множеств, позволяющий осуществить приведение к четкости выходной переменной без предварительного аккумулирования активизированных заключений отдельных правил. у=<*\У'\+агУ'г +а2 Алгоритм нечеткого вывода Такаги-Сугэно 1.База нечетких правил формируется на основе правил типа: 1ЕСЛИ х, есть Аи И х2 есть Л]2, ТО ^ = CnXi + С12*2 + е*10 , / 2: ЕСЛИ х, есть Л21 И х2 есть A22i ТО у = c2lxj 4с22х2 + с20 9 где ctJ (/', / = 1,2) коэффициенты компонентов вектора; ci0 —смещение. 2. Нечеткая импликация операция min-конъюнкции. Этап 1. Введение нечеткости (как в алгоритме Мамдани). Этап 2. Агрегирование степеней истинности предпосылок по каждому из правил (как в алгоритме Мамдани). Для данного примера a, =min^i(x, 1 )\,а2 = тт^Ддг', ),^ (х'2)}. Этап 3. Активизация заключений по каждому из правил: У 1 = \ +С12Х 2^С10’У 2 = C2lX I +С22Х 2+С20В результате находятся четкие значения выходных переменных в каждом из заключений правил. Этап 4. Этап аккумулирования заключений нечетких продукционных правил в данном алгоритме отсутствует вследствие четких значений выходных переменных. Этап 5. В качестве метода дефаззификации в данном алгоритме используется разновидность метода центра тяжести для одноточечных множеств, позволяющая осуществить приведение к четкости выходной переменной без предварительного аккумулирования активизированных заключений отдельных правил: 37 |
1. База правил формируется на основе базы правил с MISO-структурой (с двумя входами и одним выходом) состоит из двух правил: / ,: ЕСЛИ д:, есть Аи И х7 есть Л:2) ТО у 12: ЕСЛИ лг, есть Л21И лг2 есть д22,ТО у = f2'{a2), где /, ,/2 монотонные функции. 2. Нечеткая импликация операция min-конъюнкции. Этан I. Введение нечеткости (как в алгоритме Мамдани). Этап 2. Агрегирование степеней истинности предпосылок по каждому из правил и а2 (как в алгоритме Мамдани). Этап 3. Активизация заключений но каждому из правил: У1 = /Г1 («1), У2 = fj (а2 )• В результате находятся четкие значения выходных переменных в каждом из заключений правил. Этап 4. Этап аккумулирования активизированных заключений правил в данном алгоритме отсутствует вследствие четких значений выходных переменных. Этап 5. В качестве метода дефаззификации в алгоритме Цукамото используется разновидность метода центра тяжести для одноточечных множеств, позволяющий осуществить приведение к четкости выходной переменной без предварительного аккумулирования активизированных заключений отдельных правил: у,= сх1У1+а2У2 Алгоритм нечеткого вывода Сугэно 0-го порядка. В этом алгоритме: 1. База правил формируется на основе правил типа: I,: ЕСЛИ дг, есть Ли И х2 есть Л,2,ТО у = сх , 12: ЕСЛИ л;, есть А?, И х2 есть А22, ТО у = с2, 58 2. В качестве нечеткой импликации используется операция minконъюнкции. Этап 1. Введение нечеткости (как в алгоритме Мамдани). Этап 2. Агрегирование степеней истинности предпосылок по каждому из правил (как в алгоритме Мамдани). а\ = тт{иЛ, (*', ),ptJu (х'2 )},«2 = тт^, (*', ),/^и (х\ )} Этап 3. Активизация заключений по каждому из правил: У\=Су>У' 2=^2В результате чего находятся четкие значения выходных переменных в каждом из заключений правил. Этап 4. Этап аккумулирования заключений нечетких продукционных правил в данном алгоритме отсутствует вследствие четких значений выходных переменных. Этап 5. В качестве метода дефаззификации в данном алгоритме используется разновидность метода центра тяжести для одноточечных множеств, позволяющий осуществить приведение к четкости выходной переменной без предварительного аккумулирования активизированных заключений отдельных правил. у,_ <Х\У\+агУ\ от, + а2 Алгоритм нечеткого вывода Такаги-Сугэно 1.База нечетких правил формируется на основе правил типа: ЕСЛИ хх есть Аи И х2 есть А12, ТО у-сихх + с12х2 + с]0 , 12: ЕСЛИ хх есть А2] И х2 есть Л22,ТО у = с21хх + с22х2 + с20, где C j ( i , j = 1,2)коэффициенты компонентов вектора; cl0 — смещение. 2. Нечеткая импликация операция min-конъюнкции. Этап 1. Введение нечеткости (как в алгоритме Мамдани). Этап 2. Агрегирование степеней истинности предпосылок по каждому из правил (как в алгоритме Мамдани). Для данного примера 59 a, = min{u4i (*', ),мА, (*’2 )j>«2 = min^ (x\ ),цЛа (x\)} Этап 3. Активизация заключений по каждому из правил: у \ — С \\Х 1+с\2Х 2+С\0 >У 2 ~ С21Х 1+ С2 2 Х 2+^20* В результате находятся четкие значения выходных переменных в каждом из заключений правил. Этап 4. Этап аккумулирования заключений нечетких продукционных правил в данном алгоритме отсутствует вследствие четких значений выходных переменных. Этап 5. В качестве метода дефаззификации в данном алгоритме используется разновидность метода центра тяжести для одноточечных множеств, позволяющая осуществить приведение к четкости выходной переменной без предварительного аккумулирования активизированных заключений отдельных правил: , = <*\У\+<*гУ'г «1 +а2 При выборе подхода к решению поставленных в диссертации задач основным фактором являлась необходимость обеспечения принятия решения в обстановке неполной и нечеткой информации. Поэтому модель РПД пользователей компьютерных сетей должна быть максимально приближена к рассуждениям человека, учитывать различные уровни иерархии пользователей, а также отслеживать злоупотребления служебными полномочиями и ошибки конфигурации. 1.5 Основные заключения по первому разделу. В первом разделе проведен анализ современных средств по разграничению прав доступа пользователей, указаны отрицательные и положительные стороны. Рассмотрены современные модели по РПД пользователей, в которые входят: 60 |