Построение модели гибридных системы для обработки данных
Особенностью гибридных систем является их принципиальная интерпретируемость, то есть всякая система логического вывода, гибридная система объясняет свой результат с помощью обратного просмотра протокола применяемых вербализованных правил. Любая нечеткая нейронная сеть работает как система нечеткого логического вывода, но строится не с помощью инженерных знаний, а с помощью обучения по образцам. В результате матрица весов отражает силу связи входных и выходных переменных. Результатом обучения служит не только матрица весов, но совокупность правил и оценок их достоверности.
Обучение сети. Задача обучения – научить сеть активировать один и тот же нейрон для похожих векторов хр на входе. Не важно, какой конкретно нейрон будет активирован.
В нашем случае обучение сети (Рисунок 14.12) произошло на первом этапе. Т.к. мы задали большое количество правил, что способствовало быстрому обучению сети. Можно проследить такую закономерность, чем точнее мы задаем правила работы сети, тем быстрее идет обучение, и как следствие стабильная работа.
После обучения наша сеть готова к работе. На рисунке 14.13 виден результат обучения сети. Как ранее отмечалось, правила работы системы, которые были заложены в нечетком алгоритме, помогли быстрому обучению сети. Обучение сети прошло в 2 этапа.
После обучения сети произошли изменения в выходной переменной. При тех же значения х1=20, х2=20, х3=20, у=45 (вместо 50,8).
Вывод: система нашла оптимальное решение, при котором сеть будет работать стабильно.
На рисунках 14.14 и 14.15 мы можем наглядно просмотреть зависимость выходной переменной от входных параметров и принять решение в зависимости от ситуации. В зависимости от поставленной задачи или регламентирующих правил, мы можем регулировать процент допустимой информации, увеличивая или уменьшая его.
В данном случае мы применили метод перемещения по одному маршруту, из одного пункта в другой. Это позволило применить динамическое управление реализации передачи данных, а также учитывать изменение условия продвижения к заданному пункту назначения в зависимости от входных переменных. Критерием был процент недопустимой информации. Алгоритм маршрутизации настраивался автоматически с использованием гибридной системы.
В условиях недостатка информации и невозможности проведения активного эксперимента при моделировании сложных систем приходится ограничиваться оценкой адекватности с использованием имеющихся актуальных данных. Оценить в полной мере устойчивость модели не представляется возможным, в некотором роде устойчивость достигается за счет адаптации модели с поступлением новых данных.
Важный шаг - оценка чувствительности модели к изменению параметров входных сигналов и внутренних параметров самой системы. Процедура, в том числе помогает выявить и проанализировать проблемные места синтезированного решения. Гибридная модель имеет по каждому параметру относительный коридор стабильности, в пределах которого функционал качества изменяется незначительно в силу распределения вычислительных функций между отдельными нейронами сети. Благодаря этому резкого падения качества модели при повреждении структуры не происходит, и наблюдается постепенная деградация работоспособности. Свойство определяет надежность схем на гибридных сетях и позволяет использовать гибридные модели для автоматизации ответственных и опасных процессов.
Краткие итоги
ГС не только используют априорную информацию, но могут приобретать новые знания, которые для пользователя являются логически прозрачными.
Подобные гибридные сети являются довольно эффективным средством системного моделирования и группового мониторинга. Наиболее подходящими для применения являются групповые процессы с сильной нелинейностью и сложным регулированием.
Вопросы для самопроверки
- Что называют ГС?
- На чем основывается работа гибридной системы?
- Дайте определение фазификацией.
- Дайте определение дефазификации.
- Какие методы используются для дефазификации нечеткого результата?
- Перечислите основные методы работы ГС.
- Какую информацию используют ГС?