CC BY
5
Баратов Ж. Р. ассистент кафедры автоматизация производственных процессов и управление Джизакский политехнический институт Республика Узбекистан, г. Джиззак
ИСПОЛЬЗОВАНИЕ ГЕНЕТИЧЕСКОГО АЛГОРИТМА ПРИ ВЫПОЛНЕНИИ ДИАГНОСТИКИ
Аннотация: Для обучения заданной структуре в первую очередь проводится первоначальная подготовка преподаваемых данных: их следует разбить на разделы, которые образуют репрезентативные классы.
Ключевие слова: QXT (FIS), Функция genfis2 Fuzzy Logic Toolbox, FIS-Editor, Matlab.
Baratov J.R.
assistants of the department automation of production processes and
management Jizzakh Polytechnic Institute Republic of Uzbekistan, Jizzakh
USING THE GENETIC ALGORITHM WHEN PERFORMING
DIAGNOSTICS
Abstract: To teach a given structure, first of all, the initial preparation of the taught data is carried out: they should be divided into sections that form representative classes.
Keywords: QXT (FIS), function genfis2 Fuzzy Logic Toolbox, FIS-Editor, Matlab.
Правила строятся на основе этих классов. Прямое обучение выполняется с использованием алгоритма распределения ошибок и представляется отдельно для каждой сети, которая реализует условия правила и делает вывод для по этапмы:
1- этап:
1.1. Подготовка набора обучающих данных в режиме двойного просмотра, где J обозначает объем выбора.
{x(t),d(t)} = {xi(t),...,xn(t),d(t)},t = 1,2,..., J.
1.2. Разобьем пространство входящих переменных на N и Rk классов. В результате сгенерирована N обучающая выборка x (t), d (t )) в ней
j = 1,2,..., Jk, - Rk k- количество выборок, представляющих поле, а также J1 + J2 +... + JN = J. Как уже отмечалось, вывод о том, что n-мерное
пространство разделено на N сфер ( N <n ), одинаково силен в том смысле, что n систем используют фиксированное правило.
1.3. Использование генетических алгоритмов в области разделения обучающих данных. В этом случае характерной чертой является определение нескольких многомерных реляционных функции.
Если на вход алгоритма поступает значение х то d = [d(1),..,d\N)]г опорные сигналы подаются на выходной слой по следующему правилу:
d(k) = IXесли хG Rk ,
* [0, если х g Rk,
Тогда, i = 1, 2, ..., Jk; k = 1,..., N. В качестве альтернативы указывается область, к которой принадлежит точка.
2-этап Использование генетического алгоритма в диагностических
оценочных заключениях. Соответствует классу R {Xj,d(k\t)} , j = 1,2,...,J данные поступают на вход и выход генетического алгоритма.
В этом случае R{к) делает вывод для правила. Его результат прямо
согласуется с k-правилом y(k ) = f( k ) (x1,..., xn ) будет бесспорным логическим завершением.
Анализ результатов показывают, что в начальный момент времени точки зоны контакта движутся к оси симметрии, а затем от оси [7].
Выполнение описанных шагов и шагов гарантирует, что условия и выводы установлены для каждого правила. Этот набор правил формирует прочную базу знаний QXT (FIS). Функция genfis2 Fuzzy Logic Toolbox в системе Matlab используется для выполнения процесса синтеза модели типа Сугено. Синтезируемая фиксированная модель представляет собой логическую функцию, состоящую из трех входов и одного выхода. При вызове этой функции нужно указать «радиус» диагностики.
В настоящий время инновации сложно приставит в неподготовленном для этого предварителен бизнесе. Поэтому сегодня мы рассмотрим некоторые трудности внедрения новых технологий в Узбекистане [13].
Сегодня современные компьютерные технологии активно внедряются во все сферы жизнедеятельности человека, в том числе в образовании [8].
Поскольку исходные данные диагностики находятся в единичном гиперкубе, значения радиуса должны находиться в диапазоне [0, 1]. Большие значения радиусов приводят к обнаружению всего нескольких кластеров и созданию компактной базы знаний. Однако при моделировании отношений некоторые особенности можно не учитывать. Фактических, синтез хорошей фиксированной базы знаний можно осуществить в диапазоне значений радиуса [0,2, 0,5]. Таким образом, было получено значение радиуса 0,3. горный метод вычитающей кластеризации, используемый функцией genfis2, позволяет быстро реализовать строгое правило на основе данных [40]. Реализацию нестабильной модели можно визуально наблюдать в FIS-Editor среды Matlab (рисунок 1).
