Искусство в IT-технологиях...

Нестерук Татьяна Никифоровна. Разработка модели адаптивного корпоративного сайта и инструментария для повышения эффективности маркетинговых решений, 2006

1.3.1. Интеллектуальные аналитические системы на базе нечеткой логики

Системы нечеткой логики базируются на работах Л. Заде и введенном им понятии непрерывной переменной [63, 67, 72]. Системы нечеткой логики оперируют с качественными понятиями, непрерывными переменными [66, 67], при описании высказываний не ограничиваются двумя предельными значениями истинности 0 и I, а допускают использование промежуточных значений на интервале [0, I].
Подход Л. Заде ближе к логике реального мира,
который характеризуется не вполне достоверными и четкими значениями посылок в процессе формирования заключений и принятия решений.
Непрерывной переменной (НП) [67J называют кортеж ( Д X О* где р -наименование переменной; X = {х} - область ее определения; С - нечеткое множество (ИМ) на X, описывающее функцию принадлежности (ФП) - м(х) переменной. При дискретном представлении данных ограничивают число значений истинности НП на интервале [О, I ].
Большинство инструментальных комплексов для целей интеллектуального анализа данных включают средства для отображения выявленных закономерностей (базы знаний) в виде системы правил IF-THEN. Системы нечеткой логики и нейро-нечеткие сети используют нечеткий логический вывод на основе системы нечетких правил Я,, / = 1,..., я, которая описывает опыт экспертов конкретной предметной области, представленный на качественном уровне:
/7, ; если х есть А] , то у есть /?, > П2 : если х есть Л2 , то у есть В2,

Пп : если х есть /I , то у есть В„,
где х и у, соответственно, нечеткая входная переменная (посылка) и нечеткая переменная вывода (заключение), а А, и В, - соответствующие функции принадлежности.
В нечетком логическом выводе [8] знания эксперта А-> В отражают нечеткое причинное отношение посылки и заключения R = А -> В, операция -> соответствует нечеткой импликации. Процесс получения нечеткого результата вывода В по посылке Л и знаниям Л -> В представляют в виде композиционного правила: В = Л •!{ = Л •(Л-+ В).
Нечеткий логический вывод включает следующие этапы [4,8]: 1) Введение нечеткости. По функциям принадлежности, заданным на области определения входных непрерывных переменных, исходя из
фактических значений переменных, для правил назначается степень истинности каждой посылки.
Логический вывод.
По степени истинности посылок формируются заключения по каждому из правил вывода.
Композиция. Одноименные заключения объединяются с целью формирования нечеткого подмножества для переменных вывода.
Приведение к четкости сводится к преобразованию нечеткого подмножества для переменных вывода в четкое значение.
Известно большое число различных алгоритмов нечеткого логического вывода, ориентированных на специфику задач, решаемых в конкретной предметной области [4, 8J.
Интеллектуальные аналитические системы, основанные на нечетком логическом выводе, достаточно широко используются при решении экономических задач [7, 47, 48, 59, 60, 62], например, для анализа риска фондовых инвестиций [62], решения прикладных задач [77 - 80], проведения аудита корпоративных сетей [81].
Многочисленные приложения нечетких систем логического вывода можно найти в работах [3, 4, 62], причем в первой работе приведен детальный перечень разработчиков программного обеспечения для интеллектуального анализа данных, включая нечеткие системы логического вывода.
предыдущий следующий
= К содержанию =


1.3.1. Интеллектуальные аналитические системы на базе нечеткой логики - релевантная информация:

