Лингвистические критерии и отношения предпочтения.

Лингвистическим назовем критерий К, оценки по шкале которого являются значениями одноименной лингвистической переменной <K, T(K), U_K, G_K, M_K> Согласно этому критерию обеспечивается переход от словесного к числовому описанию лингвистического критерия.

Пример. Рассмотрим критерий прироста прибыли как лингвистический со шкальными значениями НИЗКИЙ, СРЕДНИЙ, ВЫСОКИЙ прирост и числовой областью определения U_k= [10, 100] тыс. руб. Примеры функций принадлежности нечетких множеств, формализующих указанные лингвистические значения критерия для конкретного ЛПР, приведены на рис.5.7, где величина m_низкий(20) представляет субъективную оценку того, насколько числовое значение прироста прибыли, равное 20тыс. руб, соответствует идеальному лингвистическому значению НИЗКИЙ прирост.

Лингвистические критерии, как и соответствующие лингвистические переменные, можно подразделить на числовые, или с измеримой базовой переменной, и нечисловые, не имеющие физически определенной базовой переменной. Примером нечислового лингвистического критерия является критерий профессиональной пригодности со значениями ХОРОШО, ПЛОХО, НЕДОСТАТОЧНО СООТВЕТСТВУЕТ. В данном случае точно неизвестно как выражается профессиональная пригодность в виде функции тех или иных физических величин.

Рис.5.7. Примеры функций принадлежности нечетких множеств, формализующие лингвистические значения критерия.

Нейронные сети.

За последние четыре десятилетия область ИИ сделала большой прогресс в направлении моделирования человеческого рассуждения. Тем не менее, инструментальные средства ИИ в большинстве были ограничены последовательной обработкой информации. Другой подход к интеллектуальным системам включает конструирование компьютеров с архитектурными и обрабатывающими способностями, которые имитируют некоторые способности к обработке информации человеческого мозга. Результатами явились представления знаний, основанные на массированной параллельной обработке, быстром поиске больших объемов информации и способности распознавать образцы, основанной на исторических прецедентах. Технология, которая пытается достичь этих результатов называется нейронные вычисления или искусственные нейронные сети (ИНС).

Искусственные нейронные сети являются технологией обработки информации, вдохновленной изучением мозга и нервной системы. После падения в немилость в 1970-х годах, область ИНС пережили драматическое возрождение в конце 1980-х. Возобновленный интерес развился из-за потребности обработки информации аналогично человеческому мозгу, продвижения компьютерной технологии и прогресса нейрофизиологии в направлении лучшего понимания механизмов мозга.

Длительный период эволюции придал мозгу человека много качеств, которые отсутствуют как в машинах с архитектурой фон Неймана, так и в современных параллельных компьютерах. К ним относятся:

· массовый параллелизм,

· распределенное представление информации и вычисления,

· способность к обучению и способность к обобщению,

· адаптивность,

· свойство контекстуальной обработки информации,

· толерантность к ошибкам,

· низкое энергопотребление.

Можно предположить, что приборы, построенные на тех же принципах, что и биологические нейроны, будут обладать перечисленными характеристиками.