Ломакина Любовь Сергеевна, Чернобаев Игорь Дмитриевич, Беляева Любовь Андреевна

Нижегородский государственный технический университет им. Р. Е. Алексеева

В работе рассматривается задача машинного обучения по классификации состояний объектов со сложной структурой. Под состоянием объекта понимается некоторая категория, характеризующая свойства объекта в момент времени, и при этом описываемая набором признаков. Сложность структуры объекта выражается в присутствии в признаковом описании характеристик, которые требуют предварительной специализированной обработки и обладают отношениями иерархии или характеризуются наличием последовательностей неструктурированных элементов. Данные для классификации могут содержать неточности, погрешности и ошибки. Инструмент нейросетевого моделирования часто применяется при решении задач классификации. Для решения задачи классификации в условиях нечеткости применяются нечеткие логические системы. Оба инструмента обладают свойствами универсального аппроксиматора, однако результаты нейросетевых моделей трудно интерпретировать, а для построения нечеткой логической системы требуется участие эксперта при описании нечетких правил. В работе рассматривается подход к объединению инструментов нечетких логических систем и инструментов нейросетевого моделирования, выраженный в построении модели нечеткой функии активации нейрона. Модель нечеткой функции описывается с применением аппарата теории нечетких множеств и функций принадлежности, объединенных правилами активации в НЛС. Информационный сигнал на входе нечеткой функции проходит несколько этапов преобразований, включающих преобразование сигнала «домен» нечетких множеств, совокупную обработку нечетких множеств в соответствии с заданными в системе правилами, алгоритмами отображения обработанного информационного сигнала обратно в домен четких чисел. Рассматриваемый подход позволяет формировать нечеткую функцию активации набором параметров, изменяемых в процессе обучения нейросетевой модели. В работе показано, что рассматриваемая модель нечеткой функции имеет ограниченную область определения. Для обеспечения выполнимости требований к информационному сигналу в модели нечеткой функции предложена улучшенная нормализация входа нечеткой функции активации. Нейро-нечеткие системы классификации проанализированы в задачах классификации технических объектов, медико-биологических объектов, текстовых объектов. Сравнительная оценка точности решений нейро-нечетких систем классификации относительно аналогичных система на основе ИНС показала повышение от 2 до 9 % в ряде экспериментов.

классификация состояний объектов, нечеткая логическая система, нейронная сеть, нейро-нечеткая классификация