Бургаски Свободен Университет

Център по Информатика и технически науки

Специалност: Информатика и компютърни науки

Курсова Работа
по

Soft-computing(Пети модул)
Разработил:………… Проверил
Стела Димитрова Тодорова …………

Фак.№ 09321080 Акад.

Попчев
ИКН-2курс, 1 група

Бургас 2011
Съдържание:
1.Soft-computing......................................................................................3
2.Fuzzy Logic............................................................................................5

3.Neural Networks technology................................................................6

3.1 Основни типове модели на невронни мрежи.................................7

3.1.1 Според топологията на мрежата...................................................7

3.1.2 Според параметрите на елементите.............................................7

3.1.3 Според обучаващото правило.......................................................8

3.1.4 Според метода на обучение..........................................................8

3.2 Модел на невронни мрежи: персептрон.........................................9

3.3 Методи за самообучение на невронни мрежи...............................9

3.4 Характерни особености на невронните мрежи като системи с

изкуствен интелект.................................................................................9

4.Размити множества............................................................................10

4.1Базови характеристики на размитите множества.........................10

4.2Базови операции върху размити ножества....................................11

4.2.1Допълнение....................................................................................11

4.2.2Обединение....................................................................................11

4.2.3Сечение..........................................................................................11

2
4.3Аритметични операции..................................................................11

4.3.1Събиране.......................................................................................11

4.3.2Изваждане.....................................................................................11

4.3.3Умножение....................................................................................11

4.3.4Деление..........................................................................................12

5.Размити релации................................................................................12

5.1 Математически и логически операции.........................................12

5.1.1 Допълнение...................................................................................12

5.1.2 Обединение...................................................................................12

5.1.3 Сечение.........................................................................................12

5.1.4Обратна релация...........................................................................12

6.Изпъкнатост на размито множество................................................13

7. Теория за размитите множества......................................................14

8. Теория на вероятностите..................................................................14

Използвана литература.........................................................................14

(Originally identified and set forth by Lotfi A. Zadeh, Ph.D., University of California,

Berkeley) 1.Soft-computing
Soft-computing е термин, използван в една област, в компютърните
науки, която се характеризира с използването на неточни решения
на задачи, които трудно се изчисляват.

3
Soft-computing стана официален термин в областта на
компютърните науки в началото на 1990. По-рано изчислителните
подходи могли да моделират и анализират прецизно относително
прости системи.More complex systems arising in , , the , , and
similar fields often remained intractable to conventional mathematical
and analytical methods. По-сложните системи, възникнали в областта
на биологията, медицината, на хуманитарните науки, науките за
управление и други подобни области често остават неподатливи за
изчисления от традиционните математически и аналитични методи.
That said, it should be pointed out that simplicity and complexity of
systems are relative, and many conventional mathematical models have
been both challenging and very productive. Трябва да се отбележи, че
простотата и сложността на системите, са относителни. Soft
computing deals with imprecision, uncertainty, partial truth, and
approximation to achieve tractability, robustness and low solution cost.
Soft-computing се занимава с неточности. Components of soft
computing include:

Unlike hard computing schemes, which strive for exactness and full
truth, soft computing techniques exploit the given tolerance of
imprecision, partial truth, and uncertainty for a particular problem. Soft-
computing представлява сливане на няколко методологии, които са
създадени да моделират и създават решения на проблемите в
реалния свят, които не са формирани или е много трудно да се
моделират в реалния свят. Тези проблеми са таблично асоциирани с
неясни, комплексни и динамични системи с неточни данни. Тези
системи са тези, които моделират реалния свят и са най-
интригуващи за модерната наука.

Между всички методологии на Soft-computing две може да се

считат за алтернативни: Fuzzy Computing (Неясно изчисляване) и
Probalistic Computing (Вероятностни изчисления). Сливането на
методологиите, които характиризират Soft-computing, предлагат
допълването, вместо сходството на двете системи.

