CC BY
5
AUISliVERSUM:
TE>
№ 4 (109)_ДХ ТЕХНИЧЕСКИЕ НАУКИ_апрель. 2023 г.
ИНФОРМАТИКА, ВЫЧИСЛИТЕЛЬНАЯ ТЕХНИКА И УПРАВЛЕНИЕ
DOI - 10.32743/UniTech.2023.109.4.15318
К ИССЛЕДОВАНИЮ АССОЦИАТИВНЫХ ОТНОШЕНИИ ПРОСТРАНСТВА ПРИЗНАКОВ ЭКСПЕРТНОЙ СИСТЕМЫ
Гаджиев Фаик Гасан оглы
канд. наук, доц.
Азербайджанского Государственного Университета
Нефти и Промышленности Азербайджан, г. Баку E-mail: mr.faiq. h@mail.ru
Керимов Вагиф Асад оглы
канд. наук, доц.
Азербайджанского Государственного Университета
Нефти и Промышленности Азербайджан, г. Баку E-mail: kvaqif56@gmail. com
TO THE STUDY OF ASSOCIATIVE RELATIONS OF THE FEATURE SPACE
OF THE EXPERT SYSTEM
Faiq Hajiyev
Cand. of Sciences, Associate Professor Azerbaijan State Oil and Industry University
Azerbaijan, Baku
Vagif Karimov
Cand. of Sciences, Associate Professor Azerbaijan State Oil and Industry University
Azerbaijan, Baku
АННОТАЦИЯ
В работе рассматривается проблема исследования ассоциативных отношений в пространстве признаков базы знаний экспертной системы, идентифицированных лингвистическими характеристиками с априорно заданными величинами степеней принадлежности.
ABSTRACT
The paper considers the problem of studying associative relations in the feature space of the knowledge base of the expert system, identified by linguistic characteristics with a priori given values of degrees of affiliation.
Ключевые слова: нечёткие операторы, лингвистические термы, базы знаний, ассоциативные отношения, обобщение признаков.
Keywords: fuzzy operators, linguistic terms, knowledge bases, associative relations, feature generalization.
Введение. К настоящему времени существуют достаточно развитые средства поиска информации в глобальных и локальных сетях, а также в огромных по объёму базах данных и знаний, ориентированные на поиск скрытых закономерностей многоаспектных взаимоотношений информации об объектах, рассматриваемых с учётом их принадлежности к различным тематическим группам, под которыми часто понимают кластеры. Возникшая при этом необходимость дополнительного анализа принятия решений,
на основе неочевидных и объективных закономерностей исследуемых процессов, имеющих практическое значение привели к разработке технологии Data Mining, важной компонентой которой являются аспекты, связанные с идентификацией ассоциаций, классов и кластеров [1, 2].
Нечёткий кластерный анализ предполагает соответствующую нечеткость определяемых классов объектов относительно структуризации систем, что воспринимается как нечёткое разбиение заданного
Библиографическое описание: Гаджиев Ф.Г., Керимов В.А. К ИССЛЕДОВАНИЮ АССОЦИАТИВНЫХ ОТНОШЕНИЙ ПРОСТРАНСТВА ПРИЗНАКОВ ЭКСПЕРТНОЙ СИСТЕМЫ // Universum: технические науки : электрон. научн. журн. 2023. 4(109). URL: https://7universum.com/ru/tech/archive/item/15318
№ 4 (109)
А1
UNIVERSUM:
ТЕХНИЧЕСКИЕ НАУКИ
пространства признаков на основе определения степеней принадлежности объектов универсального множества к нечётким кластерам этой системы [3]. В то же время изучение объектов проблемной области часто сопряжено с необходимостью анализа многомерных нечётких множеств, под которыми понимают таковые, элементы которых в свою очередь являются нечёткими множествами.
Постановка задачи. При построении сложных лингвистических термов, как правило, пользуются операторами отрицания, минимума и максимума, введёнными Л. Заде ещё на ранней стадии разработки своей теории [2].
Предположим, что 2,____есть множество
признаков свойств объектов, идентифицированные лингвистической переменной С(С1}... ,Ст),со значениями заданными на базовых множествах Х1,Х2, ...,Хп, а объекты {а^Л = 1,п отображают исходное пространство , формирование которой реализуется в виде правил, характеризующихся антецедентами представленных в виде последовательности лингвистических термов, соединённых операцией конъюнкции.
Основной целью данной статьи является исследование эффективности простейших семантических операторов с учетом специфики проблемной области, ориентированных на построении многомерных нечётких множеств, разработка альтернативных принципов обобщения нечёткости при недостаточной оптимальности реализации указанных операторов, и разработка алгоритма формирования приоритетных ассоциаций объектов с фиксированными свойствами.
