Нечеткие логические модули для построения базовых структур автономных агентов
За основу построения модуля нечеткого логического вывода (МНЛВ) взята схема Шортлиффа, описанная в [46]. Основу этой модели составляют правила продукционного типа (ПП)
if Антецедент then Гипотеза with CF, (2.1)
где if, then, with- ключевые слова-разделители; Антецедент - формула, построенная из факторов или гипотез с помощью операций конъюнкции,
54 дизъюнкции или отрицания при этом операнды в этой формуле лежат в диапазоне 0..
.1; конструкция «Гипотеза with CF»- консеквент НИ R; Гипотеза НН R - одна из гипотез решающего модуля; CF- коэффициент уверенности ПН R.В модели Шортиффа набор операций и отношений над операциями фиксирован (операции осуществляются только над двумя операндами):
Нри этом полагаем, что факторы риска только подтверждают (не опровергают) гипотезу о риске инсульта.
Таким образом, чтобы построить МНЛВ необходимо составить набор ПН, которых будет на одно меньше, чем факторов риска в сегменте. В НН последовательно включаются факторы риска, причем не важно, в каком порядке, и экспериментально оценивается коэффициент уверенности на выходе модуля нечеткого логического вывода при наличии заданного числа факторов риска (объединенных по and).Чем больше факторов риска присутствует в НН, тем выше коэффициент уверенности этого решающего правила.
На рисунке 2.4 представлена схема обработки i-го 1П1. Схема состоит из четырех секторов.
Рисунок 2.4 - Обработка і-го продукционного правила
В секторе А вычисляется антецедент і-го ПП. В секторе В антецедент і-го ПП сравнивается с пороговым значением. Пороговое значение подбирается эмпирически. В каждом сегменте факторов риска и зависит от максимального значения функции принадлежности фактора риска для данного заболевания. Если результат меньше порогового, то данное ПП не приводит к изменению гипотезы Я,.,,: .
Если результат больше порогового, то его нормируют (взвешивают) в секторе С в соответствии с коэффициентом уверенности этого ИП посредством операции tms.В секторе Dподнимают гипотезу Hx,.iв соответствии с (i+1)-м ПП посредством формулы (2.6).На рисунке 2.5 представлена схема алгоритма формирования МНЛВ.
В блоке 1 вводятся факторы риска для выбранного ИА. В блоке 2 осуществляется нормирование информативных признаков - вписывание их в диапазон 0...1, что соответствует операции фаззификации в терминах нечеткой логики принятия решений. В блоке 3 формируется ПП для данного сегмента факторов риска.
Рисунок 2.5 - Схема алгоритма формирования МНЛВ для интеллектуального
агента /заболевания ωl
В блоке 4 устанавливается искомое значение коэффициента уверенности МНЛВ (начальное значение гипотезы Я - отсутствие риска инсультов). Блок 5 организует цикл просмотра факторов риска. Тело цикла состоит из четырех блоков. В блоке 6 вычисляется антецедент решающего правила, в блоке 7 решающее правило активируется в зависимости от результата сравнения с порогом согласно (2.4).
Если решающее правило активировано, то осуществляется взвешивание его антецедента в блоке 8 в зависимости от его коэффициента уверенности Hk.В блоке 9 осуществляется вычисление текущего значения коэффициента уверенности в гипотезе по данному «сильному» классификатору, а в блоке 10 выводится окончательное значение коэффициента уверенности по данному МНЛВ.
2.1.3
Еще по теме Нечеткие логические модули для построения базовых структур автономных агентов:
- Нейронные сети для построения базовых структур автономных агентов для прогнозирования инсультов
- Программное обеспечение для модуля нечеткого логического вывода
- Модуль принятия решений по ишемическому риску на основе нечеткого логического вывода
- Выбор базовых структур анализаторов данных интеллектуальных агентов нижнего иерархического уровня
- Построение базовой модели мультиагентной интеллектуальной системы для прогноза риска инсультов
- Разработка метода построения гибридных нечетких моделей для прогнозирования возникновения и осложнений артериальной гипертензии у водителей транспортных средств с учетом энергетических характеристик биоактивных точек
- Использование методов разведочного анализа для оценки структуры данных с целью выбора формы и параметров нечетких решающих правил
- Особенности структуры и организации работы базового тылового госпиталя.
- Гибридные решающие модули для формирования виртуальных потоков
- Модули для проведения профилактических медицинских осмотров и диспансеризации
- Метод построения гибридных решающих правил для прогнозирования риска артериальной гипертензии
- Модули для оказания первичной медико-санитарной помощи в плановой форме при различных заболеваниях
- Интеллектуальные агенты для прогнозирования профессиональных заболеваний
- Модуль 1 Паллиативное лечение. РУКОВОДСТВО ДЛЯ ПРЕПОДАВАТЕЛЕЙ, 2017
- Формализованные математические описания поведения систем для их базовых моделей
- Интеллектуальные агенты для исследования адаптационного потенциала человека
- 28. Базовый диагностический инструментарий для изучения особенностей познавательной сферы в младшем школьном возрасте.
- Построение описаний для классов примеров методами конструктивной индукции
- Интеллектуальные агенты для прогнозирования психологической устойчивости работника экстремальных профессий