4
Soft-computing е мултидисциплинарна област, която е основана от
Д-р Лотфи Заде, чиято идея е била да конструира ново поколение
Изкуствен интелект, известно като Изчислителен интелект. Чрез
неговите идеи, концепцията за Soft-computing еволюира. Д-р Заде
дефинира Soft-computing като слива областите: Fuzzy Logic, Neuro-
computing, Evolutionary and Genetic Computing Probabilistic
computing в мултидисциплинарна система. Главната цел на Soft-
computing е да развие интелигентните системи и да намери
решението на математически немоделирани проблеми.
Приложението на Soft-computing даказва две важни предимства.
Първо, направи възможно решаването на нелинейните проблеми,
чието решаване математически е невъзможно. Второ, Soft-
computing предостави познанията за разпознаването, разбирането,
научаването в областта на изчислението. Това даде резултат във
възможността за създаване на интелигентни системи – автономни
настройващи се системи.
Soft-computing е нова наука и областите, които включва също са
доста нови. Тенденцията за разширяване на Soft-computing, която
Д-р Заде е започнал, прогресира много бързо. Все още обаче не е
сигурно какво точно ще включва. Една от областите е Fuzzy Logic,
предложена от основателя Д-р Заде.

2.Fuzzy Logic(Originally identified and set forth by Lotfi A. Zadeh, Ph.D., University of
California, Berkeley)

Fuzzy logic is used in system control and analysis design, because it

shortens the time for engineering development and sometimes, in the
case of highly complex systems, is the only way to solve the
problem.Размита логика се използва в системата за контрол и
анализ, защото това съкращава времето, в някои случаи са
изключително сложни системи, е единственият начин за решаване

5
на проблема. The term "fuzzy" was first used by Dr. Lotfi Zadeh in the
engineering journal, "Proceedings of the IRE," a leading engineering
journal, in 1962.Терминът fuzzy logic, е използван за първи път от д-
р Лотфи Заде през 1962 година. Dr. Zadeh became, in 1963, the
Chairman of the Electrical Engineering department of the University of
California at Berkeley. EH Mamdani is credited with building the
world's first fuzzy logic controller, after reading Dr. Zadeh's paper on
the subject (see Ch. 2 of this tutorial).The following chapters of this
tutorial attempt to explain for us "Just Plain Folks" how the "fuzzy logic
method born in humans" is used to evaluate and control complex
systems.Fuzzy Logic Analysis and Control

Fuzzy logic is the way the human brain works, and we can mimic this in
machines so they will perform somewhat like humans, not to be
confused with Artificial Intelligence, where the so far unattainable goal
is for machines to perform EXACTLY like humans. Fuzzy logic
temperatureFuzzy set theory defines fuzzy operators on fuzzy
sets.Теорията на размитите множества определя оператори в
размитите множества. The problem in applying this is that the
appropriate fuzzy operator may not be known.Rules are usually
expressed in the form:
IF variable IS property THEN actionIF variable IS property THEN
action.

For example, a simple temperature regulator that uses a fan might look
like this:Например, едно просто регулиране на температурата, която
използва вентилатор може да изглежда така:

IF temperature IS very cold THEN stop fan Ако времето е много

студено, след което спрете вентилатора.
IF temperature IS cold THEN turn down fan Ако времето е студено,
cлед това завъртете надолу вентилатора.
IF temperature IS normal THEN maintain level Ако времето е
нормално, тогава да ce задържи нивото.

6
IF temperature IS hot THEN speed up fan Ако времето е горещо
тогава да се се ускори вентилатора.

There is no "ELSE" – all of the rules are evaluated, because the

temperature might be "cold" and "normal" at the same time to different
degrees. Освен операторите:The AND, OR, and NOT operators of
boolean logic exist in fuzzy logic, usually defined as the minimum,
maximum, and complement; when they are defined this way, they are
called the Zadeh operators . AND, OR, and NOT в булевата логика, те
съществуват и в размитата логика, обикновено се определя като
минимални, максимални или които се допълват, а когато те са
дефинирани по този начин, те се наричат Zadeh оператори. So for
the fuzzy variables x and y: Така че за размитите променливи X и Y:

NOT x = (1 - truth(x))
x AND y = minimum(truth(x), truth(y))
x OR y = maximum(truth(x), truth(y))

3.Neural Networks technology

The AND, OR, and NOT operators of boolean logic exist in fuzzy logic, usually defined as the
minimum, maximum, and complement; when they are defined this way, they are called the
Zadeh operators . So for the fuzzy variables x and y:Изкуствени невронни
мрежи са изградени от програмирани конструкции, които
наподобяват свойствата на биологичните неврони. Artificial neural
networks may either be used to gain an understanding of biological
neural networks, or for solving artificial intelligence problems without
necessarily creating a model of a real biological system. Изкуствени
невронни мрежи могат да се използват или за решаване на
проблеми, без да е необходимо създаването на модел на истинска
биологична система. Истинската, биологична нервна система е
много сложна: алгоритмите са създадени предимно за обработка на
информация. and try to simulate some properties of biological neural
networks.Изкуствения интелект се опитва да симулира някои

7
свойства на биологичните невронни мрежи. While similar in their
techniques, the former has the aim of solving particular tasks, while the
latter aims to build mathematical models of biological neural
systems.При Neural Networks се използват математически или
изчислителни модели за обработка на информация.

