Искусство в IT-технологиях...

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

2.4.3. Генетический алгоритм адаптации нейро-нечетких сетей в составе корпоративного сайта

Нечеткая логика, нейронные сети и генетические алгоритмы часто применяются при решении практических задач [62, 92-94]. В задачах 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 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 связей. Нечеткая связь в информационном поле многослойной НС описывает систему взвешенных локальных связей между выходом формального нейрона текущего слоя сети и одноименными входами ФН следующего слоя НС
В качестве генов отдельной хромосомы целесообразно выбирать значения весов связей, ассоциированных не с входами, как в [85], а с выходами соответствующих узлов нейронной сети, т. е. группу весов, расположенную в отдельном столбце матрицы весов информационного поля НС (рис. 2.9). Генетический алгоритм адаптации нейро-нечеткого классификатора включает ряд шагов:
1. Определяют размер популяции хромосом, вероятности выполнения эволюционных операторов кроссовера и мутации, а также число эволюционных циклов (или точность обучения нейро-нечеткого классификатора).

3. 2. Для принятия решения о целесообразности включения дочерних хромосом в популяцию в качестве целевой функции выбирают
минимум евклидова расстояния между расчетным 0*'и целевым

is значениями выходов сети на всей обучающей выоорке векторов
{X™, Y™')f s = I, S, S - количество пар векторов в обучающей выборке.
Формируют популяцию из случайной совокупности хромосом (вариант отсутствия базы знаний экспертов предметной области), либо каждая из хромосом популяции, соответствующая отдельному решению нейро-нечеткого классификатора, формируется исходя из знаний конкретного эксперта.
Для каждой из хромосом, входящих в популяцию, вычисляют значение целевой функции.
В зависимости от используемой стратегии отбора, учитывающей значения целевой функции, формируют родительский пул, отбирая пары родительских хромосом, к которым для формирования пар дочерних хромосом применяют эволюционные операторы.
Реализация оператора кроссовера сопровождается случайным выбором гена (например, нечеткой связи) и взаимным обменом одноименными генами в родительских хромосомах, а оператор мутации - инверсией одного или более случайно выбранных битов в случайно отобранном гене в хромосоме родительского пула (вероятность мутации - 0,01 и менее).
Создают новую популяцию хромосом, включив в нее дочерние хромосомы, соответствующие условиям отбора.
Действия по п. 5 повторяют, пока размер новой популяции хромосом не достигнет размера исходной популяции.
выходных векторов нейронной сети. В качестве базового варианта для оценки эффективности выберем алгоритм обратного распространения ошибки [2, 5].
предыдущий следующий
= К содержанию =


2.4.3. Генетический алгоритм адаптации нейро-нечетких сетей в составе корпоративного сайта - релевантная информация:

  1. Выводы по главе 1
    генетические алгоритмы как средство оптимизации базы знаний. Показано, что для придания корпоративному сайту адаптивных свойств необходимо привлечение современных интеллектуальных средств. При решении экономических задач, для которых характерно наличие неполной и недостаточно достоверной информации, хорошо зарекомендовали себя системы интеллектуального анализа данных. Нейронные сети, системы
  2. Выводы по главе 2
    генетических алгоритмов. 4. Проведены аналитическое исследование и компьютерное 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
  3. 24. Процессы адаптации нейро-нечетких классификаторов сайта
    алгоритмы адаптации нейронных и нейро-нечетких сетей в составе корпоративного сайта, которая использует нечеткие межнейронные
  4. 2.4.5. Моделирование процессов адаптации нейро-нечетких классификаторов
    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
  5. 3.2. Разработка алгоритма анализа эффективности информационной структуры сайта и поддержки принятия решений
    адаптации нейро-нечетких сетейсоставе адаптивного уровня обобщения модели корпоративного сайта) на обучающей выборке, соответствующей некоторому подмножеству векторов интересов, производится автоматическая коррекция системы нечетких правил логического вывода, а также экспертных оценок достоверности активации соответствующих страниц или механизмов интернет-маркетинга и экспертных оценок
  6. Задачи исследования
    генетических алгоритмов, ¦ математический аппарат линейной алгебры, * моделирования оптимизационных процессов в информационных
  7. 2.2. Методика оптимизации адаптивного корпоративного сайта
    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 образом, чтобы число образуемых кластеров равнялось числу правил в системе нечетких правил логического вывода. Аналогично обучают нейронную и нейро-нечеткую сети адаптивного
  8. 2.4.2. Алгоритм обучения НС с нечеткими связями в составе корпоративного сайта
    генетических алгоритмов, причем в качестве отдельной хромосомы (как вариант, гена в хромосоме) можно рассматривать отдельную нечеткую связь, случайно выбранные составляющие которой -гены (связи с различными значениями истинности, образующие семантику нечеткой связи) меняются местами (кроссовер) в соответствии с конкретным эволюционным
  9. Выводы по главе 3
    алгоритма их применения для автоматизации вычислений и визуализации результатов расчетов с целью последующего анализа и принятия решений специалистами для последующей оптимизации размещения механизмов интернет-маркетинга и информационных материалов на иерархии страниц корпоративного сайта. 1. Разработана система показателей для оценки эффективности информационной структуры корпоративного
  10. 4.1. Исходные данные для проведения анализа
    адаптации информационной структуры сайта для анализа интересов посетителей корпоративного web-сайта; - интерактивного путеводителя но производимым корпорацией товарам и предлагаемым услугам. ПО для даптацни структуры web-сайта обеспеивает оперативное и автоматическое реагирование на изменение интересов посетителей сайта, накопление опыта удовлетворения интересов посетителей сайта и