Elettracompany.com

Компьютерный справочник
1 просмотров
Рейтинг статьи
1 звезда2 звезды3 звезды4 звезды5 звезд
Загрузка...

Нечеткая логика matlab

Применение метода нечеткой логики с помощью пакета MATLAB

Говоря о нечеткой логике, чаще всего имеют в виду системы нечеткого вывода, которые лежат в основе различных экспертных и управляющих процессах. Основными этапами нечеткого вывода являются:

  • 1. Формирование базы правил системы нечеткого вывода.
  • 2. Фаззификация входных параметров.
  • 3. Агрегирование.
  • 4. Активизация подусловий в нечетких правилах продукций.
  • 5. Дефаззификация .

Данная схема относится к алгоритму нечеткого вывода Мамдани, который один из первых нашел применение в системах нечетких множеств .

Опуская математические подробности теорий нечетких множеств, рассмотрим основные особенности каждого из этих этапов, основные из которых изображены на примере рисунка 7.

Рассмотрим модель, состоящую из трех параметров, где «А» и «В» — входные переменные, а «С» — выходная. Причем, каждая из переменных может принимать соответствующие значения, т.е. обладает своим лингвистически задаваемым терм-множетсвом, т.е. , , . В свою очередь для каждого из терм-множеств задается функция принадлежности. Задача нечеткого вывода для данного примера является определение числового значения для выходной переменной С.

Рис.4. Этапы нечеткого вывода

ь Формирование базы правил системы нечеткого вывода

Процесс формирования базы правил нечеткого вывода представляет собой формальное представление эмпирических знаний эксперта в той или иной проблемной области. Наиболее часто база правил имеет вид структурированного текста:

Следует отметить, что входные и выходные лингвистические переменные считаются определенными, если для них заданы функции принадлежности. Так, на рис.4 изображен этап формирования трех групп правил (этапы 1-3), где для каждой из переменных заданы функции принадлежности.

ь Фаззификация входных параметров

Фаззификацией, или введением нечеткости, называется процесс нахождения функции принадлежности нечетких множеств на основе обычных исходных данных. На данном этапе устанавливается соответствие между численным значением входной переменной системы нечеткого вывода и значением функции принадлежности соответствующей ей лингвистической переменной. Для примера на рис.4 группой экспертов входная переменная «А» была оценена в 3 балла по 10-балльной шкале, а переменная «В» — в 8 баллов. Причем оценка в 0 баллов показывает «низкое» качество переменной (например, плохое качество продукции, низкая репутация команды), а оценка в 10 баллов — «превосходные» характеристики описываемого параметра (например, выгодные условия кредитования, высокая конкурентоспособность товаров).

Целью данного этапа является определение степени истинности каждого из подзаключений по каждому из правил систем нечеткого вывода. Далее это приводит к одному нечеткому множеству, которое будет назначено каждой выходной переменной для каждого правила. В качестве правил логического вывода обычно используются операции min (минимум) или prod (умножение). В логическом выводе с помощью функции min принадлежность выводу «отсекается» по высоте, соответствующей степени истинности предпосылки правила (нечеткая логика «И») (см. рис.4).

ь Активизация подусловий в нечетких правилах продукций

Нечеткие подмножества, назначенные для каждой выходной переменной, объединяются вместе, чтобы сформировать одно нечеткое подмножество для каждой переменной.

Полученные результаты всех выходных переменных на предыдущих этапах нечеткого вывода преобразуются в обычные количественные значения каждой из выходных переменных. Дефаззификация нечеткого множества по методу центра тяжести осуществляется по формуле

Физическим аналогом этой формулы является нахождение центра тяжести плоской фигуры, ограниченной осями координат и графиком функции принадлежности нечеткого множества.

Результаты дефаззификации путем нахождения центра фигуры изображены на рис.5.

