Дисертаційну роботу присвячено розробці методів та алгоритмів автоматичної генерації бази знань системи логічного виведення для задач класифікації на основі експериментальних даних, вдосконаленню методів логічного виведення, методів налаштування параметрів моделі представлення знань, методів доведення коректності бази знань та дослідженню якості побудованої системи логічного виведення. Наукова новизна одержаних результатів полягає у наступному:– дістав подальшого розвитку метод побудови нечіткої продукційної моделі для представлення знань про об'єкти предметної області на основі навчальної вибірки за допомогою розроблених алгоритмів навчання;– запропоновано вид нечіткого продукційного правила, що поєднує моделі Мамдані та Такагі-Сугено-Канг та містить у консеквенті правила в якості вагового коефіцієнту функцію, що визначає ступінь належності вихідної змінної до результуючої терм-множини; – удосконалено методику побудови сукупності правил бази знань та алгоритм їх автоматичного формування за допомогою попереднього аналізу ознак навчальної вибірки, матричного представлення антецедентів та векторного представлення консеквентів правил;– дістав подальшого розвитку метод логічного виведення з використанням бази знань нечіткої продукційної моделі для розв’язання задачі класифікації в умовах нечіткості та неповноти інформації про об’єкти предметної області; за наявності конфлікту при прийнятті рішення, що полягає у неспроможності системи однозначно визначити належність об’єкта певному класу, запропоновано процедуру порівняння відстані між об'єктами та класами;– дістав подальшого розвитку метод ідентифікації та налаштування значень параметрів нечіткої продукційної моделі, зокрема автоматизовано визначення лінгвістичних змінних, терм-множин, границь термів, параметрів функцій належності, вагових коефіцієнтів правил, кількості правил;– вперше для перевірки коректності автоматично побудованої бази правил за критеріями повноти, мінімальності, зв’язності і несуперечності застосовано логіку Хоара, метод резолюцій та програмне забезпечення Simplify;– вперше запропоновано адаптивний алгоритм редукції бази правил із використанням методу дихотомії з динамічним кроком та інтегральної метрики, що враховує кількість активацій певного правила та ступінь належності об'єктів навчальної вибірки правилу. Множина правил поділяється на підмножину правил, що виконуються, та підмножину правил, що є надмірними для досягнення критерію якості; – досліджено якість побудованої нечіткої продукційної моделі з використанням матриці невідповідностей та метрик, що визначають частину правильних відповідей моделі (accuracy), точність (precision), повноту (recall), f-міру (f1-score);– створено нові ефективні алгоритми розв’язання вищеназваних задач;– створено програмний продукт на об’єктно-орієнтованих мовах програмування C++, JavaScript та Python, що реалізує розроблені алгоритми;– методи і алгоритми застосовано до розв’язання модельних задач класифікації.Практичне значення одержаних результатів полягає у наступному: В дисертаційної роботі досліджено застосування нечітких продукційних моделей для розв’язання задач класифікації в умовах нечіткості та неповноти інформації про об’єкти предметної області.

Постачальник даних: УкрІНТЕІ (Український Інститут науково-технічної експертизи та Інформації)

  Завантажити автореферат