Genetic Fuzzy Systems
advertisement
Содержание Предисловие Введение Глава 1. Системы нечеткой логики 1.1 Нечеткая логика и нечеткие системы 1.2 Нечеткие системы Мамдани База знаний нечеткой системы Мамдани Машина вывода нечеткой системы Мамдани Интерфейс фазификации Система вывода Интерфейс дефазификации Примеры приложений Разработка машины вывода Достоинства и недостатки нечетких систем Мамдани Модификации нечетких систем Мамдани ДНФ нечеткие системы Мамдани Аппроксимационные нечеткие системы Мамдани 1.3 Нечеткие системы Такаги-Сугено-Канга 1.4 Формирование множества нечетких правил Постановка целей для получения множества нечетких правил Типы информации, доступной для формирования множества нечетких правил Создание лингвистических правил Создание аппроксимационных нечетких правил систем Мамдами Создание нечетких правил систем Такаги-Сугено-Канга Основные свойства множества нечетких правил Полнота множества нечетких правил Непротиворечивость множества нечетких правил Простота множества нечетких правил Избыточность множества нечетких правил 1.5 Применения нечетких систем Нечеткое моделирование Выгоды использования нечетких систем для моделирования Связь нечеткого моделирования и системного распознавания Некоторые приложения нечеткого моделирования Нечеткое управление Преимущества нечеткого управления Различия в разработке нечетких моделей и систем нечеткого управления Некоторые приложения систем нечеткого управления Нечеткая классификация Преимущества применения нечетких систем для классификации Компоненты и особенности разработки нечетких систем классификации Некоторые приложения нечеткой классификации Глава 2. Эволюционные вычисления 2.1 Концептуальные основы генетических вычислений 2.2 Генетические алгоритмы Основные характеристики Теорема схем Расширение простого генетического алгоритма Генетическое кодирование решений Определение приспособленности Схемы выбора и замещения Генетические алгоритмы ниш (локальных оптимумов) Рекомбинация Генетические алгоритмы вещественного кодирования Рекомбинация в генетических алгоритмах вещественного кодирования Мутация в алгоритмах вещественного кодирования Беспорядочные (неупорядоченные) генетические алгоритмы Недо- и пере-определение Генетические операторы 2.3 Другие эволюционные алгоритмы Эволюционные стратегии Эволюционное программирование Генетическое программирование Глава 3. Введение в генетические нечеткие системы 3.1 Мягкие вычисления 3.2 Гибридизация (смесь подходов) в мягких вычислениях Нечеткая логика и нейронные сети Нейро-нечеткие системы Нечетко-нейронные сети Нейронные сети и эволюционные вычисления Применение генетических алгоритмов для обучения нейронных сетей Применение генетических алгоритмов для определения топологии сети Генетические алгоритмы и вероятностные суждения 3.3 Объединение эволюционных алгоритмов и нечеткой логики Нечеткие эволюционные алгоритмы Адаптация параметров генетических алгоритмов Компоненты генетических алгоритмов нечеткой структуры 3.4 Генетические нечеткие системы Генетические системы нечеткой логики Определение пространства фенотипов генетической нечеткой системы Генетическая настройка базы данных Генетическое обучение базы правил Генетическое обучение базы знаний Пространство фенотипов баз правил и знаний От фенотипа к генотипу Создание нового генетического материала Оценка генетического материала Проблема содействие-соперничество Глава 4. Процесс генетической настройки 4.1 Настройка систем нечеткой логики Настройка функций масштабирования Линейные функции Нелинейные функции Настройка функций принадлежности Настройка нечетких правил 4.2 Генетическая настройка функций масштабирования 4.3 Генетическая настройка функций принадлежности нечетких систем Мамдани Форма функций принадлежности Кусочно-линейные функции Дифференцируемые функции Область (границы) семантики Настройка описательных нечетких систем Мамдани Настройка аппроксимационных нечетких систем Мамдани Пример: процесс генетической настройки множества правил нечеткой системы Мамдани Общие аспекты обоих процессов генетической настройки Процесс настройки аппромаксимационной системы Процесс настройки описательной системы 4.4 Генетическая настройка множества правил нечетких систем Такаги-Сугено-Канга Генетическая настройка параметров следования правил (?) Пример: процесс эволюционной настройки MOGUL для баз знаний систем ТакагиСугено-Канга Представление