МІНІСТЕРСТВО ОСВІТИ І НАУКИ УКРАЇНИ
ТЕРНОПІЛЬСЬКИЙ НАЦІОНАЛЬНИЙ ТЕХНІЧНИЙ УНІВЕРСИТЕТ ІМЕНІ ІВАНА ПУЛЮЯ
Кафедра комп’ютерних наук
Лабораторна робота №6
Нейро-нечіткі мережі для поданя і обробки знань
з дисципліни “Теорія алгоритмів”
Тернопіль, 2011
Тема роботи:Нейро-нечіткі мережі для поданя і обробки знань.
Мета роботи:Ознайомитись з нейро-нечіткими мережами для поданя і обробки знань.
Теоритичні відомості
Різні типи інтелектуальних систем мають свої особливості, напри клад, за можливостями навчання, узагальнення і отримання результатів, що робить їх найбільш придатними для вирішення одних класів задач і менш придатними — для інших.
Нейрониі мережі, наприклад, є зручними для задач розпізнавання об разів, але дуже незручні для пояснення, як вони таке розпізнавання здійсню ють. Вони можуть автоматично здобувати знання, але процес їхнього на вчання найчастіше відбувається досить повільно, а аналіз навченої мережі є дуже складним (навчена мережа є звичайно «чорною скринею» для користу вача). При цьому яку-небудь апріорну інформацію (знання експерта) для прискорення процесу навчання в нейронну мережу ввести складно.
Системи з нечіткою логікою, напроти, є зручними для пояснення оде ржуваних за їхньою допомогою висновків, але вони не можуть автоматично здобувати знання для використання їх у механізмах виведень. Необхідність розбиття універсальних множин на окремі області, як правило, обмежує кіль кість вхідних змінних у таких системах невеликим значенням.
Хаяши та Імура (А. Ітига) показали, що иейромережа прямого поширення може апроксимувати будь-яку систему, що заснована на нечітких правилах, та будь-яка нейромережа прямого поширення може бути апроксимована системою, що заснована на нечітких правилах.
Нейро-нечітка мережа - це подання системи нечіткого виведення у вигляді нейронної мережі, зручної для навчання, поповнення, аналізу та використання. Структура нейро-нечіткої мережі відповідає основним блокам систем нечіткого виведення.
Завдання до лабораторноїроботи
Згідно з номером індивідуального варіанта студента за журналом згенерувати навчаючу та тестову вибірки даних.
Нехай V- номер студента за журналом, а гапсі - функція, що генерує псев-довипадкові числа у діапазоні [0; 1]. Визначимо кількість екземплярів у навчаючій вибірці Sн кількість екземплярів у тестовій вибірці SТ, кількість вхідних змінних (ознак) вибірок N, значення ознак вибірок: навчаючої xн, та тестової xт., а також значення цільових ознак для вибірок: навчаючої—yн та тестовоїyт.
Вхідні дані:
V = 16; N = 2;
S n = 2* 16= 32;
S t = 3*16 = 48;
S= 1,2,3,… S n
S= 1,2,3,… S т
Результат роботи
Навчаюча вибірка Хн і тестова вибірка Хт
Цільові ознаки навчаючої Yн та тестової вибірки Yт
Висновок: На цій лабораторній роботі я ознайомився з нейро-нечіткими мережами для поданя і обробки знань.
Текст програми
unit Unit1;
interface
uses
Windows, Messages, SysUtils, Variants, Classes, Graphics, Controls, Forms,
Dialogs, StdCtrls;
type
TForm1 = class(TForm)
Button1: TButton;
Memo1: TMemo;
Button2: TButton;
Memo2: TMemo;
Memo3: TMemo;
Button3: TButton;
Button4: TButton;
Memo4: TMemo;
procedure Button1Click(Sender: TObject);
procedure Button2Click(Sender: TObject);
procedure Button3Click(Sender: TObject);
procedure Button4Click(Sender: TObject);
private
{ Privatedeclarations }
public
{ Publicdeclarations }
end;
var
Form1: TForm1;
V,N : real;
Sn,St :integer;
Xn : array [1..32, 1..6] ofreal;
Xt : array [1..48, 1..6] ofreal;
Yn : array [1..32] ofreal;
Yt : array [1..48] ofreal;
rand : real;
s,j,i: integer;
implementation
{$R *.dfm}
procedure TForm1.Button1Click(Sender: TObject);
begin
randomize;
Random(10);
rand := random/10;
V := 16;
N := 2;
Sn := 32;
St := 48;
for s := 1 toSndo
begin
for j := 1 to 6 do
begin
Xn[s,j]:= (V/(s*j))* rand;
end;
Memo1.Lines.Add(floatToStr(Xn[s,1]) + '| |' + floatToStr(Xn[s,2])
+ '| |' + floatToStr(Xn[s,3]) + '| |' + floatToStr(Xn[s,4]...
