MATLAB.Exponenta
–Û·Ë͇ Matlab&Toolboxes

Проектирование систем управления\Fuzzy Logic Toolbox

А.П.Ротштейн "Интеллектуальные технологии идентификации"

1. Введение в интеллектуальные технологии
   1.1. Нечеткие множества
      1.1.1. Основные понятия теории нечетких множеств
      1.1.2. Свойства нечетких множеств
      1.1.3. Операции над нечеткими множествами
      1.1.4. Некоторые дополнительные понятия
      1.1.5. Нечеткие отношения
      1.1.6. Нечеткие числа
      1.1.7. Нечеткость и вероятность
   1.2. Генетические алгоритмы
      1.2.1. Принципы построения генетических алгоритмов
      1.2.2. Основные операции генетических алгоритмов
      1.2.3. Стратегии поиска
      1.2.4. Отличие от классического поиска
      1.2.5. Преимущества генетических алгоритмов
      1.2.6. Терминология
      1.2.7. Примеры генетической оптимизации
   1.3. Нейронные сети
      1.3.1. Основные понятия
      1.3.2. Имитация нервных клеток
      1.3.3. Математическая модель нейрона
      1.3.4. Обучение нейронных сетей
      1.3.5. Метод обратного распространения ошибки
      1.3.6. Алгоритм настройки нейронной сети
2. Методологические аспекты
   2.1. Лингвистические правила в принятии решений
      2.1.1. Автоматическое управление
      2.1.2. Cитуационное управление
      2.1.3. Медицинская диагностика
      2.1.4. Многокритериальная оценка
      2.1.5. Многофакторный анализ
   2.2. Принятие решений и идентификация
   2.3. Принципы лингвистического моделирования
3. Лингвистическая аппроксимация
   3.1. Формализация исходной информации
      3.1.1. Входы и выходы объекта
      3.1.2. Лингвистические переменные
      3.1.3. Нечеткая база знаний
      3.1.4. Функции принадлежности
   3.2. Объекты с дискретным выходом
      3.2.1. Постановка задачи
      3.2.2. Нечеткие логические уравнения
      3.2.3. Алгоритм аппроксимации
   3.3. Объекты с непрерывным выходом
      3.3.1. Постановка задачи
      3.3.2. Алгоритм аппроксимации
   3.4. Применение композиционного правила вывода
      3.4.1. Постановка задачи
      3.4.2. Нечеткий логический вывод
      3.4.3 Интерпретация вывода
   3.5. Иерархические объекты
      3.5.1. Обобщенное дерево логического вывода
      3.5.2. Нечеткие логические уравнения
4. Аналитико - лингвистическая аппроксимация
   4.1. Нечеткое представление неопределеннных параметров
   4.2. Учет влияющих факторов
   4.3. Нечеткое обобщение аналитических моделей
      4.3.1. Принцип обобщения Заде
      4.3.2. α-уровневый принцип обобщения
      4.3.3. Модифицированный принцип обобщения
   4.4. Методика нечеткого обобщения аналитических моделей
5. Генетическая настройка лингвистических моделей
   5.1. Cадачи оптимальной настройки
      5.1.1. Веса правил
      5.1.2. Объект с непрерывным выходом
      5.1.3. Объект с дискретным выходом
      5.1.4. Критерии качества идентификации
   5.2. Настройка параметрических функций принадлежности
      5.2.1. Кодирование
      5.2.2. Скрещивание
      5.2.3. Мутация
      5.2.4. Функция соответствия
      5.2.5. Выбор родителей
      5.2.6. Генерация популяции
      5.2.7. Генетический алгоритм
   5.3. Настройки α-уровневых функций принадлежности
      5.3.1. Аналитические модели функций принадлежности
      5.3.2. Настройки модели с дискретным выходом
      5.3.3. Настройки модели с непрерывным выходом
      5.3.4. Кодирование и скрещивание
      5.3.5. Мутация
      5.3.6. Функция соответствия
      5.3.7. Генерация популяции
      5.3.8. Генетический алгоритм
   5.4. Компьютерные эксперименты
      5.4.1. Методика экспериментов