Рис. 5. Результаты дефаззификации

Представим, что Вы после рабочего дня Вы проголодались и решили зайти поужинать в кафе. Допустим, что Вы выбрали первое кафе на улице, которые Вам понравилось, но у Вы не обладаете никакой информацией, насколько вкусно там готовят и хороший ли там сервис обслуживания. Т.е. выбор данного кафе связан с неопределенностью. Предположим также, что степень своей удовлетворенности от кафе Вы будете выражать в размере чаевых, которые колеблются в интервале от 0 до 25% от счета заказа. Будем полагать, что щедрость чаевых будет зависеть от двух факторов, которые обозначим как:

1. качество еды (т.е. насколько еда была хорошо приготовленной, свежей и пр.), которое будет оцениваться, как:

2. качество обслуживания (т.е. насколько быстро был оформлен заказ, был ли чистым стол и пр.), оцениваемое по шкале:

Пусть по итогам посещения кафе, Вы пришли к выводу, что еда была достаточно хорошей, а вот сервис был на низком уровне, т.е. плохим.

Возникает вопрос — сколько же дать чаевых официанту в зависимости от выбранных параметров? И как включить количественную оценку данных параметров в решение задачи? Ни качество еды, ни качество сервиса нельзя явно представить в количественном виде, т.к. понятия «вкус» и «сервис» — субъективные категории. В данной ситуации воспользуемся методом нечеткой логики.

Решим данную задачу с помощью программного продукта MATLAB с использованием приложения FuzzyTech. Воспользуемся алгоритмом нечеткого вывода Мамдани для спецификации условий данной задачи.

1. Формирование базы правил системы нечеткого вывода.

На основе здравого смысла и, в данном случае, нашей экспертной оценки, сформулируем когнитивные правила:

a. Если «сервис» «плохой» или «еда» «плохая», то «чаевые» «маленькие»;

b. Если «сервис» «хороший», то «чаевые» «средние»;

)Если «сервис» «отличный» и «еда» «вкусная», то «чаевые» «высокие».

Итак, «сервис» и «еда» — входные переменные, а «чаевые» — выходная переменная.

2. Фаззификация входных параметров.

На данном этапе необходимо провести фаззификацию входных параметров, или описание каждого из терм-множеств (лингвистических переменных) с помощью функции принадлежности.

Будем оценивать выбранные параметры («еда» и «сервис») по 10-балльной шкале, где 0 соответствует самому низкому качеству, как еды, так и сервиса, а 10 — наивысшему. В соответствии с условием примера, еда была оценена как «достаточно хорошей». Следовательно, параметру «еда» может быть присвоена оценка 8 по 10-балльной шкале. Для переменной «сервис» — оценка 3, т.к. он был оценен как «плохой». Значение функции принадлежности лежит в интервале от 0 до 1, где 1 — полное соответствие истинности высказывания, а 0 — полное ее отсутствие.

Так, например, фаззификация входной переменной «вкусная еда» представлено на рис.6.

Рис.6. Фаззификация входной переменной.

Таким же образом описывается каждая из входных переменных, а также для каждого из обозначенных в пункте 1 правил (Рис. 7).

Рис. 7. Фаззификация входных переменных.

Читать еще:  Исправление орфографических ошибок это

Как показано на Рис.7, на основе оценок, присвоенных нами входным параметрам, результатом дефаззификации стала оценка в 0,7.

Рис. 8. Агрегирование и активизация

На данном этапе, используя операторы min (минимум) или prod (умножение), определяем выходные множества для каждого из правил путем «отсечения» по высоте каждого из выходных множеств.

3. Активизация подусловий в нечетких правилах продукций.

Нечеткие подмножества, назначенные для каждой выходной переменной, объединяются вместе, чтобы сформировать одно нечеткое подмножество для каждой переменной.

На основе правила нахождения центра тяжести фигуры, а также при помощи программы МАТLAB, находим выходное значение искомой переменной «чаевые». Таким образом, 16,7% от счета следует оставить официанту в качестве денежного вознаграждения. Необходимо отметить, что данное значение получено с учетом предпосылок модели и выбранных экспертами видов функций принадлежности.

