Искусство в IT-технологиях...

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

2.3.2. Нейро-нечеткая классификация

Для оперативной и автоматической коррекции базы знаний в модели адаптивного корпоративного сайта используются средства нейро-нечеткой классификации, которые позволяют объединить достоинства НС и нечеткой логики (см.
табл. 1.1).
Как следует из опыта разработки нечетких НС [4] (см. табл. 2.1) для целей классификации используют нечеткие НС типа 1, которые решают
задачу отнесения нечеткого входного вектора к четкому классу, а для построения нечетких 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 соответствии с системой нечетких правил, представляющих процедуру получения заключений (на нижнем уровне СПИ - интересы посетителей сайта, на верхнем уровне СПИ - механизмы интернет-маркетинга) на заданном множестве посылок (на нижнем уровне СПИ - признаки посещения сайта, на верхнем уровне СПИ - интересы посетителей сайта). Нейро-иечеткие классификаторы (рис. 2.5 и 2.6) характеризуются функциональной разнородностью слоев формальных нейронов, реализующих отдельные этапы логического вывода.
Проиллюстрируем 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
использованием функций принадлежности: L - «большая» (Large) и S -«малая» (Small):
/?,: если ?1 есть S и Х2 есть S> то у есть L, R, :если XI есть S и X2 есть S, то у есть S, R3: если Х\ есть S и Х2 есть L, то у есть S, R4: если Х\ есть L и Х2 есть S, то у есть 5, R5: если Х[ есть L и Х2 есть L, то у есть L.

Приведенная система нечетких правил отражается в функциональной специализации слоев нечеткой НС (рис. 2.5), соответствующих этапам нечеткого логического вывода [3]:
1) введение нечеткости выполняется слоем входных функций принадлежности 5",-, ?,,, / = 1,...,н (п = 2 - число входов НС), осуществляющих преобразование четких входных значений х( в степень истинности Ия'Ри* ' = 1»—»и, соответствующей посылки для каждого правила;
2) нечеткому логическому выводу соответствует слой нечетких правил Rp / = 1,...Д, к = 5 - число нечетких правил, который по степени

истинности посылок А*&*/*/.<• / = 1>.»»л, формирует степень истинности

заключений по соответствующим правилам № %» j = ;
3) композиция нечетких подмножеств у' = 1,...Д, производится слоем выходных функций принадлежности S„.
L„„ tn -(р = 1 - число

выходов НС), для формирования нечетких подмножеств 1-1$т> Иы.
Важным достоинством нейро-нечетких сетей является «прозрачность» отражения в структуре классификатора, с одной стороны, системы нечетких правил, с другой стороны, - результатов процесса адаптации информационного поля НС. В процессе обучения достоверность связей информационного поля сходится к конкретным значениям, анализ которых позволяет корректировать исходную систему нечетких правил. В частности, вес связи, соответствующей правилу Ri (см. рис. 2.5), равен 0, что позволяет исключить правило Л2 из системы нечетких правил как противоречивое.
Рассмотрим организацию нейро-нечеткого классификатора иерархического уровня обобщения адаптивного корпоративного сайта.
Нейро-нечеткий классификатор /«-мерных векторов интересов X с
нечеткими координаторами (xlt...,xm) представлен на рис. 2.6 в виде трехслойной нечеткой НС.

В классификаторе первый слой содержит т входных узлов с комплементарными нечеткими связями [59,99] по числу координат входного
вектора, формирующих т пар высказываний вида: х( есть S, У, есть / = 1,...,/и.
Причем значение на выходе L соответствует прямому
значению нечеткой переменной У, ,aS - дополнению значения той же переменной (рис. 2.7).
Средний слой содержит до 2т нечетких ФН, выполняющих операцию логического вывода (например, mm) над высказываниями входного слоя НС для формирования системы нечетких классификационных заключений.
Выходной слой содержит п нечетких ФН по числу координат выходного вектора, выполняющих операцию композиции (например, wax) над нечеткими классификационными заключениями второго слоя НС для формирования «-мерных выходных векторов (механизмов интернет- маркетинга) У нечетких заключений (у >У„)-
Нейро-нсчеткий классификатор иерархического уровня идентификации интересов адаптивного корпоративного сайта имеет аналогичную организацию.
предыдущий следующий
= К содержанию =


2.3.2. Нейро-нечеткая классификация - релевантная информация:

  1. СПИСОК ИСПОЛЬЗОВАННЫХ источников
    нейронных сетей. - M.: СП Пара! раф. 1991. Нейроииформатика. / A. H. Горбань, В. Л. Дунин-Барковский, А. Н. Кир-дин и др. - Новосибирск: Наука. Сиб. отд-ние, 1998. Корнеев В. В., Гареев А. Ф., Васютин С. В., Райх В. В. Базы данных. Интеллектуальная обработка информации. - М.: Нолидж, 2001. - 486 с. Круглое В. В., Борисов В. В. Искусственные нейронные сети. Теория и практика.- 2-е изд., стереотип.
  2. ПЕРЕЧЕНЬ СОКРАЩЕНИЙ, УСЛОВНЫХ ОБОЗНАЧЕНИЙ, СИМВОЛОВ, ЕДИНИЦ И ТЕРМИНОВ1
    нейрон Адаптация Способность организма или системы изменять свое состояние и поведение (параметр, структуру, алгоритм функционирования) в зависимости от изменения условий внешней среды путем накапливания и использования информации о ней [I] Архитектура Концепция взаимосвязи элементов сложной структуры. Включает компоненты логической, физической и программной структур Высказывание Иерархия
  3. 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
  4. 2.1.1. Принципы построения адаптивного корпоративного сайта
    нейронной и нейро-нечеткой сетей для накопления и автоматической коррекции знаний. Взаимосвязь элементов модели осуществляется посредством методики оптимизации информационной структуры адаптивного сайта, учитывающей как текущее значение рейтинга корпоративного сайта, так и оценки экономической целесообразности инвестиций в модернизацию сайта в процессе принятия
  5. 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
  6. 2.3. Средства реализации адаптивных свойств модели сайта
    нейронных сетей к классификации и кластеризации объектов необходима для реализации в модели адаптивного корпоративного сайта эволюционного свойства развития. Для накопления знаний используется способность распределенного информационного поля нейронной сети к обучению. В процессе обучения нейронных и нейро-нечетких сетей происходит обновление и коррекция базы знаний: об изменяющихся интересах
  7. Выводы по главе 2
    нейро-нечетких сетей, входящих в состав иерархии адаптивных уровней модели корпоративного сайта. • На нижнем адаптивном уровне модели корпоративного сайта решается задача классификации интересов по совокупности признаков посещения сайта, носящих неполный и не вполне достоверный характер. Нейронные и нейро-нечеткие сети адаптивного уровня на основе опыта экспертов реализуют систему
  8. 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
  9. 1.2.2. Оптимизация сайта с целью повышения эффективности маркетинговой деятельности корпорации
    нейронные сети (НС) [3], системы нечеткой логики [66-70] являются обязательным инструментом извлечения знаний, т. к. обладают способностью выявления значимых признаков и скрытых закономерностей в массивах разнородных данных (табл. 1.1) [4], т. е. консолидации информации. Сравнение экспертных систем (ЭС), систем нечеткой логики, нейронных сетей и генетических алгоритмов (ГА) позволяет считать НС,
  10. 1.3. Интеллектуальные средства для решения задач управления и принятия решений корпоративного уровня
    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, процесс решения задач системами с нечеткой логикой достаточно