Зайченко Ю.П. - Нечеткие модели и методы в интеллектуальных системах

Скачать

Нечеткие модели и методы в интеллектуальных системах

Год: 2008

Автор: Зайченко Ю.П. / Зайченко Ю.П.

Переводчик: не требуется

Жанр: Учебное пособие для ВУЗов. Информатика. Прикладное обеспечение

Издательство: Слово, Киев

ISBN: 978-966-8407-79-6

Язык: Русский

Формат: DjVu

Качество: Отсканированные страницы

Количество страниц: 344

Описание: Книга посвящена одному из направлений в области искусственного интеллекта системам с нечёткой логикой и нечётким нейронным сетям и их применению в различных практических задачах. Описан сравнительно новый метод индуктивного моделирования. Рассмотрены многочисленные примеры применения НМГУА в задачах прогнозирования в макроэкономике и финансовой сфере, системы логического вывода с различными алгоритмами нечёткого вывода и нечёткие нейронные сети (ННС). Приводятся результаты их применения в задачах прогнозирования в макроэкономике и на фондовых рынках, дан сравнительный анализ их эффективности. Описана система нечёткой логики для задач классификации NEFClss, a также её новая модернизация.

Рассмотрено применение ННС NEFClass в актуальной практической задаче распознавания объектов электрооптических изображений в условиях помех. Рассмотрены задачи кластерного анализа в условиях неопределённости и описаны современные методы нечёткой кластеризации - k-средних и Густавссона - Кесселя, приводятся результаты их применения в задачах автоматической классификации в экономике.

Описана актуальная задача анализа инвестиционного портфеля в условиях неопределённости. Изложен современный нечётко - множественный подход для оптимизации инвестиционного портфеля - описаны примеры применения этого подхода для построения оптимального портфеля в условиях неполноты и неопределённости и проведен сравнительный анализ полученных решений с использованием как классического метода Марковитца, так и нечётко - множественной модели.

Книга ориентирована в первую очередь на студентов и преподавателей направлений "компьютерные науки" и "компьютерная инженерия", и может служить учебным пособием по курсу "Системы искусственного интеллекта". Она будет полезна также лицам, занимающимся разработкой, исследованием и применением интеллектуальных систем принятия решений, а также всем тем, кто интересуется современными направлениями в области искусственного интеллекта и его многочисленных приложений в задачах прогнозирования, распознавания образов, классификации и кластер - анализа.

Предисловие

ГЛАВА 1. НЕЧЕТКИЙ МЕТОД ИНДУКТИВНОГО МОДЕЛИРОВАНИЯ

1.1. Общая характеристика и основные принципы МГУА

1.2. Нечеткий МГУА. Основные идеи. Вывод математической модели НМГУА

1.3. Описание алгоритма НМГУА

1.4. НМГУА с гауссовскими и колоколообразными ФП

1.4.1. Нечеткие числа с гауссовской ФП

1.4.2. Нечеткие модели с колоколообразной функцией принадлежности

1.5. Нечеткий МГУА с различными видами частичных описаний

1.5.1. Исследование ортогональных полиномов в качестве частичных описаний алгоритмов НМГУА

1.5.2. Исследование тригонометрических полиномов в качестве частичных описаний алгоритма МГУА

1.5.3. Исследование АРКС-моделей в качестве частичных описаний алгоритма МГУА

1.6. Адаптация коэффициентов линейной интервальной модели

1.6.1. Основные положения

1.6.2. Применение метода стохастической аппроксимации для адаптации параметров линейной интервальной модели

1.6.3. Применение рекуррентного метода наименьших квадратов (РМНК) для адаптации параметров линейной интервальной модели

1.7. Экспериментальные исследования НМГУА в задачах прогнозирования в экономике

1.7.1. Анализ результатов

1.7.2. Результаты проведенных экспериментов с различными ФП

1.8. Сравнительный анализ результатов прогнозирования по четкому и нечеткому МГУА

1.9. Экспериментальные исследования разных видов частичных описаний и методов адаптации в задачах прогнозирования