Основните градивни елементи на изкуствените невронни мрежи са

силно опрестени модели на биологичните неврони, от които е
съставен човешкия мозък. Всяка изкуствена невронна мрежа е
система от обработващи елементи, които са силно опростени
модели на биологическите неврони и затова често се наричат
изкуствени неврони. Обработващите елементи са свързани
помежду си с връзки с определени тегла. Всеки обработващ
елемент преобразува входните стойности, които получава, и
формира съответна изходна стойност, която разпространява към
елементите, с които е свързан. Това преобразование се езвършва на
две стъпки. Най-напред се формира сумарният входен сигнал за
дадения елемент, като за целта отделните входни стойнсти се
умножават по теглата на връзките, по които се получават, и
резултатите се събират. След това обработващият елемент използва
специфичната за мрежата активационна функция, която
трансформира получения сумарен вход в изхода на този елемент.

3.1 Основни типове модели на невронни мрежи.

Специалистите определят пет основни характеристики на

невронните мрежи, които обикновено се използват за
класификационни признаци при определянето на типовете модели
на невронните модели. Тези характеристики са: топологията на
мрежата, параметрите на обработващите елементи, типът на
входните стойности, използваното обучаващо правило и методът за
обучение на мрежата.

3.1.1 Според топологията на мрежата.

8
Най-често срещани са невронните мрежи, съставени от няколко
обособени слоя от елементи, при които елементите от най-ниския
слой играят ролята на входни устройства на мрежата, а елементите
от най-горния слой играят ролята на изходни устройства на
мрежата. Често при тези невронни мрежи връзките са еднопосочни
и свързват елементите от един слой с елементи от слоя, разположен
непосредствено над него. В зависимост от броя на слоевете в
мрежата се говори за двуслойни невронни врежи и многослойни
невронни мрежи.

3.1.2 Според параметрите на елементите.

Тук се включват теглата и посоката на връзките, видът на

активационната функция. При повечето невронни мрежи връзките
са еднопосочни и са ориентирани от елементите от даден слой към
елементите от слоя, разположен непосредствено над него.
Съществуват обаче и невронни мрежи, при които всеки елемент е
свързан с двупосочни връзки с всички свои съседи. При тези мрежи
понятитето губи своя смисъл.

3.1.3 Според обучаващото правило.

Най-често невронните мрежи се използват за решаване на задачи,

свързане с разпознаване. При това създаването на невронната
мрежа, предназначена за решаване на дадена задача, обикновено се
извършва по следната обща схема. Първо, се определя топологията
на мрежата, т.е. броят на слоевете и броят на елементите във всеки
слой. Броят на елементите от входния слой се определя от обема на
входните данни, а броят на елементите на изходния – от броя на
разпознаваните класове. След определянето на топологията на
мрежата се преминава къв нейното обучение, т.е. към определянето
на подходящи стойности на теглата на връзките между елементите.
За целта най-често първоначално се изпълнява следната процедура.
Избира се пример от обучаващото множество. Този пример се
състои от вектор от входни стойности и съответен вектор от
правилни изходни стойности на мрежата. Накрая се променят
9
текущите тегла на връзките така, че новият изход да бъде по-близък
до желатния. Правилото, по което се променят теглата на връзките,
се нарича обучаващо правило на мрежата.

3.1.4 Според метода на обучение.

Съществуват два основни типа обучение на невронните мрежи –

обучение с учители и самообучение. При обучението с учител се
следи за разликата между получения и очаквания изход на мрежата
и етеративно се извършват корекции на теглата на връзките
съгласно избраното обучаващо правило. При самообучението
липсва учител, т.е. липсват предварителни данни за правилния
изход на мрежата. Теглата на връзките се настройват така, че
представянето на данните в мрежата да е най-добро съгласно
използвания критерий за качеството на представянето.

