Технологии интеллектуального анализа данных : учебное пособие

212 претация для ANFIS часто решается с помощью методов нечеткой кластеризации данных обучающей выборки. При практической реализации поиска системы нечетких пра- вил одним из важнейших является вопрос о типичных представи- телях нечетких понятий в продукциях. Наиболее типичные пред- ставители значений лингвистических переменных, используемых на практике: NB – отрицательное большое; NM – отрицательное среднее; NS – отрицательное малое; ZE – около нуля; PS – положительное малое; PM – положительное среднее; PB – положительное большое. В отдельных случаях можно использовать упрощенную шкалу разбиения (рис. 3.30), например, если известно, что нечеткое поня- тие может принимать только поло- жительные значения. Идентификация параметров нечеткой нейронной сети выполня- ется после идентификации ее струк- туры. Задавшись некоторой архитектурой нечеткой нейронной се- ти, задав тем самым систему нечетких продукций, с помощью ал- горитма обучения нейронной сети, производят ее обучение на экс- периментальных данных и оптимизируют параметры функций принадлежности нечетких чисел с целью минимизации средне- квадратичной ошибки сети. В результате формируется система нечетких продукций с известными функциями принадлежности, Рис. 3.30. Пример шкалы разбиений нечеткого понятия Малое Среднее Большое 0 1/2 1 1