Ўзбекистон республикаси олий ва ўрта махсус таълим вазирлиги низомий номидаги тошкент давлат

Алгоритм стратегии выбора адекватной модели СВП. Алгоритм 
стратегии выбора адекватной модели, оценки принятия решений на основе 
изложенных подходов представляется последовательностью следующих шагов 
[3]: 
1. Описание компонент 
)
;
;
;
(
P
M
I
G
D

для соответствующих узлов по 
дереву цели D  и математической модели 
M
M
i

. 
2. Расчет априорных вероятностей 
)
(
i
M
P
.
3. Расчет апостериорных вероятностей 
 


i
j
M
N
I
P
/
,
и 
 


N
I
M
P
j
i
,
/
при 
наборе 
}
,
{
N
I
j
.

---

161 
4. Задание матрицы данных для идентификации СВП и запуска стратегии 
принятия решения по правилам 
1

, 

, 
2

. 
5. Вычисление величин критерия 
)
,
(
~
)
(
)
1
(
,
k
ij
ij
j
i
x
x
H
w
I

. 
6. Выбор наиболее подходящей модели ГО 
M
M
i

. 
Следует отметить, что вычислительная сложность алгоритма связана с 
определением априорной 
)
(
i
M
P
и апостериорной 
 


i
j
M
N
I
P
/
,
 


N
I
M
P
j
i
,
/
вероятностей при большом размере матрицы описания, а также много 
итеративностью механизма регулирования элементов набора 
}
,
{
N
I
j
. 
Реализация стратегии оптимизации описания СВП на основе нечетких 
продукционных правил. В данном подходе оптимизации, проверяемые 
значения погрешности идентификации СВП представляются в виде термов 
входных и выходной лингвистических переменных. Первоначально 
определяются функции принадлежностей (ФП), параметры и границы ФП, 
интервалы принадлежности носителей соответствующим нечетким множествам 
лингвистических термов [4]. 
Проверяемые значения погрешности идентификации формализуются с 
помощью следующего классификатора: 
}
,
,
,
,
,
,
,
,
{
LPD
MPD
HMPD
SPD
Z
SND
MND
LMND
BND
x
k


,
где B  - большое, M  - среднее, S  - малое, L  - ниже, H  - выше, D  - отклонение 
в N  - отрицательном, P  - положительном направлении от Z  - нулевого 
значения. 
Нечеткие 
продукционные 
правила 
«ЕСЛИ, 
ТО» 
генерируются 
реализациями вычислительных схем алгоритмов нечетких выводов Мамдани и 
Сугено. 
Предложен подход, который направлен на использование математического 
аппарата теории нечетких множеств и нечетких когнитивных карт (НКК). 
Причем, существуют различные виды НКК: нечеткие продукционные карты, 
обобщенные, 
реляционные, 
динамические 
когнитивные 
сети, 
функционирующие на базисе <истина, ложь, неопределенность>. Функции НКК 
представляются в виде графа описания отношения 
)
,
(



K
, 
где K  – множество факторов (концептов) карты; 
ij



– матрица 
концептов, задаваемая значениями «-1» (отсутствие) и «1» (наличие). 
В табл. 1 для отражения эффективности предложенных методов 
оптимизации идентификации СВП введены следующие оценки их качества: A1 
– возможность графической визуализации; A2 – возможность лингвистического 
описания; A3 – необходимость использования экспертной информации; A4 – 
простота реализации алгоритмов.
Таблица 1 
Достоинства подходов к адекватному описанию СВП 
Подходы
A1 
A2 
A3 
A4 
Байесовский
- 
- 
+ 
+ 

---

162 
Продукционные правила 
- 
+ 
+ 
+ 
Нечеткие когнитивные карты 
+ 
+ 
+ 
+ 
В табл. 2 приведены значения показателей качества методов оптимизации 
(К1-К5) с регулированием на основе НКК, позволяющие утверждать 
правомерность применяемого подхода нечеткой идентификации СВП. 
Таблица 2 
Отражение качества механизмов оптимизации на основе НКК 
Показатели 
K1 
K2 
K3 
K4 
K5 
C1 
0.927 
0.927 
0.927 
0.88 
0 
С2 
0.073 
0.073 
0.073 
0.12 
1 
C3 
0.075 
0.352 
0.208 
0.226 
0.215 
C4 
0.326 
0.24 
0.432 
0.078 
0 
Определено, что механизм регулирования переменных на основе НКК 
обеспечивает структурную устойчивость и служит эффективным инструментом 
оптимизации идентификации и прогноза СВП. Для дальнейшего развития 
методов оптимизации идентификации и прогноза СВП предлагается подход, 
основанный на применение механизма регулирования с помощью 
нейро-нечетких сетей. 
Литература 
1. Рутковский Л. Методы и технологии искусственного интеллекта // М.: 
Горячая линия – Телеком, 2010.– 520 с. 
2. Тулупьев А.Л., Николенко С.И., Сироткин А.В. Байесовские сети: Логико-
вероятностный подход. СПб.: Наука, 2006. - 607 с. 
3. Жуманов И.И., Бекмуродов З.Т.Идентификация случайных временных 
рядов на основе нейро-нечеткой сети для повышения достоверности прогноза // 
Труды ХI Международной Азиатской школы-семинара «Проблемы оптимизации 
сложных систем», Кыргызская Республика, 2015 - с. 258-264.
4. Жуманов И.И., Бекмуродов З.Т. Алгоритмы повышения достоверности 
прогноза временных рядов с использованием нейро-нечетких сетей и методов 
кластеризации // Журнал «Вестник ТУИТ», Ташкент, 2015. - №2 (34). - с. 106-
112.