Рис. 9 Результат дефаззификации.

Оценка внешнего риска с помощью метода нечеткой логики. Данный пример представляет собой мониторинг и оценку рисков текущей (операционной) деятельности предприятия.

Рассматривается завод, на территории которого хранится хлор. На заводе внедрена система безопасности жизнедеятельности , однако она не всегда отражает полную и точную информацию, поэтому всегда существует риск утечки хлора и, соответственно, последствия влияния на здоровье и жизнь людей. Если утечка хлора произошла непосредственно из резервуара, то этот вид риска характеризуется как внешний риск, поскольку он уже не может быть устранен в случае происшествия и его последствия сложно контролировать.

Менеджеры ставят перед собой задачу оценить риск операционной деятельности завода на жизнедеятельность сотрудников и жителей территории, расположенной вблизи от завода.

Решение поставленной задачи осуществляется с помощью методов нечеткой логики. В качестве входных переменных системы нечеткого вывода были рассмотрены:

ь надежности системы безопасности жизнедеятельности;

ь последствия от утечки хлора.

Для оценки первой из входных переменных экспертом была составлена таблица критериев надежности системы безопасности жизнедеятельности, в соответствии с которой группа экспертов оценивала ее на рассматриваемом заводе.

Использование MATLAB для оценки возможности выбора режима работы системы при комплексировании информационных сигналов на основе нечеткой логики

Авторы — В. М. Понятский, А. В. Горин.

При выполнении комплексирования сигналов от информационных систем одна из основных проблем заключается в определении границ, в которых следует использовать тот или иной набор сигналов, и самих режимов работы. Рассматривается подход, основанный на оценке значений координат центра тяжести результирующей функции принадлежности нечеткой системы вывода. В соответствии с полученной оценкой координаты центра тяжести определяются режимы работы и веса информационных сигналов.

1. Постановка задачи

При использовании нескольких информационных систем (ИС) изменение условий работы или появление помех может приводить к тому, что меняется характер информационных сигналов и возникают ситуации, когда необходим выбор режима работы: использование одной из систем или их комплексирование.

В статье предлагается метод комплексирования ИС на основе нечеткой логики. Использование нечеткой логики определено двумя факторами: 1) отсутствием точного определения/формализации границ, в которых целесообразно использовать тот или иной набор сигналов (режим) и 2) необходимостью определения весов информационных сигналов при комплексировании.

Метод задания количественных границ для режимов работы и весов сигналов основан на оценке значения координаты центра тяжести (ЦТ) результирующей функции принадлежности нечеткой системы вывода (НСВ) от входного параметра: предлагается границы режимов определять как области пересечения входных и выходных функций принадлежности НСВ, а весовые коэффициенты сигналов – как координаты ЦТ.

2. Метод комплексирования информационных систем, основанный на нечеткой логике

Рассмотрим случай, когда имеется K ИС и N критериев их качества функционирования. Под критериями качества могут пониматься, например, величина математического ожидания, среднеквадратического отклонения (СКО) выходных сигналов систем и т. п.

Метод комплексирования информационных систем, основанный на нечеткой логике включает следующие шаги [2].

1) Определяется количество входов и выходов НСВ, в зависимости от количества комплексируемых ИС и используемых критериев качества (общий вид такой НСВ представлен на рис. 1).

Рис. 1. Общий вид НСВ с М входами и К выходами: МНВ – модель нечеткого вывода, ФПВх – функция принадлежности входа, ФПВвых, – функция принадлежности выхода

2) Определяется вид функций принадлежности входов и K выходов НСВ.

3) Вводятся границы функций принадлежности входов ( ) и выходов ( ).

4) Для функций принадлежности входов задается нормированное значение параметра качества ИС, в общем случае определяемое как:

где – нормированный показатель качества, – j показатель качества i-ой ИС, К – количество комплексируемых ИС, N – количество показателей качества.

