Актуальность темы
Активное использование современных информационных технологий для создания математических основ интеллектуальных систем в последние годы позволило по-новому взглянуть на проблему обработки многомерных данных в условиях неполной и неточной информации. Одной из наиболее актуальных задач в этой сфере является задача идентификации объектов — отнесение некоторого объекта, заданного набором параметров, к классу подобных объектов. Классические методы многомерной статистики, используемые в подобных задачах, основаны на определенных предположениях о структуре исходных данных и, как следствие, попытки их применения приводили к высоким процентам ошибок при условии несоответствия обучающих наборов этим предположениям. Наиболее перспективным направлением при решении данной задачи является использование универсальных аппроксиматоров широкого класса многомерных нелинейных функций — адаптивных моделей нечеткого логического вывода. Они представляют собой дальнейшее развитие нечетких экспертных систем, исследованиям которых посвящены работы Л. А. Заде, А. Кофмана, Д. А. Поспелова, А. Н. Борисова, Е. А. Мамдани и др. Основная трудность их использования заключается в структурной и параметрической адаптации — поиске оптимального набора параметров термов лингвистических переменных, структуры множества правил логического вывода. Для ее решения обычно привлекаются эксперты в соответствующих областях знаний. Параметры адаптивной модели нечеткого логического вывода формируются путем их оптимизации в смысле некоторого критерия, формируемого по данным из обучающей выборки. Исследованиям отдельных элементов таких систем посвящены работы В. В. Круглова, А. П. Ротштейна, С. Д. Штовбы, Т. Фукуда и др. Однако в настоящий момент отсутствуют общепризнанные методы применения адаптивных моделей нечеткого вывода для идентификации многомерных объектов, отсутствуют методы их обучения в рамках этой задачи. Кроме того, несмотря на постоянное совершенствование средств хранения информации и увеличение объемов носителей проблема сжатия множества правил в базе знаний модели по-прежнему является актуальной.
Одним из путей решения перечисленных проблемы является развитие моделей нечеткого вывода, методов структурной и параметрической оптимизации, алгоритмов сжатия базы знаний, оценки эффективности алгоритмических реализаций моделей.
Диссертационная работа выполнена в рамках тематики госбюджетной НИР ГБО1 -04 «Разработка информационно вычислительных систем непромышленного назначения».
Цель и задачи исследования
Целью работы является разработка моделей, численных методов и алгоритмов идентификации многомерных объектов на базе множества нечетких логических правил для повышения эффективности решения задачи идентификации, создание на их основе средств специального математического и программного обеспечения, апробация моделей и методов.
Для достижения поставленных целей необходимо решить следующие задачи:
1. Провести анализ различных подходов к решению задачи идентификации состояний многомерных объектов.
2. Разработать модели идентификации многомерных объектов, базирующейся на аппарате нечеткой логики, и методы их структурной и параметрической оптимизации. Разработать методы построения набора правил из экспериментальных данных.
3. Реализовать на ЭВМ модели идентификации объектов и алгоритмы их оптимизации для применения моделей в прикладных программах.
4. Провести теоретический анализ эффективности предложенных методов идентификации при различных тестовых выборках, отличающихся начальными условиями и параметрами.
5. Осуществить практическую апробацию прикладных разработок применительно к задачам медицинской диагностики (идентификация состояния при диагностике урологических заболеваний).
Методы исследования. В ходе исследования использовались методы теории математического моделирования, нечеткая логика и нечеткие множества, теории оптимизации, эволюционного моделирования, системного анализа и принятия решений, математической статистики.
Научная новизна. В работе получены следующие результаты, характеризующиеся научной новизной:
— предложена структура нечеткой модели идентификации многомерных объектов отличающаяся возможностью автоматизации процесса формирования базы нечетких логических правил;
— разработан комбинированный метод адаптивного построения множества нечетких правил модели, отличающийся использованием информации из обучающих выборок, что позволяет редуцировать множество правилразработаны методы кодирования и оптимизации параметров модели на основе генетического аппарата, отличающейся возможностью применения генетических алгоритмов оптимизации без дополнительных ограничений на пределы изменения параметров модели.
