pohoje ochen intersnyaya vesh!!!soobshite pojalusta - kogda poyavitsya prodoljeniee!

Ответить Тематика: Не указана

Спасибо вам за полезную и интересную информацию, благодаря вам получил хорошую оценку(написал самый лучший отчёт десятилетия), со школы ничего не понимаю в сложном математическом аппарате(я гуманитарий), но у вас объяснено просто и доступно

Ответить Тематика: Не указана

Назову свой рассказ «Нечёткая логика и нейронная сеть в Deductor’е».
Цель задачи: спрогнозировать поступления денег по всем дням следующего месяца, исходя только из данных по ежедневным поступлениям предыдущих месяцев. Это самый простой вариант – ось времени. Решение: использовать нейронную сеть и подать на её вход массив временных рядов, одним из которых будут данные, а остальными – нечёткие ограничения по временным интервалам (неделя, месяц, квартал), а именно: как они начинаются и как заканчиваются.
Например, фактор уверенности на начало недели в понедельник равен 100, на вторник – 40; фактор уверенности на конец недели в воскресенье равен 100 и т.д. Также и с остальными интервалами.
Особенности: 1) график фактора уверенности имеет не непрерывную форму, а дискретную столбиковую диаграмму; 3) нелинейная форма у графика – и не забыть про гра-ницу, ниже которой фактор уверенности превращает переменную в ничто.
Результат: даже при хорошем приближении в графике рассеяния полученный прогноз «похож» на правду, но всё равно имеет очень сильные (в 1,5-3 раза от факта) выбросы (числом около 15%).
(Замечания для разработчиков: пробовал также аналогичный с описанным в демопримере прогноз на следующий месяц 10-ти групп изделий, фактически имеющих разные характеристики поведения и объёмы, и во всех случаях данные прогноза были завышены (что в принципе не может быть) на 5-30% – похоже ваша нейросеть немного «шалит»)
Что же сказать про реализацию нечётких запросов к базе данных: задайте середину интервала и приблизительную ширину диапазона, которая может меняться от условий. При перерасчёте получите диапазон чётких значений (слева и справа). Задайте запрос с условием beetween. Правда, можно получить список, для элементов которого всё равно придётся знать факторы уверенности.
Всё равно это одношаговый переход от лингвистической переменной к числовому отображению, а многошаговый … Читал про Т-нормы и S-конормы Эйнштейна и Гамахера, но применение которых отдаётся на откуп пользователю!
Хочется увидеть «свет в конце туннеля», когда думаешь о практической реализации системы управления, основанным на нечёткой логике (для относительно нового метро в г.Сёндай – ссылка в основной статье), но увы! Приходится только догадываться, что такой системой может быть динамическая экспертная система реального времени, где нечёткая логика является лишь придатком, и, где текущее состояние и условия объекта меняют форму функции принадлежности и степень уверенности, которая и активирует необходимое правило.
*Замечание последнего момента
Про гибрид нейронной сети и нечёткой логики – пока «не дошли» руки до заграничных книжек. Точно не знаю, но я сделал бы так: так как нейронная сеть хороша только на большом объёме входных данных – значит сеть строит функцию принадлежности к ре-зультату по элементам.
Например (на основе Deductor’а), результатом на карте Кохонена является карта расстояний с кластерами, каждый входной элемент имеет значения по каждому имеющемуся измерению. И функцией принадлежности по каждому измерению будет степень близости этого значения к выбранному кластеру (пример: конкретное значение измерения «широта ассортимента» имеет степень принадлежности к кластеру 1 в 75 единиц. Если же исполь-зовать простую нейросеть, то ещё проще – уже имеется ряд результата, где будет аналогично вычисляться, но уже к нему (последнему).

Ответить Тематика: Не указана