5) Для определения координаты ЦТ используется один из алгоритмов нечеткого вывода, включающий формирование базы правил НСВ, фаззификацию входных переменных; агрегирование подусловий в нечетких правилах продукций; агрегирование подзаключений в нечетких правилах продукций; аккумуляцию заключений нечетких правил продукций и дефаззификация выходных переменных (расчет координаты ЦТ).

3. Результаты

Рассмотрим случай, когда имеется две ИС и один критерий качества функционирования, за который принято СКО сигналов ИС.

Формирование траектории ЦТ включает следующие шаги:

1) Поскольку имеется две ИС и один критерий, используется НСВ с одним входом и одним выходом (рис. 2).

2) В качестве функций принадлежности входа и выхода НСВ используются левосторонние и правосторонние треугольные множества.

3) Границы функций принадлежности входов ( ) и выходов ( ) выбраны равными 0,7 и 0,2 соответственно.

Рис. 2. Функции принадлежности входа и выхода (где и – границы функций входа, и – границы функций выхода

4) Нормированное значение параметра качества ИС:

где – нормированное значение; – СКО выходного сигнала первой ИС; – СКО выходного сигнала второй ИС.

Значение функции принадлежности входов и выходов (рис. 2) для нечетких множеств определяется формулами [1]:

  • интервал от 0 до соответствует режиму, в котором используется только вторая BC;
  • интервал от до – режиму комплексирования;
  • интервал от до 1,0 – режиму использования только первой BC).

5) Координаты ЦТ вычисляются с помощью алгоритм Мамдани, включающего следующие шаги [4]:

  • формирование базы правил НСВ. База правил НСВ основана на возможном множестве значений нормированного значения и состоит из следующих основных правил нечетких продукций:
    • если , то и выбирается вторая система;
    • если , то и выбирается первая система;
    • если , то и осуществляется комплексирование;
  • фаззификация входных переменных;
  • агрегирование подусловий в нечетких правилах продукций;
  • агрегирование подзаключений в нечетких правилах продукций по формуле:
Читать еще:  Что делать если ошибка runtime error

где – функция принадлежности терма, – степень истинности подзаключения;

  • аккумуляция заключений нечетких правил продукций по формуле

где D – нечеткое множество, являющееся результатом объединения множеств A и B);

  • дефаззификация выходных переменных (расчет координаты ЦТ).

Координаты ЦТ вычисляются по формуле:

где ЦТ(σ) – координата центра тяжести в зависимости от значения нормированного коэффициента (результат дефаззификации); – функция принадлежности нечеткого множества, соответствующего общему выводу из базы правил.

Для моделирования работы алгоритма использовался модуль нечеткой логики (Fuzzy Logic Toolbox) MATLAB.

Рис. 3. Общий вид редактора модуля Fuzzy Logix Toolbox

В соответствии с рассмотренным выше алгоритмом были заданы:

  • входные и выходные нечеткие множества;

Рис. 4. Входные и выходные функции принадлежности НСВ

Рис. 5. Редактор базы правил модели вывода

  • вычисление координаты ЦТ.

Рис. 6. Окно просмотра результата работы алгоритма нечеткого вывода при

Процесс оценки координат и построение траектории ЦТ(σ) на примере НСВ с одним нормируемым показателем качества представлен на рисунке 7.

Рис. 7. Построение траектории зависимости ЦТ(σ)

Изменение формы функций принадлежности и областей пересечения функций принадлежности позволяет изменять форму траектории ЦТ с большой вариативностью относительно условий функционирования, специфики работы ИС и т. п., благодаря чему возможно изменение характера весов сигналов ИС: если одна из ИС имеет точность, например, в несколько раз худшую, чем другая, то увеличив участок траектории, который относится к ИС с большей точностью, и участок комплексирования, можно повысить приоритет этих режимов, что физически можно интерпретировать как необходимость пройти больший путь, прежде чем будет осуществлено переключение на другой режим работы.