Начальная популяция Генетические операторы Глава 5. Обучение с помощью генетических алгоритмов 5.1 Процесс генетического обучения. Введение 5.2 Мичиганский подход. Системы-классификаторы Исполнительная система Система присваивания коэффициентов доверия Система отыскания классификаторов Основные операции системы-классификатора Расширения систем-классификаторов ZCS и XCS системы Опережающие системы-классификаторы 5.3 Питсбургский подход Популяция баз правил Система вычислений Система отыскания баз правил Представление Процесс генетического обучения, основанный на Питсбургском подходе Система генетического обучения GABIL Система генетического индуктивного обучения GIL Система обучения Коркорана-Сена 5.4 Подход итеративного обучения правил Глава 6. Генетические нечеткие системы, основанные на Мичиганском подходе 6.1Основные возможности нечетких систем-классифиаторов 6.2Нечеткие системы-классификаторы для обучения баз правил Система-классификатор Валензуэла-Рендона: введение закрепляющего обучения Системы классификаторы для обучения нечетких правил классификации Кодирование лингвистических классификационных правил и начальная популяция Вычисление (определение) каждого правила Генетические операторы для создания новых правил Замещение правил и тест завершения Алгоритм Расширения 6.3 Нечеткие системы-классификаторы для обучения баз нечетких правил Система-классификатор Пародии-Бонелли для баз аппроксимационных нечетких правил Основная модель Описание алгоритма Системы-классификаторы для непрерывного обучения аппроксимационных правил нечеткого управления Предложенные нечеткие системы-классификаторы Непрерывное обучение нечетких правил с использованием Limbo Глава 7. Генетические нечеткие системы, основанные на Питсбургском подходе 7.1 Кодирование баз правил как хромосомы Позиционная семантика Таблицы решений Матрицы отношений Правила вида Такаги-Сугено-Канга Непозиционная семантика (список правил) Правила фиксированной длины Правила переменной длины Аппроксимационные правила 7.2 Мультихромосомные геномы (кодирование баз знаний) Представление Операторы 7.3 Примеры Обучение таблицы решений Обучение матриц отношений Обучение баз знаний систем Такаги-Сугено-Канга Обучение баз знаний ДНФ систем Мамдани (с правилами фиксированной длины) Обучение баз знаний ДНФ систем Мамдани (с правилами переменной длины) Обучение баз нечетких правил аппроксимационных систем Мамдани Глава 8. Генетические нечеткие системы, основанные на итеративном обучении правил 8.1 Кодирование нечетких правил Кодирование лингвистических правил Кодирование аппроксимационных правил систем Мамдани Кодирование правил систем Такаги-Сугено-Канга 8.2 Соревновательное обучение нечетких правил Метод порождения нечетких правил Различные критерии для функции адаптации метода порождения правил Некоторые примеры методов порождения правил Итеративный покрывающий метод Итеративный покрывающий метод алгоритма MOGUL Итеративный покрывающий метод алгоритма SLAVE 8.3 Заключительная обработка: уточнение баз правил Заключительная обработка алгоритма MOGUL Основной процесс генетического упрощения Процесс мультиупрощения Заключительная обработка алгоритма SLAVE 8.4 (побуждение, наведение, увеличение) Взаимодействие на стадии создания порождения правил Взаимодействие в процессе порождения описательных нечетких правил: что может предложить SLAVE Взаимодействие между правилами для проблем четких доменов. Взаимодействие между правилами для проблем нечетких доменов. Взаимодействие в процессе порождения аппроксимационных правил: низкий коэффициент взаимодействия оптимумов в MOGUL Взаимодействие в процессе порождение правил систем Такаги-Сугено-Канга: мера локальной ошибки в MOGUL 8.5 Примеры MOGUL SLAVE Глава 9. Другие парадигмы нечетких генетических систем 9.1 Разработка нечетких систем с использованием генетического программирования Обучение баз правил с использованием генетического программирования Кодирование баз правил Необходимость типизованных систем Порождение баз правил Обучение баз знаний с использованием генетического программирования 9.2 Генетический выбор множеств нечетких правил Генетический выбор из множества возможных нечетких правил Генетический выбор лингвистических модификаторов, объединяющих базы правил, для изменения формы функций принадлежности Использование лингвистических модификаторов для изменения формы функции принадлежности