  1. 3.2. Продвижение пиар - проектов: опыт, проблемы, перспективы
    интеллектуальной площадки, где ежедневно публикуются сотни философских эссе, очерков, сатирических зарисовок, афоризмов. Все это активно комментируется, ' Как отмечает пресса, в работе над порталом участвуют Александр Солдатов - сотрудник информационного агентства "Благовест-инфо" и создатель сайтов "Церковность™ и "Родная речь" Егор Холмогоров. Авторские
  2. 1.2.2. Оптимизация сайта с целью повышения эффективности маркетинговой деятельности корпорации
    интеллектуального анализа данных [47, 62]. Основной целью применения подобных систем является извлечение знаний из информации с помощью методов известных как data mining and knowledge engineering [47]. Искусственные нейронные сети (НС) [3], системы нечеткой логики [66-70] являются обязательным инструментом извлечения знаний, т. к. обладают способностью выявления значимых признаков и скрытых
  3. 1.3. Интеллектуальные средства для решения задач управления и принятия решений корпоративного уровня
    интеллектуальные средства. Таблица 1.1 Процесс обучения нейронной сети затрагивает не отдельную связь, а систему межнейронных связей НС, т. е. информационное поле НС в целом. Нейронные сети могут приобретать знания и адаптироваться к внешним условиям, но использование знаний экспертов для ускорения процесса обучения НС и анализ процесса формирования результата проблематичны. Напротив,
  4. 1.3.2. Интеллектуальные аналитические системы на базе нейронных сетей
    интеллектуальный анализ данных. Основное преимущество нейросстевых аналитических систем заключается в способности выделять скрытые в обучающих примерах закономерности и накапливать полученный опыт путем коррекции информационного ноля нейронной сети, производимой в режиме обучения НС. Способность к адаптации является фундаментальным свойством нейронных сетей. Процесс обучения нейронной сети
  5. Нейро-нечеткие сети
    интеллектуальные средства анализа позволяют оптимизировать затраты на модификацию и эксплуатацию корпоративного сайта субъекта рыночных отношений. Объединение возможностей нейронных сетей и нечеткой логики является наиболее перспективным подходом к организации систем интеллекгуального анализа экономических данных. Системы нечеткой логики компенсируют две основные «непрозрачности» НС в
  6. Выводы по главе 1
    интеллектуальные средства анализа данных и поддержки принятия решений. I. Проведен анализ современных средств маркетинга и информационных технологий, в результате слияния которых возникает мощный механизм информационного управления обществом потребления посредством контроля рынка и создания новых потребностей. Отмечено, что произошел переход от пассивного характера воздействия на потребителя к
  7. 2.2. Методика оптимизации адаптивного корпоративного сайта
    интеллектуального анализа данных для разрабатываемой модели адаптивного корпоративного сайта хозяйствующего
  8. 2.3.2. Нейро-нечеткая классификация
    систем, основанных на системе нечетких правил вывода, применяют нечеткие 11С типов 2, 3 и 4. Для реализации классификаторов адаптивных уровней сайта следует выбрать нечеткие НС типа 2, так как в результате работы нейро-нечеткого классификатора должен быть сформирован нечеткий вектор классификационных заключений на основе нечетких правил вывода (базе знаний экспертов). Нечеткие НС организуются в
  9. 2.4.3. Генетический алгоритм адаптации нейро-нечетких сетей в составе корпоративного сайта
    интеллектуального анализа данных первые два подхода используют для извлечения знаний из информации. В адаптивном сайте нейро-нечеткие классификаторы необходимы для извлечения знаний из входных векторов признаков посещения сайта и интересов (в процессе обучения НС), а генетические алгоритмы - для оптимизации информационных полей НС. Рассмотрим генетический алгоритм обучения нечеткой НС при
  10. СПИСОК ИСПОЛЬЗОВАННЫХ источников
    интеллектуального корпоративного сайта // Современные информационные технологии обработки и защиты информации / Под ред. В. Л. Горохова - СПб: СПбГИЭУ, 2005. С. 74-81. Нестерук Ф. Г., Осовецкий Л. Г, Нестерук Т. Н. Жигулин Г. П. Разработка комплекса показателей для оценки информационных ресурсов и безопасности иерархических систем // IX Санкт-Петербургская международная конференция Региональная