Для реализации полученного алгоритма в системе реального времени с ограниченными вычислительными ресурсами можно использование заранее рассчитанной траектории ЦТ в виде ломаной, полученной в соответствии с рассматриваемым методом (рис. 8).

Рис. 8. Траектория ЦТ, использованная при моделировании

Веса первой и второй ИС определяются как:

На рис. 9 представлены два сигнала: первый сигнал – синус, на который наложен шум с математическим ожиданием 0 и СКО 2 ед., второй сигнал – синус, шум которого имеет параметры 0 и 3 ед. соответственно.

Рис. 9. Два сигнала, представляющие собой зашумленный синус с амплитудой 4 (слева) и сигнал, полученный комплексированием (справа)

СКО комплексированного сигнала равно 1,48 ед., т. е. СКО суммарного сигнала меньше, чем СКО самого точного сигнала от комплексируемых ИС.

Выводы

Введение нечеткой логики в процесс комплексирования ИС обеспечивает решение задачи определения границ режимов функционирования ИС и весов сигналов в соответствии с оценками значений координат центра тяжести результирующей функции принадлежности. Комплексирование на основе нечеткой логики позволяет учитывать изменение точности сигналов в зависимости от различных внешних факторов. Проведенное моделирование показало, что комплексирование двух ИС с разными уровнями СКО позволяет получить СКО суммарного сигнала меньшим, чем СКО самой точной комплексируемой ИС.

Список литературы

1. Штовба, С. Д. Проектирование нечетких систем средствами MATLAB. – М.: Горячая линия – Телеком, 2007. – 288 с.

2. Пегат, А. Нечеткое моделирование и управление. – 2-е изд. – М.: БИНОМ. Лаборатория знаний, 2013. – 798 с.

3. Понятский, В. М., Горин, А. В. Комплексирование сигналов от неравноточных информационных систем с помощью нечеткой логики // International Journal of Open Information Technologies. 2019. Т. 7, № 3. С. 25-31.

4. Леоненков, А. В. Нечеткое моделирование в среде MATLAB и fuzzyTECH. – СПб.: БХВ-Петербург, 2003. – 736 с.

Функция нечеткой логики в R, как и в Matlab

Matlab Fuzzy logic toolbox, представляет собой моделирование системы нечеткого вывода. . Есть ли R-эквивалент всего набора инструментов или какая-то функция R, например :

  1. readfis() : загрузка системы нечеткого вывода из файла
  2. evalfis (): выполняет вычисления нечеткого вывода

чтобы прочитать и оценить нечеткую систему в пределах R?

2 Ответа

Взгляните на sets package , он делает все то, что вы ожидаете от набора инструментов нечеткой логики. Он позволяет задать ваши нечеткие функции принадлежности, настроить ваши нечеткие правила, сделать нечеткий вывод и дефаззифицировать. Пример в чем ?fuzzy_inference показывает пример ресторана стандартного учебника нечеткой логики. Я очень рекомендую его.

Вы можете использовать пакет FuzzyToolkitUoN. Я полагаю, что он разработан Дж. М. Гарибальди и другими учеными Ноттингемского университета.

Исходный код доступен на его сайте: http://ima.ac.uk/garibaldi

И работа была опубликована здесь .

Похожие вопросы:

Я реализую систему нечеткой логики со следующими правилами. входной: температура [0, 10] влажность [0, 10] правила: Температура IF IS very_high THEN опасности IS высокая IF влажность IS нормальная.

Я помню, как читал книгу о нечеткой логике и о том, как она использовалась в таких устройствах, как стиральные машины. Однако я еще не сталкивался с конкретным примером этого в коде. Вы знаете о них.

У меня есть проблема с тестированием моей нечеткой логики на программировании Java либо правильно, либо неправильно. У вас есть простой исходный код, чтобы проверить его. Вы можете поделиться со.

мне поручено разработать прототип системы обнаружения дорог с использованием нечеткой логики. я новичок в нечеткой логике. мой прототип должен определять дорогу либо по изображению, либо по видео. я.