Генетический процесс мультивыбора, учитывающий лингвистические ограничения (ограды) Основной метод генетического выбора Алгоритм генетического процесса мультивыбора Параметрическое расширение Точное лингвистическое моделирование с использованием генетического выбора Некоторые важные замечания относительно точного лингвистического моделирования Процесс лингвистического моделирования Генетический выбор с иерархическими базами знаний Философия иерархических баз знаний Системное моделирование с иерархическими базами знаний 9.3 Обучение баз знаний посредством генетического вывода (извлечения, наследования) из баз данных Обучение баз знаний генетическим выводом из баз данных Генетическое обучение функций принадлежности Генетическое обучение равнобедренных треугольных функций принадлежности Генетическое обучение функций принадлежности с неявным детализированным (ступенчатым, зернистым) обучением Генетическое обучение функций детализации и принадлежности Сегментное (частичное, раздельное) генетическое обучение для классификации шаблонов (примеров, образцов) Генетическое обучение нелинейных контекстов Процесс генетического обучения факторов масштабирования, степени детализации и нелинейных контекстов. 9.4 Другие подходы генетического обучения Генетическая интеграция множества баз знаний Гибкость, полнота, последовательность, компактность и простота Эволюционное создание гибких, полных, последовательных и компактных нечетких систем Генетическое уменьшение сложности и улучшение интерпретируемости Иерархически распределенные генетические алгоритмы: разработка нечетких систем с использованием парадигмы многорезолюционного (множества решений) поиска. Параллельные генетические алгоритмы для обучения баз знаний с различными уровнями детализации Модульная и иерархическая эволюционная разработка нечетких систем Вирусно-эволюционный генетический алгоритм обучения множеств правил систем Такаги-Сугено-Канга Начальные сведения: вирусная теория эволюции Архитектура вирусно-эволюционного генетического алгоритма Операторы заражения вирусом Нечеткая система, основанная на вирусно-эволюционном генетическом алгоритме Подход Наго: генетическое обучение с использованием механизмов рекомбинации в генетике бактерий Генетика бактерий Подход Наго: описание алгоритма Подход Наго: расширения Обучение нечетких правил с использованием ДНК кодирования Гибридный алгоритм нечеткого обучения (Питсбургский и Мичиганский подходы) для разработки компактных нечетких систем Глава 10. Другие типы эволюционных нечетких систем 10.1Генетические нечеткие нейронные сети Генетическое обучение нечетких весов Генетическое обучение радиальных базисных функций и весов Генетическое обучение нечетких правил посредством связных весов Сочетание генетических алгоритмов и дельта правила грубой и тонкой настройки нейро-нечетких сетей 10.2Генетическая нечеткая кластеризация Введение в проблему кластеризации Сильная (твердая, тяжелая) кластеризация Нечеткая кластеризация Различные приложения генетических алгоритмов для нечеткой кластеризации Генно-нечеткая кластеризация, основанная на прототипах Генно-нечеткая кластеризация, основанная на нечетких сегментах (разделениях) Генно-нечеткая кластеризация путем определения нормы расстояния Чистая генетическая нечеткая кластеризация 10.3Генно-нечеткие деревья решений Деревья решений Нечеткие деревья решений Оптимизация нечетких деревьев решений Глава 11. Применения 11.1Классификация Генетические нечеткие системы для обучения нечетких правил классификации: уточнение (пересмотр, исправление) Диагностика инфаркта миокарда Диагностика рака молочной железы Параметры нечеткой системы классификации Подход генетического обучения Результаты 11.2Системное моделирование Проблемы распределения энергии в Испании Подсчет длины низковольтных линий Подсчет стоимости содержания линий среднего напряжения Проблема дегустации риса Прогнозирование развития зубов 11.3Системы управления Система поддержания устойчивости транспорта Цель и функция пригодности Некоторые результаты Задача диверсификации Управление электростанциями на ископаемом топливе Формулировка проблемы Генетическая нечетка система Результаты применения 11.4Робототехника Поведенческие роботы Эволюционные роботы Роботизированные комплексы Восприятие мира Управление на основе нечеткой логики Генетические нечеткие системы Библиография Сокращения Индексный указатель