Гибкие нейро-нечеткие системы для решения задач моделирования, классификации, извлечения знаний

Развита концепция гибких нейронечетких систем с четкими и нечеткими входами, в которых способ вывода, Мамдани или логический, будет найден в результате обучения. В качестве логического вывода используется разработанный метод вывода на основе нечеткой степени истинности для n-входов. Важным преимуществом данного метода является вывод в рамках единого пространства истинности для всех посылок. Это достигается за счёт преобразования отношений между фактом и посылкой в так называемую нечёткую степень истинности. Приведение всех отношений между различными фактами и посылками в одно нечёткое пространство истинности упрощает вычисление составной функции истинности, поэтому данный подход лишён проблем многомерного анализа и лучше подходит для решения задач интеллектуального анализа. Структура гибкой нейронечеткий системы изменяется в процессе обучения. Для этого использованы переключаемые треугольные нормы, основанные на принципе обобщения, и переключаемые импликации, которые по завершению процесса обучения принимают форму «инженерной импликации» либо нечеткой S-импликации. Показано, что гибкие разрабатываемые нейронечеткие системы могут давать более высокую точность функционирования этих систем относительно используемого критерия качества. В задачах аппроксимации и прогнозирования в роли такого критерия выступаетсреднеквадратичная погрешность, а в задачах классификации - количество ошибочно классифицированных выборок. Указанный проект реализован в виде методов, алгоритмов, методик, рекомендаций и программно-инструментальных средств.