Мне нужно знать, как создать нечеткий клеточный автомат в matlab для обработки изображений, и я новичок. Должен ли я написать код или я мог бы использовать панель инструментов нечеткой логики в.

Я пытаюсь реализовать функцию нечеткой логики членства в C для проекта hobby robotics, но я не совсем уверен, как начать. У меня есть входные данные об объектах вблизи точки, такие как расстояние.

Я установил Octave и инструментарий нечеткой логики для работы с системами нечеткого вывода. pkg install fuzzy-logic-toolkit-0.4.5.tar.gz For information about changes from previous versions of the.

Мне нужно реализовать AI для игры, основанной на нечеткой логике. Мне нужно оценить позицию игры tower defense, и у меня есть пара правил, и я добавлю еще. Может ли кто-нибудь предложить мне.

Читать еще:  Произошла ошибка с работой видеокарты

Я работал над проектом, связанным с контроллером нечеткой логики, и до сих пор все шло хорошо. Я успешно смоделировал и реализовал нормы (нормы S и T), дополнения, нечеткие предложения и функции.

Я создаю упрощенный пример, демонстрирующий правдивость нечеткой логики. Проблема заключается в определении правдивости результата. Моя первая забота: проверяя значение истины между высокой и низкой.

Нечеткое моделирование в среде MATLAB

Для реализации процесса нечеткого моделирования в среде MATLAB предназначен специальный пакет расширения Fuzzy Logic Toolbox, содержащий редакторы |7|:

систем нечеткого логического вывода (Fuzzy Inference System Editor или сокращенно FIS Editor);

функций принадлежности (Membership Function Editor);

правил нечеткого вывода (Rule Editor);

просмотра правил вывода Rule Viewer.

На рис. 5.8 показан графический интерфейс редактора FIS, который позволяет редактировать свойства системы нечеткого вывода, а именно число входных и выходных переменных. Как следует из рис. 5.8, в качестве алгоритма нечеткого вывода используется по умолчанию алгоритм Мамдани, предложенный в 1975 г. английским ученым Е. Мамдани. Суть его заключается в том, что те правила, степень истинности которых отличается от нуля, считаются активными и используются для дальнейших расчетов. Для дефаззификации выходных переменных используется метод центра тяжести по формуле (5.10). Редактор FIS позволяет вызывать все другие редакторы и программу просмотра систем нечеткого вывода.

На рис. 5.9 показан графический редактор функций принадлежности, с помощью которого заданы термы, показанные на рис. 5.5. Функции принадлежности, соответствующие термам «Близко», «Средняя дальность» и «Далеко», обозначены как mfl, mf2 и mf3.

На рис. 5.10 показан редактор правил системы нечеткого вывода. Правила вывода, записанные с помощью этого редактора, совпадают с правилами, приведенными в табл. 5.3. Весовые коэффициенты всех правил, указанные в скобках, приняты по умолчанию равными единице.

Рис. 5.8. Графический интерфейс редактора FIS

Рис. 5.9. Редактор функций принадлежности

На рис. 5.11 приведена программа просмотра правил нечеткого вывода. Как следует из рис. 5.11, при значении первой входной переменной «Расстояние», равном 50,5 см, и направлении на помеху «Прямо» активными оказываются два правила — второе и пятое. Результат нечеткого вывода определяется по формуле (5.14): R = R2vRy В данном примере в результате дефаззификации угол поворота руля оказывается равным -49,6°, что совпадает с рис. 5.7. Системы, основанные на нечеткой логике, разработаны и успешно внедрены в таких областях, как управление технологическими процессами, управление транспортом, управление бытовой техникой, медицинская и техническая диагностика, финансовый менеджмент, финансовый анализ, биржевое прогнозирование, распознавание образов, исследование рисковых и критических операций, прогнозирование землетрясений, составление автобусных расписаний, климатический контроль в зданиях.

