Методические указания к практическим занятиям по курсу Основы теории нечетких и гибридных систем в среде С++.

Введение Математическая теория нечетких множеств (fuzzy sets) и нечеткая ло-ги¬ка (fuzzy logic) являются обобщениями классической теории множеств и классической формальной логики. Данные понятия были впервые пред¬ло-же¬ны американским ученым Лотфи Заде (Lotfi Zadeh) в 1965 г. Основной при¬чи¬ной появления новой теории стало наличие нечетких и приближенных рас¬суж¬дений при описании человеком процессов, систем, объектов. Прежде чем нечеткий подход к моделированию сложных систем по-лу¬чил признание во всем мире, прошло не одно десятилетие с момента за-рож¬де¬ния теории нечетких множеств. И на этом пути развития нечетких систем принято выделять три периода. Первый период (конец 60-х–начало 70 гг.) характеризуется развитием теоретического аппарата нечетких множеств (Л. Заде, Э. Мамдани, Беллман). Во втором периоде (70–80-е годы) появляются первые практические ре¬зуль¬та¬ты в области нечеткого управления сложными техническими системами (па¬ро¬ге¬нератор с нечетким управлением). Одновременно стало уделяться вни¬мание воп¬росам построения экспертных систем, построенных на не¬чет¬кой логике, раз-работке нечетких контроллеров. Нечеткие экспертные сис¬те¬мы для под-держ¬ки принятия решений находят широкое применение в ме¬ди¬ци¬не и эконо¬ми¬ке. Наконец, в третьем периоде, который длится с конца 80-х годов и про¬дол¬жается в настоящее время, появляются пакеты программ для построения нечетких экспертных систем, а области применения нечеткой ло¬ги¬ки заметно расширяются. Она применяется в автомобильной, аэро¬кос¬ми¬чес¬¬кой и тран¬спорт¬ной промышленности, в области изделий бытовой тех¬ни¬ки, в сфере финансов, анализа и принятия управленческих решений и многих других. Триумфальное шествие нечеткой логики по миру началось после до-ка¬за¬тельства в конце 80-х Бартоломеем Коско знаменитой теоремы FAT (Fuzzy Approximation Theorem). В бизнесе и финансах нечеткая логика получила признание после того как в 1988 году экспертная система на основе нечетких правил для прогнозирования финансовых индикаторов единственная пред¬ска¬зала биржевой крах. И количество успешных fuzzy-применений в настоя¬щее время исчисляется тысячами.

1. Нормативный перечень технического задания 2 Введение 2 Актуальность темы дипломного проекта 4 2. Предметная область 6 2.1. Математические основы 6 2.2. Поставленные задачи 17 3. Реализация 38 3.1. Алгоритм нечеткой кластеризации 38 3.2. Линейная нейронная сеть 42 3.3. Алгоритм обратного распространения ошибки 46 4. Технико-экономическое обоснование 49 4.1. Общие сведения 49 4.2. Достоинства и недостатки 50 4.3. Трудоёмкость и календарный план работ 52 4.4. Смета затрат на проведение работ 53 Выводы 57 5. Защита интеллектуальной собственности 58 Литература 69

1. Нечеткая логика. http://www.basegroup.ru/library/analysis/fuzzylogic 2. Мандель И.Д. Кластерный анализ. Москва, «Финансы и статистика», 1988, 176 с. 3. Jacobson V., Leres C., McCanne S. Tcpdump. Available via anonymous ftp to ftp.ee.lbl.gov, June 1989. 4. F. Klawonn, F. Höppner: What is Fuzzy About Fuzzy Clustering? – Understanding and Improving the Concept of the Fuzzifier. In: M.R. Berthold, H.-J. Lenz, E. Bradley, R. Kruse, C. Borgelt (eds.): Advances in Intelligent Data Analysis V. Springer, Berlin, 2003, pp. 254-264. 5. Bezdek J.C., Pal S.K., eds. Fuzzy models for pattern recognition: methods that search for patterns in data. IEEE Press, 1993, pp. 130-137. 6. Bezdek J.C., Pattern Recognition with Fuzzy Objective Function Algorithms. Plenum Press, 1981. 7. Höppner F., Klawonn F. A Contribution to Convergence Theory of Fuzzy c-Means and Derivatives. IEEE Transactions on Fuzzy Systems, 11(5), 2003, pp. 682-694.