Использование генетического алгоритма при выполнении диагностики

Правила строятся на основе этих классов. Прямое обучение выполняется с использованием алгоритма распределения ошибок и представляется отдельно для каждой сети, которая реализует условия правила и делает вывод для по этапмы:

• 1-    этап:

  • 1.1.    Подготовка набора обучающих данных в режиме двойного просмотра, где J обозначает объем выбора.

{x (t), d (t)} = {xi (t),...,Xn (t), d (t)}, t = 1,2,..., J.

• 1.2.    Разобьем пространство входящих переменных на N и R_k классов. В результате сгенерирована N обучающая выборка ( x _f ( t ), d ( t )), в ней

j = 1,2,..., J_k , J_k - R k k- количество выборок, представляющих поле, а также J j + J ₂ + ... + J_N = J . Как уже отмечалось, вывод о том, что n-мерное пространство разделено на N сфер ( N

• 1.3.    Использование генетических алгоритмов в области разделения обучающих данных. В этом случае характерной чертой является определение нескольких многомерных реляционных функции.

Если на вход алгоритма поступает значение X. то d. = [ d _; ⁽¹⁾ ,..., d^^N ) ] T опорные сигналы подаются на выходной слой по следующему правилу:

d (k)   Г1, если xе R, i      0, если x{ £ Rk,

Тогда, i = 1, 2, ..., Jk; k = 1,..., N. В качестве альтернативы указывается область, к которой принадлежит точка.

2-этап Использование генетического алгоритма в диагностических оценочных заключениях. Соответствует классу R  {Xj,d

В этом случае R⁽k) делает вывод для правила. Его результат прямо согласуется с k-правилом y⁽k) = f⁽k) (x1,..., x_n ) будет бесспорным логическим завершением.

Анализ результатов показывают, что в начальный момент времени точки зоны контакта движутся к оси симметрии, а затем от оси [7].

Выполнение описанных шагов и шагов гарантирует, что условия и выводы установлены для каждого правила. Этот набор правил формирует прочную базу знаний QXT (FIS). Функция genfis2 Fuzzy Logic Toolbox в системе Matlab используется для выполнения процесса синтеза модели типа Сугено.

Синтезируемая фиксированная модель представляет собой логическую функцию, состоящую из трех входов и одного выхода. При вызове этой функции нужно указать «радиус» диагностики.

В настоящий время инновации сложно приставит в неподготовленном для этого предварителен бизнесе. Поэтому сегодня мы рассмотрим некоторые трудности внедрения новых технологий в Узбекистане [13].

Сегодня современные компьютерные технологии активно внедряются во все сферы жизнедеятельности человека, в том числе в образовании [8].

Поскольку исходные данные диагностики находятся в единичном гиперкубе, значения радиуса должны находиться в диапазоне [0, 1]. Большие значения радиусов приводят к обнаружению всего нескольких кластеров и созданию компактной базы знаний. Однако при моделировании отношений некоторые особенности можно не учитывать. Фактических, синтез хорошей фиксированной базы знаний можно осуществить в диапазоне значений радиуса [0,2, 0,5]. Таким образом, было получено значение радиуса 0,3. горный метод вычитающей кластеризации, используемый функцией genfis2, позволяет быстро реализовать строгое правило на основе данных [40]. Реализацию нестабильной модели можно визуально наблюдать в FIS-Editor среды Matlab (рисунок 1).

Рисунок-1. Модель нежеского подхода через FIS-Editor.

Рисунок- 2. 1-Вариация входных данных в FIS-Editor

Рисунок- 3. 2-Вариация исходных данных в FIS-Editor.

Рисунок- 4. 3-Вариация исходных данных в FIS-Editor.

Рисунок 5. Изменение выходных значений в зависимости от входа.

Рисунок 6. Окно настройки и отображения базы правил.

Можно будет настроить базу правил визуально и на показываеть результаты. Диагностическая задача, полученная для экспериментального исследования, включает 3 типа входных данных. Это также модель их индукции. Используя FIS-Editor, подробно описаны входные и выходные параметры[12].

Таким образом, при обработке изображений требуется по некоторым признакам выделять некоторые однородные области изображения. [11].

В работе выведены алгоритмы улучшения изображений, основанные на теории нечетких множеств. В данном разделе состояние вопроса обработки изображений с применением концепции нечетких множеств рассматривается применительно к следующим задачам: повышение качества изображений, сегментация изображений и выделение контуров на изображениях [6].

В столбцах 1, 2 и 3 на рисунке-7 показаны правила, генерируемые входящими данными. Изменяя их на определенную единицу, можно получить результаты с другим значением, т. е. Можно изменить значения типа почвы, типа удобрения и типов сортов. Соответственно, индекс производительности также варьируется в зависимости от данной модели.

Рисунок 7. Трехмерное графическое представление результатов, полученных на основе 1-го и 2-го входных данных.

Рисунок 8. 1 и 3 из входных данных трехмерное графическое представление результатов.

Рисунок 9. Трехмерное графическое представление результатов, полученных на входах 2 и 3.

На рисунках 7-9 показаны графики, показывающие результаты, основанные на взаимосвязи входных данных, соответственно.