Зачем необходимы треугольные нормы и конормы? Как их использовать? Имеется ввиду, на практике. |
Нечеткие алгоритмы обучения
Известно, что обучающиеся системы улучшают функционирование в процессе работы, модифицируя свою структуру или значение параметров. Предложено большое число способов описания и построения обучающихся систем. Все они предполагают решение следующих задач: выбор измерений (свойств, рецепторов); поиск отображения пространства рецепторов в пространство признаков, которые осуществляют вырожденное отображение объектов; поиск критерия отбора признаков. Причем в различных задачах для получения хороших признаков могут понадобиться разные критерии отбора. При обучении необходимо отвлечься от различий внутри класса, сосредоточить внимание на отличии одного класса от другого и на сходстве внутри классов. Необходим достаточный уровень начальной организации обучающейся системы. Для сложной структурной информации необходима многоуровневая обучающаяся система.
Следует выделить следующие группы нечетких алгоритмов обучения: обучающийся нечеткий автомат, обучение на основе условной нечеткой меры, адаптивный нечеткий логический регулятор, обучение при лингвистическом описании предпочтения.
Рекуррентные соотношения в алгоритмах первых двух групп позволяют получать функцию принадлежности исследуемого понятия на множестве заранее известных элементов. В третьей группе нечеткий алгоритм обучения осуществляет модификацию нечетких логических правил для удержания управляемого процесса в допустимых границах. В четвертой группе нечеткий алгоритм обучения осуществляет поиск вырожденного отображения пространства свойств в пространство полезных признаков и модификацию на их основе описания предпочтения.
Обучающийся нечеткий автомат
Рассмотрим автомат с четким входом и зависимым от времени
нечетким
отношением перехода
. Пусть
—
нечеткое состояние
автомата в момент времени
на конечном множестве состояний
и
— оценка значения
.Состояние
автомата в момент времени
определяется
-
композицией:








![[0,1]](/sites/default/files/tex_cache/ccfcd347d0bf65dc77afe01a3306a96b.png)
Пример.
На рис. 12.1 изображена модель классификации образов. Роль входа и выхода
можно кратко объяснить следующим образом. Во время каждого интервала
времени классификатор образов получает новый образец из неизвестной
внешней среды. Далее
обрабатывается в рецепторе, из которого поступает
как в блок "обучаемый", так и в блок "учитель" для
оценки.
Критерий оценки должен быть выбран так, чтобы его минимизация или максимизация
отражала свойства классификации (классов образов). Поэтому, благодаря
естественному распределению образов, критерий может быть включен в систему,
чтобы служить в качестве учителя для классификатора. Модель обучения
формируется
следующим образом. Предполагается, что классификатор имеет в распоряжении
множество дискриминантных функций нескольких переменных. Система адаптируется
к лучшему
решению. Лучшее решение выделяет множество дискриминантных функций, которые
дают
минимум нераспознавания среди множества дискриминантных функций для данного
множества
образцов.