3.2 Тип модел на невронни мрежи: персептрон.

Персептронът е един от най-старите модели невронни мрежи.

Представлява двуслойна невронна мрежа с един елемент в
изходния слой, който се нарича сумиращ процесор на персептрона.
Резултатът от работата на персептона е решаването на задача за
разпознаване при дадени два класа, разделими с хиперравнина. Ще
разгледаме двумерен случай, при който двете множества от точки
са линейно разделими. Задачата е да се обучи персептрона за
разпознаване на двата класа, функцията О(X) да получава стойност
1, ако точката Х принадлежи на едното множество от точки, 0 – ако
принадлежи на другото. Ако функцията g(X) = w0 + w1x1 + w2x2 e
вече известна. При g(X) > 0, О(X) = 1, а при g(X) < 0, О(X) = 0.
Следователно g(X) = 0 е уравнението на разделящата двата класа
линия. При решаването на това уравнение се получава:

w0 + w1x1 + w2x2 = 0, следователно стойностите на w0 ,w1,w2 трябва

да са такива, че да удовлетворява последното равенство.

10
3.3 Методи за самообучение на невронни мрежи.

При самообучението на невронни мрежи е дадено множество от

примерни входи данни, за които не е известен очакваният изход на
мрежата. Целта е да се определят теглата на връзките между
елементите по такъв начин, че да е удовлетворен определен
критерий на качеството на представяне на данните. Дадено
представяне на данните в една невронна мрежа е добро, ако може
да бъде описано икономично и освен това е възможно правилното
възтановяване на данните при зашумен вход.

3.4 Характерни особености на невронните мрежи като системи с

изкуствен интелект.

Изкуствените невронни мрежи могат да бъдат характеризирани

като системи с изкуствен интелект, които имат следните най-
съществени особености: изкуствените невронни мрежи са опростен
модел на биологичните, те осъществяват разпределена паралелна
обработка на входните данни и могат да решават трудни задачи,
като за целта извършват относително малък брой стъпки,
обучението им е основен съществен аспект на работата им.

4.Размити множества
В повечето случаи обектите, които наброяват нашия реален свят
нямат точно дефинирана критерия за принадлежност. Примерно
има различни класове кучета, коне и т.н., но изключват растения,
камъни и т.н. Обаче бактерията няма определен статут при
класовете от животни. Същото се получава с класовете от числа,
които са много по-големи от 1. Класът от реални числа, които са
много по-големи от 1 и класът от високи хора не образуват
множества или класове, както при обикновените математически
принципи. Такива видове класове образуват размити множества.

Откриването на размитите множества е мотивирано от нуждата да

се пресъздаде реалния свят с неясните и неточни данни в него. Това
11
откритие е провокирано не само от неточността на пресмятането,
но и от непълнотата на езика. Използваме езиковите променливи
често да опишем и да класифицираме физическите обекти и
ситуации.

До края на 19-ти век, неточността, винаги е била считана за

нежелана в областта на философията и науката. Затова начинът за
справяне с проблема е – или да се игнолира, или да се счита, че не
съществува. Д-р Заде предлага концепцията за дефиниране на
функция Ах.

4.1 Базови характеристики на размитите множества.

Нека Х е множество от обекти, чиито елементи ще отбелязваме с х.

Размитото множество А, в множеството Х, се характеризира чрез
функцията fA(x), с която се асоциира всяка точка от множеството Х
в интервала [0,1]. Съществуват 4 начина за представяне на
размитите множества:

1. Graphical representating (Графично представяне);

2. Tabular and list representating (Таблично представяне);

3. Geometric representating (Геометрично представяне);

4. Analitic representating (Аналитично представяне);

Геометричното представяне е най-често срещането в литературата.

4.2 Базови операции върху размити ножества.

Базовите операции са: допълнение, сечение и обединение.

