Искусство в IT-технологиях...

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

Нейро-нечеткие сети

Включение концепции нечеткой логики в НС дает возможность гибридной системе иметь дело с человекоподобным процессом рассуждений, закладывать в информационное иоле НС априорный опыт экспертов-экономистов, использовать нечеткое представление информации, извлекать знания из входного потока экономических показателей, а 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 представлении знаний и объяснений результатов работы интеллектуальной системы, т. е. НЛ наилучшим образом дополняет нейронные сети.
Нечеткая логика позволяет формализовать качественную информацию, полученную от экспертов-экономистов для конкретной сферы применения, и представить совокупность полученных знаний в виде системы нечетких правил логического вывода, позволяющих анализировать заключения, полученные в процессе работы гибридной интеллектуальной системы.
Нейронные сети дают возможность отобразить алгоритмы нечеткого логического вывода в структуре НС, вводя в информационное поле нейронной сети информацию, полученную от экспертов-экономистов.
Сформированная подобным образом база знаний автоматически корректируется в процессе обучения нейро-нечеткой сети исходя из
реальных значений анализируемых экономических показателей и результаты коррекции могут быть подвергнута последующему анализу [3].
Важной особенностью нейро-нечетких сетей является способность автоматически генерировать систему нечетких правил, извлекая скрытые закономерности изданных обучающей выборки.
Под названием адаптивной нейро-нечеткой системой вывода - ANFIS (Adaptive Neuro-Fuzzy Inference System) [97J известна специализированная пейросетевая структура, характеризующаяся хорошей сходимостью и ориентированная на извлечение знаний в виде системы нечетких правил из данных обучающей выборки. ANFIS - функциональный эквивалент нечеткой модели вывода по алгоритму Sugcno.
Таким образом, проведенный анализ показывает, что знания квалифицированных экономистов для конкретной предметной области, представленные в форме нечетких правил логического вывода, могут быть прозрачным способом отражены в структуре нейро-нечеткой сети. Обучение нечеткой НС позволяет не только настроить веса связей (т.
е. откорректировать достоверность нечетких правил логического вывода), но и устранить противоречивость системы нечетких правил в целом. В случае отсутствия исходной информации по данной предметной области, но при достаточном объеме обучающей выборки нейро-нечеткая сеть автоматически преобразует скрытые в анализируемых экономических показателях закономерности в базу знаний в виде системы правил нечеткого логического вывода.
Решение задач управления и принятия решений корпоративного уровня сопровождается оптимизацией сайта хозяйствующего субъекта [98]. Причем оптимизация информационной структуры коропративного сайта в соответствии с интересами его посетителей базируется на придании сайту адаптивных свойств, что требует привлечения современных интеллектуальных средств.
Анализ перспективных интеллектуальных средств подтвердил, что при решении задач управления и принятия решений,
для которых характерно наличие неполной и недостаточно достоверной информации, хорошо зарекомендовали себя системы интеллектуального анализа данных. Нейронные сети, системы нечеткой логики являются обязательным инструментом интеллектуального поиска и извлечения знаний, т. к. обладают способностью выявления значимых признаков и скрытых закономерностей в анализируемых экономических показателях.
предыдущий следующий
= К содержанию =


Нейро-нечеткие сети - релевантная информация:

  1. 1.1.2. Специфика маркетинговой деятельности корпорации в информационном обществе
    нейронных сетей, нечетких множеств, эволюционных методов оптимизации, которые позволяют извлекать знания из первичной информации и формировать базу знаний потребностей. Для формирования и автоматического обновления базы знаний потребностей можно использовать следующие интеллектуальные средства: систему правил вида IF- THEN (аналогично экспертным системам) как средство систематизации знания
  2. 1.3.1. Интеллектуальные аналитические системы на базе нечеткой логики
    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
  3. 1.3.3. Гибридные системы для анализа информации
    нейронных сетей к часто используемым средствам интеллектуального анализа экономических данных относятся системы, использующие вероятностные рассуждения [92, 93], нечеткий логический вывод [67, 72] и методы генетических алгоритмов [3, 47, 95], которые составляют основу мягких вычислений. Перечисленные средства являются основными компонентами гибридных интеллектуальных систем, способными к
  4. Нейро-экспертные системы
    нейронные сети в той или иной мере успешно моделируют отдельные стороны интеллекта. В то время как экспертные системы используют правила импликации (IF-THEN), логический вывод, нейронные сети обладают способностью обучаться и выполнять параллельную обработку данных. Экспертные системы не обладают способностью к обучению, но проводимые ими рассуждения понятны и «прозрачны», в то время как
  5. Выводы по главе 1
    нейронных сетей, нечетких множеств, эволюционных методов оптимизации. Способ формирования информационного потребления базируется на широкой доступности современных информационных технологий и, прежде всего, средств Интернет. В этой связи корпоративный сайт является точкой доступа к информационным ресурсам Интернет и средством воздействия на потребителя с целью формирования необходимого для
  6. 2.1.2. Модель адаптивного корпоративного сайта
    нейронные сети для решения задачи кластеризации; в процессе кластеризации происходит сравнение входного вектора с векторами весов формальных нейронов-прототипов (ФН-прототииов) и формирование нового кластера (в случае отрицательного результата сравнения), т. е. нового ФН-прототипа с весами, равными координатам входного вектора; нейро-нечеткие классификаторы интересов и механизмов
  7. 2.2. Методика оптимизации адаптивного корпоративного сайта
    нейронную и нейро-нечеткую сети адаптивного классификатора механизмов интернет-маркетинга по векторам интересов. Для исходных массивов экспертных оценок производят расчет показателей эффективности информационной структуры и рейтинга корпоративного сайта, которые исполЕ.зуются в процессе принятия решений. Комплекс показателей также используется методикой оптимизации информационной структуры сайта
  8. 24. Процессы адаптации нейро-нечетких классификаторов сайта
    нейро-нечеткой сети, при этом непротиворечивость системы правил логического вывода дает возможность ускорить адаптационные процессы в нечеткой НС. Ниже рассмотрены алгоритмы адаптации нейронных и нейро-нечетких сетей в составе корпоративного сайта, которая использует нечеткие межнейронные
  9. 2.4.1. Специфика адаптации классификаторов с нечеткими связями
    нейронных связей информационных полей нейро-нечетких сетей в виде совокупности нечетких связей [59,60). Если при описании нейро-нечеткой сети используются типовые виды семантики (например, 5 и L), и степень детализации (число элементов нечеткого множества) изменяется как степень числа 2 (рис. 2.8.6). Нечеткая связь - совокупность взвешенных межисйроиных связей между выходом формального нейрона
  10. 2.4.5. Моделирование процессов адаптации нейро-нечетких классификаторов
    нейро-нечетких классификаторов использованы разработанные инструментальные средства моделирования процесса обучения нейро-нечетких сетей. Инструментальные средства моделирования процесса обучения нейро-нечетких сетей адаптивного корпоративного сайта позволяют: знания экспертов отразить в структуре нейро-нечеткой сети (рис. 2.12), обучить нейро-нечеткую сеть на потоке реальных данных (рис. 2.13),