Практическая значимость работы. Практическая значимость работы заключается в создании специального программного обеспечения, позволяющего осуществлять анализ моделей идентификации объектов, а также инвариантных программно-алгоритмических модулей для применения моделей идентификации в различных приложениях.
Реализация результатов работы. Теоретические и практические результаты работы реализованы в специальном программном комплексе исследования многомерных данных и анализа моделей многомерной идентификации, положенный в основу программного обеспечения «Анализ и идентификация многомерных данных», который внедрен в практическую деятельность дорожная поликлиники ЮВЖД (г. Воронеж).
Материалы диссертации, а также разработанное программное обеспечение используются в учебном процессе Воронежского государственного технического университета при обучении студентов специальности 230 100 в дисциплинах «Системы искусственного интеллекта» и «Теория принятия решений».
Апробация работы. Основные положения диссертации докладывались и обсуждались на Международной открытой научной конференции «Математические методы в технике и технологиях — ММТТ-17», (Кострома, 2004), международной научно-технической конференции и Российской научной школе молодых ученых и специалистов «Системные проблемы качества, математического моделирования, информационных, электронных и лазерных технологий» (Сочи, 2002), V-VIII Республиканских научных конференциях «Современные проблемы информатизации» (Воронеж, 2000;2003), а также на научных семинарах кафедры ABC ВГТУ (Воронеж, 2001;2004).
Публикации. По результатам исследований опубликовано 14 печатных работ, в том числе 8 без соавторов. В работах, опубликованных в соавторстве и приведенных в конце диссертации, лично соискателем предложены: в основные принципы использования нечетких моделей для дискретной идентификации многомерных наблюдений, методы построения базы знаний на основе экспертной информации, в методы редукции множества правил нечеткого вывода.
Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, двух приложений, изложена на 124 листах машинописного текста, содержит список литературы из 110 наименований, 45 рисунков, 14 таблиц.
4.5 Выводы.
В данной главе было приведено описание программного пакета диагностики, построенной на основе адаптивной системы идентификации на базе набора нечетких логических правил. Успешное применении разработанной системы в работе отделения урологии поликлиники ЮВЖД г. Воронежа позволило улучшить качество периодического профилактического осмотра, проведенные сравнительные исследования показали увеличение эффективности диагностики по сравнению с ранее применяемыми методами.
Заключение
.
Развитие нечетких моделей идентификации многомерных наблюдений является одним из приоритетных направлений в исследованиях нечетких систем в целом. Качество подобных систем сильно зависит от их структуры и применяемых методов параметрической и структурной оптимизации. Поэтому актуальной проблемой по-прежнему остается поиск наиболее эффективных методов и алгоритмов параметрической и структурной оптимизации. В рамках исследования этих проблем были получены следующие результаты:
1. Проведен анализ применяемых в различных системах алгоритмов идентификации многомерных объектов, проанализированы их недостатки и особенности применения.
2. Предложена структура адаптивной нечеткой модели идентификации многомерных объектов, являющаяся модификацией модели вывода Зи^епо нулевого порядка и позволяющая использовать информацию о распределении объектов в многомерном пространстве признаков с целью редукции множества правил.
3. Предложен комбинированный алгоритм адаптивного построения множества правил, позволяющий использовать информацию из обучающей выборки для формирования базы нечетких правил.
4. Предложен алгоритм кодирования и оптимизации параметров модели (параметров функций принадлежности лингвистических термов), позволяющий применить методы эволюционной оптимизации без дополнительных ограничений на пределы изменения параметров и независимо от выбранной формы функций принадлежности.
5. Предложен набор тестовых процедур для исследования адаптивных нечетких моделей идентификации, позволяющий получать числовые характеристики качества идентификации при различных параметрах модели и начальных условиях.
6. Разработано программное обеспечение анализа нечетких моделей, приведены сравнительные исследования на различных наборах исходных данных.
7. Результаты исследований в виде программных разработок внедрены в работу отделения урологии дорожной поликлиники ЮВЖД г. Воронежа, что позволило в значительной мере автоматизировать процесс первичной диагностики и является подтверждением состоятельности предложенных моделей и алгоритмов.