Технологии интеллектуального анализа данных : учебное пособие

194 3) активизация подзаключений – оценка истинности отдель- ных заключений правил базы знаний (в нечеткой форме) на основе оценок истинности нечетких условий данных правил; 4) аккумулирование заключений – формирование нечеткого заключения для всей системы нечетких продукций базы знаний. Данное заключение определяет нечеткий выход B  системы нечет- кого логического вывода; 5) Дефаззификация – приведение к четкости, требуемое при необходимости преобразования нечеткого результата B  в четкое число. Наиболее известными методами дефаззификации являются методы центра тяжести, деления площади пополам, максимума принадлежности. Рассмотрим основные модели нечеткого логического выво- да [19]. Модель нечеткого логического вывода Мамдани – выполня- ется нечеткий логический вывод на множестве правил вида: 1 1 2 2 : ... , j j j n nj j U ЕСЛИ x есть A И x есть A И И x есть A ТО y есть B     где 1 ,..., n x x – лингвистические переменные, определяющие вход модели; 1 ,..., j nj A A   – их значения; y – лингвистическая переменная, определяющая выход модели; j B  – ее значение. Модели Мамдани являются чисто лингвистическими, в их условиях и заключениях стоят значения лингвистических перемен- ных. Данные модели имеют естественно-языковую интерпретацию, понятную человеку-эксперту. В системах нечеткого управления функционирование моде- лей Мамдани рассматривается при четко заданном векторе вход- ных воздействий   * * 1 ,..., n x x . В этом случае выход модели Мамдани