Рисунок-1. Модель нежеского подхода через Р18-Е(Шог.
Рисунок- 2. 1-Вариация входных данных в FIS-Editor
Рисунок- 3. 2-Вариация исходных данных в FIS-Editor.
Рисунок- 4. З-Вариация исходных данных в Р18-Е(Шог.
Рисунок 5. Изменение выходных значений в зависимости от входа.
Рисунок 6. Окно настройки и отображения базы правил.
Можно будет настроить базу правил визуально и на показываеть результаты. Диагностическая задача, полученная для экспериментального исследования, включает 3 типа входных данных. Это также модель их индукции. Используя БК-Еёког, подробно описаны входные и выходные параметры [12].
Таким образом, при обработке изображений требуется по некоторым признакам выделять некоторые однородные области изображения. [11].
В работе выведены алгоритмы улучшения изображений, основанные на теории нечетких множеств. В данном разделе состояние вопроса обработки изображений с применением концепции нечетких множеств рассматривается применительно к следующим задачам: повышение качества изображений, сегментация изображений и выделение контуров на изображениях[6].
В столбцах 1, 2 и 3 на рисунке-7 показаны правила, генерируемые входящими данными. Изменяя их на определенную единицу, можно получить результаты с другим значением, т. е. Можно изменить значения типа почвы, типа удобрения и типов сортов. Соответственно, индекс производительности также варьируется в зависимости от данной модели.
Рисунок 7. Трехмерное графическое представление результатов, полученных на основе 1-го и 2-го входных данных.
Рисунок 8. 1 и 3 из входных данных трехмерное графическое представление результатов.
Рисунок 9. Трехмерное графическое представление результатов, полученных на входах 2 и 3.
На рисунках 7-9 показаны графики, показывающие результаты, основанные на взаимосвязи входных данных, соответственно.
Использованные источники:
1. Гонсалес Р., Вудс Р., Эддинс С. Цифровая обработка изображений в среде MATLAB. М.: Техносфера, 2006,-616 стр.
2. Каршибоев Н. А., Тавбоев С. А. АЛГОРИТМЫ ВЫДЕЛЕНИЯ КОНТУРНЫХ ЛИНИЙ ИЗОБРАЖЕНИЙ НА ОСНОВЕ ТЕОРИИ НЕЧЕТКИХ МНОЖЕСТВ //EUROPEAN SCIENTIFIC CONFERENCE. - 2020. - С. 30-34.
3. А.Савурбоев, Н.А.Дангалов, Г.М.Шертойлоков, Ш.У.Эшонкулов Алгоритм расчета переходного процесса при ударе цилиндрического кольца о жесткое полупространство. Молодой ученый, 246-250 2014 год.
4. Эшонкулов Ш., Бурлиев А., Эшонкулова Ш. Научно -методический подход к созданию электронного учебника. - 2019. ГГТУ им. ПО Сухого
5. Тавбоев С. А., Искандарова З. А. Обработка изображений с использованием теории нечетких множеств //Фундаментальные и прикладные исследования в современном мире. - 2019. - №. 27. - С. 42-45.
6. ТАВБОЕВ С. А., КАРШИБОЕВ Н.А. МЕТОДЫ УЛУЧШЕНИЯ КОНТРАСТА ИЗОБРАЖЕНИЙ ПРИ НЕЧЕТКОЙ ИСХОДНОЙ ИНФОРМАЦИИ. ЗА ПУБЛИКАЦИЮ В МЕЖДУНАРАДНОМ НАУЧНО-ПРАКТИЧЕСКОМ ЖУРНАЛЕ. ЭКОНОМИКА И СОЦИУМ № 3(82) 2021
7. Ибрагимова Н. А. МЕТОДЫ ОБРАБОТКИ ПОВЕРХНОСТИ ОБЪЕКТОВ ПОД УПРАВЛЕНИЕМ ЛАЗЕРНОГО ЛУЧА //Символ науки. - 2020. - №. 3.
8. Хурамова Ф. У. ПРОБЛЕМЫ ВНЕДРЕНИЯ НОВЫХ ТЕХНОЛОГИЙ В УЗБЕКСТАНЕ //Матрица научного познания. - 2020. - №. 3. - С. 57-60.