Выводы к главе 1

Вопросы для самопроверки к главе 1

ГЛАВА 2. НЕЧЕТКИЙ МЕТОД ГРУППОВОГО УЧЕТА АРГУМЕНТОВ ПРИ НЕОПРЕДЕЛЕННЫХ ВХОДНЫХ ДАННЫХ

2.1. Общий вид математической модели НМГУА с нечеткими входными данными

2.2. Вид математической модели для случая треугольных ФП

2.2.1. Формализованная постановка задачи для треугольных ФП

2.3. Вид математической модели для случая ФП Гаусса

2.4. Экспериментальные исследования НМГУА и анализ полученных результатов

2.4.1. Прогнозирование индекса РТС

2.4.2. Прогнозирование индекса РТС-2

2.4.3. Прогнозирование курсов акций

Выводы к главе 2

Вопросы для самопроверки к главе 2

ГЛАВА 3. СИСТЕМЫ НЕЧЕТКОГО ЛОГИЧЕСКОГО ВЫВОДА И НЕЧЕТКИЕ НЕЙРОННЫЕ СЕТИ И ИХ ПРИМЕНЕНИЕ В ЗАДАЧАХ ПРОГНОЗИРОВАНИЯ

3.1. Алгоритмы нечеткого логического вывода

3.1.1. Нечеткий алгоритм Мамдани

3.1.2. Нечеткий алгоритм Цукамото

3.1.3. Нечеткий алгоритм Сугено

3.1.4. Нечеткий алгоритм Ларсена

3.2. Методы приведения к четкости

3.3. Теоремы об универсальной аппроксимации

3.4. Нечеткие нейронные сети с выводом Мамдани и Цукамото

3.4.1. Нечеткий контролер на базе нейронных сетей

3.4.2. Алгоритм обратного распространения ошибки в ННК Мамдани

3.5. Градиентный алгоритм обучения ННС Мамдани и Цукамото

3.6. Нечеткая нейронная сеть ANFIS. Структура и алгоритм обучения

3.7. Нечеткие нейронные сети TSK и Ванга-Менделя. Гибридный алгоритм обучения

3.7.1. HHCTSK

3.7.2. Структура сети Ванга-Менделя

3.7.3. Гибридный алгоритм обучения нечетких нейронных сетей

3.8. Нечеткая нейронная сеть NEFPROX

3.8.1. Применение нечетких нейронных сетей для аппроксимации функции

3.9. Экспериментальные исследования нечетких нейронных сетей в задачах прогнозирования в макроэкономике и финансовой сфере

3.9.1. Постановка задачи прогнозирования

3.9.2. Прогнозирование в макроэкономике с использованием ННК

Мамдани и Цукамото

3.9.3. Прогнозирование макроэкономических показателей с использованием нечеткой нейронной сети ANF1S

3.9.4. Сравнительный анализ результатов прогнозирования разными методами

3 10. Применение ННС для прогнозирования в финансовой сфере

Выводы к главе 3

Вопросы для самопроверки к главе 3

ГЛАВА 4. НЕЧЕТКИЕ НЕЙРОННЫЕ СЕТИ В ЗАДАЧАХ КЛАССИФИКАЦИИ

4.1. ННС NEFClass. Архитектура, свойства, алгоритм обучения базы правил и параметров ФП

4.2. Анализ свойств NEFClass. Модифицированная система нечёткой классификации NEFClassM

4.3. Экспериментальные исследования ННС NEFClass. Сравнительный анализ ННС NEFClass и NEFClassM в задачах классификации в экономике

4.4. Распознавание объектов электрооптических изображений. Постановка и анализ задачи

4.4.1. Общая характеристика работы системы, исторические сведения

4.4.2. Концепция мультиспектральных электро-оптических систем. Основные определения

4.4.3. Виды сенсоров. Мультиспектральные и гиперспектральные системы

4.4.4. Принципы формирования изображения системы

4.5. Применение системы NEFClass в задаче распознавания объектов электрооптических изображений

4.5.1. Градиентный алгоритм обучения в системе NEFClass

4.5.2. Метод сопряженных градиентов для системы NEFClass

4.5.3. Генетический метод обучения для системы NEFClass

4.5.4. Эксперименты по распознаванию объектов на реальных данных

Выводы к разделу 4

Вопросы для самопроверки к главе 4

ГЛАВА 5. ННС И СИСТЕМЫ С НЕЧЕТКОЙ ЛОГИКОЙ В ЗАДАЧАХ КЛАСТЕРНОГО АНАЛИЗА

5.1. Кластер-анализ. Постановка задачи. Критерии качества и метрики кластер-анализа

5.2. ННС с самоорганизацией. Нечеткий метод К-средних

5.2.1. ННС с самоорганизацией

5.2.2. Алгоритм нечёткой самоорганизации К-средних

5.3. Определение начального размещения центров кластеров. Методы пикового и разностного группирования

5.3.1. Алгоритм пикового группирования

5.3.2. Алгоритм разностного группирования

5.4. Алгоритм нечеткого кластер-анализа Густавссона-Кесселя

5.5. Применение нечетких методов /Т-средних и Густавссона-Кесселя в задачах автоматической классификации

Выводы к разделу 5

ГЛАВА 6. СИСТЕМЫ С НЕЧЁТКОЙ ЛОГИКОЙ И НЕЧЁТКИЕ МНОЖЕСТВА В ФИНАНСОВОМ АНАЛИЗЕ

6.1. Классические методы прогнозирования банкротства

6.1.1. Общая характеристика понятия "риск банкротства"

6.1.2. Многомерный дискриминантный анализ

6.2. Комплексная оценка риска банкротства корпорации на основе аппарата нечётких множеств

6.2.1. Модель риска банкротства корпорации

6.2.2. Метод оценки риска банкротства

6.2.3. Анализ на основе только количественных оценок

6.3. Применение нечетких нейронных сетей для анализа риска банкротства

6.3.1. Входные данные для анализа риска банкротства

6.3.2. Описание экспериментов

6.3.3. Сравнительный анализ различных методов оценки риска банкротства

6.4. Анализ инвестиционного портфеля

6.4.1. Постановка задачи оптимизации инвестиционного портфеля

6.4.2. Чёткая задача оптимизации портфеля (задача Марковица) и её решение

6.4.3. Постановка нечёткой задачи портфельной оптимизации

6.5. Метод решения нечёткой задачи оптимизации портфеля

6.6. Сравнительный анализ результатов решения чёткой и нечёткой задач оптимизации инвестиционного портфеля

6.7. Экспериментальные исследования нечетко-множественной модели с различными функциями принадлежности

Выводы к разделу 6

Приложение

Список сокращений

Литература

Скачать