Методы решений. Анализ текущих ситуаций на отношениях базы знаний с учетом результатов проведенных исследований показал, что если значения обобщённых степеней принадлежности полученных на основе использования классических операторов для связывания лингвистических характеристик выборочных объектов, значительно приближены к крайним термам лингвистической переменной, то реализованные при этом операторы характеризуются недостаточной эффективностью, а построенные семантические категории могут рассматриваться, как текущая информация для экспертов. В этой связи возникла необходимость разработки альтернативной стратегии решения, частично оговоренная ранее и которая была сведена к следующему. Поскольку относительно легко могут быть вычислены статистические характеристики исходных значений признаков соответствующих объектов, целесообразно их использование для определения принадлежности на основе, к примеру, известного образа интервала, то есть лингвистического терма соответствующей функции принадлежности.
Оптимальные же результаты были получены при центральных приближениях значений обобщенной принадлежности с относительно несложной процедурой формирования признаковых ассоциаций. С этой целью из буферной зоны процедурного блока экспертной системы в соответствии с анализируемыми признаками объектов последовательно выбирается
апрель, 2023 г.
совокупность упорядоченных пар значений: целые, характеризующие номера лингвистических термов и вещественные, отражающие степени принадлежности признака к соответствующему терму, что позволяет формированию двух матриц со структурами идентичными буферным записям. В таком случае поиск минимального элемента, в случае связывания первичных термов конъюнкцией, целочисленной матрицы (kt) способствует определению соответствующего элемента вещественной матрицы (f). Причём если минимальных элементов несколько, то искомая пара выбирается из минимума выбранных f и соответствующего ^.При f <0,5 считают f:=1 — f, а kt: = 'не' + kt.
Рассмотрим теперь аспект проблемы, связанный с определением приоритетных ассоциаций в контексте идентификации взаимосвязанных объектов проблемной области с учётом их лингвистических характеристик. Поскольку идентификация объектов производится на лингвистической основе, задание С(С±,...,С5) и приоритетных термов (системные приоритеты: С5,...,Сг) будет способствовать непосредственному решению задачи в случае совпадения экспертных и системных значений числа и приоритетных признаков. В противном случае предполагается осуществление формальной переиндексации признаков {fk} с целью их приведения в соответствие с экспертными приоритетами.
Это позволяет определять нечёткие подмножества взаимосвязанных объектов {aj, для которых fk(k = 1,1) соответствует С5, остальные {fv*k}(P = 1 Л) -произвольные, а степени принадлежности вычисляются в рамках подмножеств, как статистические характеристики степеней принадлежности и с исполь -зованием оператора min. Процесс идентификации признаков объектов продолжается до тех пор, пока не будут выявлены подмножества {а¿}, для которых: любые два зафиксированных признака соответствуют С5, остальные произвольные ; любые три признака соответствуют С5, оставшийся произвольный ; все признаки объектов соответствуют С5; любые три признака соответствует С5 ,а один-последовательно С4, С3, С2, Сг ; любые два признака соответствуют С5, остальные С4. Вычисленные при этом степени принадлежности соответствуют обобщённым лингвистическим термам и, в определённом смысле, способствуют априорной оценке тактических действий алгоритма.
Фрагмент полученных результатов на языке ситуационного управления представлен следующим образом.
Л1-слабая ассоциативность, A2-средняя ассоциативность, A3- хорошая ассоциативность, Ь1 —принадлежность к кластеру.
((d12) b1(d11, d23, d22)) ((d12) A3(d11, d23, d12)) ((d12) A2(d21)) ((d12) A1(d23))
№ 4 (109)
UNIVERSUM:
ТЕХНИЧЕСКИЕ НАУКИ
апрель, 2023 г.
Выводы. Таким образом приведены два подхода расширенные альтернативными ресурсами анализа
к определению ассоциаций объектов заданного текущей неблагоприятной ситуации, а также иденти-
признакового пространства, основанные на класси- фикации приоритетных ассоциаций, соответствующих
ческом обобщении признаков операторами min и max, заданному терм-множеству.
Список литературы:
1. Костикова А.В., Скитер Н.Н. Формирование динамической базы знаний систем нечеткого вывода для оценки объектов, изменяющихся во времени. 2018. Статья доступна по лицензии Creative Commons "Attribution" 4.0. всемирная.
2. Сметс Ф. Простейшие семантические операторы в кн.: Нечёткие множества и теория возможностей. Последние достижения. Под. ред. Р. Ягера. М., Радио и связь, 1986, с. 177-186.
3. Хаустова Я.В. Методы нечёткой кластеризации на основе ядерных функций в задачах интеллектуального анализа данных. Дис.р. Харьков, 2016,154 с.