4.2.1Допълнение:

Ā(x)=1 –A(x);

4.2.2Обединение:
12
(AB)(x) = Max[A(x) ,B(x)];

4.2.3Сечение:

(AB)(x) = Min[A(x) ,B(x)];

4.3Аритметични операции:

4.3.1Събиране:

[a,b] + [c,d] = [a+c, b+d];

4.3.2Изваждане:

[a,b] – [c,d] = [a-d, b-c];

4.3.3Умножение:

[a,b].[c,d] = [min(ac,ad,bc,bd), max(ac,ad,bc,bd)];

4.3.4Деление:

[a,b]/[c,d] = [min(a/c,a/d,b/c,b/d), max(a/c,a/d,b/c,b/d)];

5. Размити релации
Размита двуместна релация се нарича размитото двуместно
множество на Декартовото произведение X и Y,
характеризиращо се с функция на принадлежност:

fR(x,y).

Смисълът на тази функция може да се разглежда като субективна

мярка за степента на изпълнение на релацията R. Релацията между
обикновените множества може да се разглежда като частен случай

13
на размитата релация с функция на принадлежност, взимащи
стойности 0 и 1.

5.1 Всички математически и логически операции, изброени при

размитите множества също са приложими при размитите релации.

5.1.1 Допълнение:

fĀ(x,y)=1 - fA(x,y);

5.1.2 Обединение:

fC(x,y) = fAB(x,y) = Max[fA(x,y) ,fB(x,y)];

5.1.3 Сечение:

fC(x,y) = fAB(x,y) = Min[fA(x,y) ,fB(x,y)];

5.1.4 Обратна релация:

fR-1(y,x) = fR(x,y);

6.Изпъкнатост на размито множество

Дефиниция: Размитото множество А е изпъкнало, тогава и
само тогава, когато множествата Га са дефинирани така:

Гα = {x | fA(x) ≥ α}

Са изпъкнали за всички а в интервала (0,1]. Eквивалентно на тази

дефениция е неравенството:

fA[λx1 + (1 - λ)x2] ≥ Min[fA(x1), fB(x2)].

Теорема: Размитите множества А и B са изпъкнали, ако съществува

тяхна сечение.

Доказателство: Нека С = АB. Тогава:

14
fС[λx1 + (1 - λ)x2] =

Min[fA[λx1 + (1 - λ)x2], fB[λx1 + (1 - λ)x2]].

Тъй като А и B са изпъкнати размити множества, следва, че:

fA[λx1 + (1 - λ)x2] ≥ Min[fA(x1), fA(x2)],

fB[λx1 + (1 - λ)x2] ≥ Min[fB(x1), fB(x2)],

тогава

fС[λx1 + (1 - λ)x2] =

Min[Min[fA(x1), fA(x2)], Min[fB(x1), fB(x2)]],

следователно

fС[λx1 + (1 - λ)x2] =

Min[Min[fA(x1), fB(x2)], Min[fA(x1), fB(x2)]] и следователно

FС[λx1 + (1 - λ)x2] ≥ Min[fС(x1), fС(x2)].

7.Теория за размитите множества

Операциите на размитите множества, които изброихме по-горе са
известни като стандартни операции на размитите множества.
Откакто Д-р Заде представи концепцията за развитите множества
през 1965 г., много учени развиха и изучиха различни функции, за
да намерят други дефиниции на размитите множества. Сега имаме
клас на размитите обединени функции, известни като t-conorm.
Целта за развитието на такива функции винаги е била да формира
функции, които да притежават подходящи характеристики, които
да ги направят приложими и важни.

8. Теория на вероятностите
15
Теорията на вероятностите се е възприемала да бъде редуцирана до
изчисляване. Но сега повечето от приложенията на теорията на
вероятностите включват неточни и непълни данни. Тя се развива
много добре в областта на математиката, всички останали области
на науката и всеки аспект от нашия живот, където в по-голяма част
от случаите съдържат размити множестна и неясни, непълни данни.

През 1968 г., малко след представянето на теорията за размитите

множества, Лотфи Заде публикува статия свързана с теория на
вероятностите и размитите множества.

Main article: Използвана литература:

1. A Dissertation submitted to the Department of Computer Science In partial
fulfillment of the requirements for The degree of Doctor of Philosophy,
Ahmed Shawky Moussa, 2003;
2. Information and control, Fuzzy sets*, Lotfi Zadeh,1965;
3. Изкуствен интелект, Мария Нишева и Димитър Шишков, Издателство
„Интеграл“, 1995;
4. An interview with Lotfi A. Zadeh, April, 1984;
5. http://en.wikipedia.org/wiki/Soft_computing;
6. http://en.wikipedia.org/wiki/Fuzzy_set .

16