Искусство в IT-технологиях...

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

2.4.5. Моделирование процессов адаптации нейро-нечетких классификаторов

Дня моделирования процессов адаптации информационного поля 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),
проанализировать информационное поле нейро-нечеткой сети,
откорректировать исходную базу знаний.
Исходя из базы знаний экспертов, представленных в виде системы нечетких правил логического вывода, инструментальные средства автоматически формируют топологию нейро-нечеткого классификатора. То есть база знаний экспертов-экономистов (в виде системы нечетких правил вывода) непосредственно отражается в структуре нейро-нечеткого классификатора (рис 2.12):
узлы В образуют входной слой нейро-нечеткой сети,
узлы И - слой логического вывода нейро-нечеткой сети, который соответствует одноименному этапу процедуры нечеткого логического вывода,
• узлы ИЛИ - слой композиции нейро-нечеткого классификатора.

Ниже приведены результаты моделирования нейро-нечеткого классификатора при различном сочетании числа формальных нейронов в слоях логического вывода и композиции нейро-нечеткой сети.
Для нейро-нечеткого классификатора, обучаемого но методу ГА с использованием нечеткой связи в качестве генов была исследована модель нейро-нечеткой сети 3-8-3 (3 входа, 8 ФН в слое логического вывода и 3 выхода), длина хромосомы - 48, размер популяции постоянен в процессе эволюции -10.
Рис. 2.14 иллюстрирует процесс формирования ряда поколений нейро-нечетких классификаторов без проведения отбора при удачной случайной генерации исходных значений весов связей классификатора (минимальная ошибка в пределах родительской популяции - 9 %).
Наблюдается незначительное изменение ошибки в последующих поколениях.
Рис. 2.15 иллюстрирует динамику ошибки обучения при неудачной генерации исходных значений весов связей нечеткой НС. Наблюдается существенный разброс ошибки обучения в ряде популяций нейро-нечетких классификаторов, что подчеркивает необходимость эволюционного отбора решений с лучшим сочетанием генов в хромосоме.
Эволюционный отбор нейро-нечетких классификаторов по критерию минимизации среднеквадратичного отклонения, включение в последующие популяции решений нейро-нечетких сетей с лучшим сочетанием генов в хромосоме приводит к снижению ошибки обучения нейро-нечеткого классификатора (рис. 2.16) при генерации любой начальной комбинации случайных значений весов связей классификатора.
На рис. 2.17 и 2.18 представлена динамика обучения нейро-нечетких классификаторов 3-5-4 (3 входа, 5 ФН в слое логического вывода и 4 выхода) при выборе в качестве фрагмента гена, соответственно, отдельной локальной связи в пределах нечеткой связи (эволюционные операторы - инверсия и мутация) и выборе в качестве гена отдельной нечеткой связи (эволюционные операторы - перестановки и мутация).

Из приведенных результатов аналитического исследования и последующего компьютерного моделирования следует, что генетические алгоритмы являются наиболее скоростным методом адаптации нейросетевых классификаторов для системы учета интересов посетителей корпоративного сайта.
Причем лучшая динамика обучения получена при использовании алгоритмов по методу ГЛ с обменом генами в пределах нечетких связей.
предыдущий следующий
= К содержанию =


2.4.5. Моделирование процессов адаптации нейро-нечетких классификаторов - релевантная информация:

  1. Выводы по главе 2
    моделирование для оценки эффективности предложенных &1горитмов адаптации информационного поля нейро-нечеткого классификатора, подтвердившие, что генетические алгоритмы являются наиболее скоростным методом адаптации нейро-нечетких сетей в составе иерархических классификационных уровней корпоративного сайта. Причем лучшая динамика обучения НС получена при использовании алгоритмов, основанных на
  2. Выводы по главе 3
    моделирования изменения интересов посетителей сайта) положения механизмов интернет-маркетинга, включение которых в иерархию страниц будет способствовать росту прибыли хозяйствующею субъекта. В результате моделирования динамики интересов посетителей сайта, изменения (в процессе адаптации информационных полей нейро-нечетких классификаторов) значений экспертных оценок, расчетных показателей (прежде
  3. Нейро-экспертные системы
    моделирования эволюционных процессов, как правило, пересечения и мутации (рис.1.4). Эволюционные вычисления могут использоваться для отбора нечетких правил при решении задачи классификации: числовые данные, находящиеся в таблицах нечетких правил, используются для формирования полной системы нечетких правил IF-THEN, генетический алгоритм - для выбора ограниченного числа правил с высокой
  4. Выводы по главе 1
    моделирования бизнес-процессов, системы показателей эффективности информационной структуры сайта для поддержки принятия решений и методик оптимизации сайта путем отслеживания динамики интересов и последующего удовлетворения интересов посетителей сайта исходя из результатов интеллектуального анализа информационной структуры сайта и показателей хозяйственной деятельности корпорации. Отмечено, что
  5. 2.2. Методика оптимизации адаптивного корпоративного сайта
    процесс классификации 1) интересов по признакам посещения сайта и 2) механизмов интернет-маркетинга на множестве известных интересов. Систему нечетких правил логического вывода для последующей адаптации и анализа представляют в виде нечеткой ПС, которую обучают на некотором подмножестве входных векторов признаков посещения сайта. Одновременно обучают кластеризатор в виде самообучающейся НС таким
  6. 2.3.2. Нейро-нечеткая классификация
    процесс формирования структуры нейро-нечеткого классификатора типа 2 в соответствии с этапами нечеткого логического вывода и коррекцию структуры классификатора на основе анализа результатов его обучения. Для этого сформируем систему нечетких правил (не вполне корректную, т. к. правила R\ и Ri - взаимоисключающие), которая нечетким посылкам *,,/ = !, 2, ставит в соответствие заключение у с
  7. 2.3.3. Информационные поля НС как средство накопления знаний
    процессами обучения нейронных и нейро-нечетких сетей, в ходе которых формируются и затем корректируются соответствующие информационные поля в виде системы взвешенных межнейронных связей. База знаний может передаваться по наследству путем переноса информационных полей четких и нечетких НС, копируемых с аналогичного корпоративного сайта. База знаний экспертов данной предметной области,
  8. 24. Процессы адаптации нейро-нечетких классификаторов сайта
    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
    процесс обучения нейро-нечеткой сети сопровождается перераспределением локальных межнейронных связей в пределах нечетких связей. При использовании метода обратного распространения ошибки в зависимости от значений координат вектора ошибки текущего слоя иейро-иечеткой сети при конкретной форме семантики и заданном количестве межнейронных связен соответствующего слоя сети производится внутрислойная
  10. 2.4.3. Генетический алгоритм адаптации нейро-нечетких сетей в составе корпоративного сайта
    процессе обучения НС), а генетические алгоритмы - для оптимизации информационных полей НС. Рассмотрим генетический алгоритм обучения нечеткой НС при представлении информационного поля НС как системы нечетких связей [59, 99]. Исходный набор нейро-нечетких сетей образует популяцию нейронных сетей с различными наборами хромосом, которые отличаются значениями весов локальных связей в составе нечетких