Рис. 5.10. Редактор правил системы нечеткого вывода

Рис. 5.11. Программа просмотра правил нечеткого вывода

Коротко перечислим отличительные особенности fuzzy-систем по сравнению с классическими системами автоматического управления:

  • • возможность оперировать входными данными, заданными нечетко: например, непрерывно изменяющиеся во времени значения (динамические задачи); значения, которые невозможно задать однозначно;
  • • возможность проведения быстрого моделирования сложных динамических систем и их сравнительный анализ с заданной степенью точности;
  • • возможность, оперируя принципами поведения системы, описанными fuzzy-методами, не тратить много времени на выяснение точных значений переменных и составление уравнений, которые их описывают.

Использование аппарата нечеткой логики рекомендуется:

  • • для очень сложных процессов, когда не существует простой математической модели;
  • • для нелинейных процессов высоких порядков;
  • • для обработки (лингвистически сформулированных) экспертных знаний.

В заключение отметим, что нечеткое управление реализуется с помощью программируемых логических контроллеров.

Реализация с помощью нечеткой логики в MatLab/ Simulink

3.4.1 Реализация с помощью нечеткой логики в MatLab/ Simulink

Наиболее значительное свойство человеческого интеллекта – способность принимать решения в обстановке неполной и нечёткой информации. Построение моделей приближённых рассуждений человека и использование их в компьютерных системах будущих поколений представляет собой одну из важнейших проблем науки.

Нечеткую модель можно построить, основываясь на формальном представлении характеристик исследуемой системы в терминах лингвистических переменных. Основные понятия систем управления – входные и выходные переменные, именно их рассматривают как лингвистические переменные при формировании базы правил в системах нечеткого вывода.

Цель управления заключается в анализе текущего состояния объекта управления, чтобы определить значения управляющих переменных, реализация которых позволяет обеспечить желаемое поведение или состояние объекта управления.

Ниже на рисунках мы представим входные в систему переменные

Теперь их нужно вязать между собой и сделем мы это с помощью Simulink-модели которая представлена ниже.

Рис. 3.5. «Представление системы в MatLab/ Simulink»

3.4.2 Тестирование экспертных систем и расчет эффективности с помощью регрессионного анализа

Протестируем систему в прологе со сведущими исходными данными:LIO=1;

Student female person Kseniya of 22 years old your estimation -5

А теперь введем те же самые данные в систему в MatLab/ Simulink. Ниже представленный результат. А потом сравним их с помьщью регрессионного анализа

Поскольку в MatLab/ Simulink мы применяем нечеткую логику , то выходные параметры являются не целыми числами и мы их округляем в большую сторону. В результате повторного тестирования мы получаем данные в следствии 10 экспериментов и анализируем их с помощью регрессионного анализа.

Ниже преведены данные и реализация регрессионного анализа:P=[5 5 5 4 5 3 3 4 4 5];

Z=[5 5 5 4 5 3 3 4 4 5];

Как видно из представленных выше графиков система в разных пакетах немного по разному работает ,это следствие того что в прологе мы не применяем нечеткую логику в отличии от MatLab, но в результате округления можно точно сказать что результаты получаются идентичные , а этьо значит что обе системы работают правильно.

Выводы по разделу 3

В результате проведения исследования можно сказать, что продукционная модель построения знаний в экспертной системе прогнозирования результатов сессии на анализе текущей успеваемости она, являются наиболее наглядным средствами представления знаний и наиболее аффективными для данной модели. Также эта модель легко реализуется в языке MatLat/ Simulink с помощью Fuzzy Logic Toolbox , поскольку логический вывод уже реализован в этом пакете. В результате мы провели сравнения программ с помощью регрессионного анализа.

РАЗДЕЛ 4. РАЗРАБОТКА МЕРОПРИЯТИЙ ПО ОБЕСПЕЧЕНИЮ БЕЗОПАСНОСТИ ЖИЗНЕДЕЯТЕЛЬНОСТИ

Ссылка на основную публикацию
Adblock
detector