Материал: лекция 5 ММОСУ

Можно использовать и нечеткие правила (продукции), например:

П 0.4 или Д 0.3.

Пусть теперь входная переменная 0 («погода сегодня») приняла некоторое значение. Оно, естественно, должно быть нечетким (ведь нет четкой границы между значениями «ясно» и «пасмурно» да и дождь может идти не по всему городу) и определяться, например, по сообщениям экспертов. Пусть в результате усреднения мнений группы экспертов 0 задается как

x Я П Д

0 x 0.4 0.5 0.1

Как узнать прогноз на завтра? Вспомним, что множество – частный случаи отношения и представим его как отношение W0 с фиктивным одноэлементным множеством входов и нечетким множеством выходов.

Теперь легко понять, что значение переменной «погода завтра» ( 1)

определится с помощью соответствующего отношения W1 по формуле композиции отношений (5.6).

Таким образом, W1 R0 W0 и, значит, например,

1 Я max min 0.1, 0.3 ,min 0.1,0.3 ,min 0.1, 0.3 max 0.1, 0.4, 0.4

Итоговая таблица прогноза на завтра имеет вид Y Я П Д

1 y 0.4 0.5 0.4

Полученный результат можно снова подать на вход системы прогноза и получить новый результат «прогноз на послезавтра»:

W2 R W1 R R W0.

Правило вывода, соответствующее композиции нечетких отношений, называется композиционным правилом вывода и составляет основу нечеткой логики. В нечеткой логике значения истинности предложений лежат от нуля до единицы; закон исключенного третьего не выполняется.

Нечеткие отношения, как и обычные, могут обладать специальными свойствами. Для отношения R: X X 0,1 рассмотрим свойства:

– транзитивность R x,z min R x,y ,R y,z для всех x, y,z X . Отношение называется отношением сходства если оно рефлексивно и

симметрично. Рефлексивность и антисимметричность характеризуют отношение доминирования. Если к перечисленным свойствам добавляется свойство транзитивности, то отношение соответственно называют эквивалентностью и порядком.

5.2.3. Нечеткие числа Рассмотрим свойства и применения нечетких подмножеств числовой оси

R1 , – так называемых нечетких чисел. Над нечеткими числами можно производить арифметические и иные действия, правила выполнения которых вытекают из правил действий с отношениями и из того, что любую бинарную операцию можно рассматривать как тернарное (З-местное) отношение. Например, функция принадлежности нечеткой суммы C A B нечетких чисел A, B имеет вид

Прикладной смысл нечеткого числа – это число, заданное с погрешностью. Для того чтобы работать с такими числами, нужно задавать функции принадлежности и погрешностей, а это невозможно сделать во всех x R1 в силу бесконечности множества R1. Один из способов преодоления

‚этой трудности – использование нечетких L – R-чисел (сокращение от «left – right»).

Чтобы определить нечеткие L – R-числа, на промежутке 0, задаются

где a – вещественное число, называемое средним значением (употребляют

выполнения действий с L – R-числами достаточно помнить лишь тройку

A a, , . Правила арифметики L – R-чисел вытекают из общих правил арифметики нечетких чисел и напоминают правила распространения ошибок в приближенных вычислениях. Если A a, , , B b, , , то

A B a b, , , A B a b, , ,

Если B – четкое число ( 0), то A B ab, b, b . 5.2.5. Вероятность или нечеткость?

Продемонстрируем на простом примере разницу между стохастическим и нечетким подходами. Пусть сделано несколько измерений некоторой неизвестной величины a с погрешностью, не превосходящей величины a. Требуется оценить значение a и определить погрешность оценки.

Предположим, что в качестве оценки выбрано среднее арифметическое x 1n in 1xi . При стохастическом подходе мы постулируем, что xi случайны и независимы, Mxi a, и, поскольку погрешность может быть произвольным

с вероятностью 0.95.

Примем теперь нечеткую модель измерений. Естественно представить

Xi na,n ,n , откуда X a, , , т.е. погрешность оценки определится неравенством

уверенности в том, что погрешности ведут себя нерегулярно и уничтожаются при усреднении, то доверять (5.9) нельзя и мы возвращаемся к оценке (5.10). Однако за нечетким подходом остаются дополнительные возможности. Например, имея информацию о том, что малые значения погрешностей встречаются чаще, чем большие, мы можем взять соответствующие функции

L x ,R x . Соответственно меняется функция принадлежности X и (5.10) уточняется.

Кроме того, если n мало, например n 10, то проверить правомерность усреднения практически невозможно. В результате оценка погрешности при

n 10 по (5.9) получается всего в 2.7 раза меньше, чем по (5.10), причем она верна лишь в 95% случаев и при труднопроверяемых предположениях.

5.3 Хаотические модели 5.3.1 От колебаний — к хаосу

Сравнительно недавно, в 70–х годах ХХ века, в науку о математических моделях вошло новое понятие, перевернувшее многие привычные представления, - понятие хаоса (точнее, детерминированного хаоса). Хаотические системы предоставили исследователям новый класс моделей неопределенности, отличающихся по своим свойствам как от стохастических, так и от нечетких моделей. Если в детерминированной модели будущую траекторию можно предсказать на сколь угодно большое время вперед, зная текущее состояние системы, а в стохастической модели точный прогноз, вообще говоря, невозможен даже на сколь угодно малое время, то в хаотической модели ошибка прогноза растет экспоненциально и, следовательно, возможен прогноз на ограниченное время вперед, определяемое допустимой ошибкой прогноза. Процессы в хаотических моделях имеют вид нерегулярных колебаний, в которых меняется, «плавает», как частота, так и амплитуда.

Колебательные процессы часто встречаются в природе и технике, поэтому формы их описания непрерывно развиваются и совершенствуются. В течение многих лет, до начала ХХ в. основным видом математических моделей колебаний в механических, электрических и других системах считались дифференциальные уравнения, например