Нечеткие множества: основы теории и приложения к моделированию решений

156 Примером одной из гибридных технологий , эффективно применяемой в настоящее время на практике , являются нечеткие нейросети ( ННС ). Их использование перспективно для решения задачи автоматического извлечения знаний из больших объемов собранной информации , хранимой в разнородных базах данных , с целью их интерпретации , выявления скрытых тенденций и зако - номерностей , а также в экспертных системах нового поколения , способных автоматически приобретать знания из данных – мягких экспертных систем . Нечеткие нейросети способны гранулировать информацию в лингвистических категориях , что делает успешным их использо - вание для обобщения экспериментальных данных путем описания их множеством нечетких гранул . Эти особенности ННС легли в основу их использования в Data Mining. Нечеткие нейросети осуществляют выводы на основе аппа - рата нечеткой логики , но параметры соответствующих функций принадлежности ( ФП ) настраиваются с использованием традици - онных алгоритмов обучения НС . Такие системы , используя апри - орную информацию , могут приобретать новые знания , оставаясь логически прозрачными . Интеграция нечетких систем и НС предполагает переход от классических нейронов к нечетким нейронам . Основное отличие нечетких нейронов от классических заключается в различной ин - терпретации операций сложения и умножения . В зависимости от используемой интерпретации данных операций выделяют « И »- и « ИЛИ »- нечеткие нейроны . « И »- нейроном (AND- нейроном ) называется нейрон , в кото - ром операция умножения веса синапса w на входной сигнал x моделируется конормой ( , ) S w x , а сложение элементов 1 1 1 p w x = ⋅ и 2 2 2 p w x = ⋅ нормой – 1 2 ( , ) T p p . Например , ( 1 1 2 min max( , ), max( , Y w x w = ) 1 1 2 2 max( , ), max( , ) w x w x .