      5.4.2. Объекты с непрерывным выходом
      5.4.3. Объекты с дискретным выходом
      5.4.4. Исследование α-уровневой настройки
   5.5. Извлечение знаний из экспериментальных данных
      5.5.1. Постановка задачи
      5.5.2. Критерий оптимизации
      5.5.3. Генетический алгоритм оптимизации
      5.5.4. Пример
   5.6. Объект "много входов - много выходов"
6. Нейронная настройка лингвистических моделей
   6.1. Нейронная идентификация
      6.1.1. Нейронная сеть как универсальный аппроксиматор
      6.1.2. Обучение нейронной сети
      6.1.3. Компьютерные эксперименты
   6.2. Нейро-лингвистическая идентификация
      6.2.1. Лингвистический аппроксиматор
      6.2.2. Нейро-лингвистический аппроксиматор
      6.2.3. Обучения нейро-нечеткой сети
      6.2.4. Компьютерные эксперименты
   6.3. Сравнение с нейронной идентификацией
7. Функции принадлежности и принятие решений
   7.1. Принцип слияния целей и ограничений
      7.1.1. Нечёткие цели и ограничения
      7.1.2. Нечёткие решения
   7.2. Метод построения функции принадлежности
      7.2.1. Постановка задачи
      7.2.2. Основные определения и соотношения
      7.2.3. Алгоритм построения функций принадлежности
   7.3. Многокритериальный анализ вариантов
      7.3.1. Общие принципы
      7.3.2. Критерии как нечеткие множества
      7.3.3. Равновесные критерии
      7.3.4. Неравновесные критерии
   7.4. Пример многокритериального анализа
      7.4.1.Критерии оценки вариантов
      7.4.2. Парные сравнения
      7.4.3.Матрицы парных сравнений
      7.4.4. Критерии как нечеткие множества
      7.4.5. Случай равновесных критериев
      7.4.6. Случай неравновесных критериев
8. Прикладные системы идентификации
   8.1. Система FUZZY EXPERT
      8.1.1. Структура системы
      8.1.2. Экранные формы
   8.2. Диагностика ишемической болезни сердца
      8.2.1. Типы диагнозов и параметры состояния больного
      8.2.2. Нечеткая база знаний
      8.2.3. Нечеткие логические уравнения
      8.2.4. Грубые функции принадлежности
      8.2.5. Алгоритм принятия решения
      8.2.6. Тонкая настройка нечеткой базы знаний
   8.3. Прогнозирование количества заболеваний
      8.3.1. Экспериментальные данные
      8.3.2. Экспертно-лингвистические закономерности
      8.3.3. Модель прогнозирования
      8.3.4. Настройка модели прогнозирования
   8.4. Идентификация коэффициента сцепления "автомобиль-дорога"
      8.4.1. Методика идентификации
      8.4.2. Структурная идентификация
      8.4.3. Параметрическая идентификация
      8.4.4. Пример и сравнение с действующей методикой
   8.5. Многофакторный анализ технологического процесса биоконверсии
      8.5.1. Этапы и принципы моделирования
      8.5.2. Дерево вывода
      8.5.3. Нечеткие матрицы знаний
      8.5.4. Нечеткий логический вывод и дефаззификация
      8.5.5. Примеры моделирования
   8.6. Оценка дипломных проектов
      8.6.1. Интегральные и частные показатели
      8.6.2. Уровни качества
      8.6.3. Оценка частных показателей по принципу термометра
      8.6.4. Оценка интегрального показателя
      8.6.5. Возможные обобщения
   8.7. Оценка кредитоспособности инновационных проектов
      8.7.1. Типы решений и частные показатели качества
      8.7.2. Нечеткие базы знаний
      8.7.3. Функции принадлежности и примеры оценки
   8.8. Управление динамической системой
      8.8.1. Объект управления
      8.8.2. Классическая модель управления
      8.8.3. Нечеткая модель управления
      8.8.4. Связь с функциями Ляпунова
Список литературы


Поиск по сайту:

Система Orphus

Яндекс.Метрика