DOI: 10.25136/2644-5522.2018.6.28081

Аннотация: Предметом исследования данной статьи является оценка эффективности аппроксимации объектов с дискретным выходом на основе нечетких баз знаний. Объектом исследования является нейронечеткая модель, позволяющая на основе обучения нечеткой нейронной сети формировать систему нечетко-продукционных правил (нечеткую базу знаний) для оценки состояния объектов. Автор подробно рассматривает предложенный им вид нечетко-продукционных правил, алгоритм логического вывода на правилах, описывает разработанную модель нечеткой нейронной сети. Особое внимание уделяется необходимости оценки аппроксимирующей способности модели с целью определения возможности и эффективности ее практического использования. Данная оценка производилась методом анализа следующих характеристик модели: - сходимости разработанного алгоритма обучения нечеткой нейронной сети; - удовлетворения ее работы принципам нечеткой аппроксимации; - непротиворечивости алгоритма логического вывода на правилах модели известному алгоритму аппроксимации объектов с дискретным выходом на основе нечеткой базы знаний. Произведена оценка аппроксимирующей способности нейронечеткой модели, по результатам которой сделан вывод, что данная модель является эффективным аппроксиматором объектов с дискретным выходом. Кроме того, с целью апробации модели проведена оценка классифицирующей способности формируемых нечетких правил. Точность классификации на базе нечетких правил оказалась не ниже точности других известных методов классификации. Практической ценностью применения таких правил является возможность построения систем поддержки принятия решений по оценке состояния объектов в различных предметных областях.

DOI: 10.7256/2454-0714.2016.4.21193

Аннотация: Предметом исследования является оценка эффективности распределения заданий по исполнителям в автоматизированных системах электронного документооборота на основе нечетких методов рационального выбора альтернатив. Объектом исследования является задача рационального выбора исполнителей с учетом их квалификации, работоспособности, загруженности, а также сложности поступающих на распределение заданий. В работе рассматриваются три стратегии распределения заданий: на основе метода максиминной свертки, аддитивной свертки и нечетко-продукционной модели. Особое внимание уделяется программному комплексу, разработанному на базе предложенных методов. Приводится пример его функционирования, а также результаты проведенных исследований по оценке эффективности распределения заданий по исполнителям. В качестве методов исследования используются нечеткие методы рационального выбора альтернатив: максиминной свертки, аддитивной свертки и нечетко-продукционный метод. Данные методы используются для распределения заданий по исполнителям в автоматизированных системах электронного документооборота. Основными выводами проведенного исследования являются: - метод на основе нечеткого логического вывода показал лучшие результаты, наиболее точно согласующиеся с интуитивным представлением эксперта по рациональному выбору исполнителей заданий; - метод максиминной свертки является пессимистичным подходом, не учитывающим хорошие стороны альтернатив; - метод аддитивной свертки реализует оптимистичный подход, в котором низкие оценки по критериям имеют одинаковый вес по сравнению с высокими оценками, что повлияло на его низкую точность. Особым вкладом авторов в исследование темы является разработка эффективной нечетко-продукционной модели распределения заданий, а также реализация программного комплекса, позволившего выполнить необходимые исследования по оценке ее эффективности. Это определяет научную новизну и практическую ценность проведенного исследования.

Аннотация: В данной работе для повышения эффективности использования экспертных диагностических систем в социальных и технических предметных областях актуализируется необходимость разработки новой модели представления знаний. Предлагается нечетко-продукционная модель, позволяющая производить описание закономерностей предметной области на множестве разнотипных данных, представленных как в четких, так и нечетких шкалах. Разрабатывается методика группировки параметров, описывающих объект диагностики, для построения каскада параметров в соответствие с этапами диагностического процесса. На базе предложенных модели и методики строится каскад продукционных правил, позволяющих диагностировать состояние сложного объекта. Описывается алгоритм логического вывода на каскаде правил. На примере решения задачи медицинской диагностики показывается эффективность предложенного в работе подхода. Ставятся задачи перспективных исследований.