нечеткая нейронная сеть как правило состоит из четырех слоев: слоя фазификации входных переменных, слоя агрегирования значений активации условия, слоя агрегирования нечетких правил и выходного слоя
В отличие от простых когнитивных карт, нечеткие когнитивные карты представляют собой нечеткий ориентированный граф, узлы которого являются нечеткими множествами
Когда MS Windows обнаруживает ресурс окна в программе, она использует команды из этого ресурса для конструирования работающего окна
При перемещении мыши выводится значение точки x (с учетом масштаба) и степень принадлежности (значение данной функции принадлежности) этой точки x
гос
h" include
, нами было разработано и проведено 6 занятий по 3D моделированию, позволяющих изучить основы 3D моделирования
, нами было разработано и проведено 6 занятий по 3D моделированию, позволяющих изучить основы 3D моделирования
, нами было разработано и проведено 6 занятий по 3D моделированию, позволяющих изучить основы 3D моделирования