|
32 ния этих недостатков, причем внутренняя структура моделей остается неизменной [116]. Создание второго типа моделей требует более глубокого исследования алгоритмов функционирования каждой из моделей для определения способа реализации отдельных функций на основе более прогрессивных технологий [82]. Таблица 1.3, Типология гибридных моделей Исходная технология Интегрируемая технология Решаемая задача Ожидаемый эффект . нс ГА 1. Подбор эвристических параметров НС при обучении и распознавании. 2. Формирование оптимальной топологии НС. 3.Обучение НС как альтернатива Back Propagation. 4. Построение нейросетевых !. Повышение скорости обучения НС, 2. Повышение качества распознавания ЫС. 3. Снижение трудоемкости создания НС, отбор информативных параметров. нл нечетких моделей. 5.Построение "логически прозрачной" ЫС. 4.Приобретение объяснительного качества для НС. ГА НС 1. Формирование целевой функции, 2. Подбор параметров ГА 3. Определение критерия останова. 1. Новый способ задания целевой функций в генетическом алгоритме. 2. Адаптация параметров ГА под решаемую задачу и в ходе размл 4. Реализация новых типов генетических операторов. вития популяции. 3.Снижение вычислительной сложности. В настоящее время более исследованным классом являются модели второго типа. Гибридизация иейросетевых и нечетких систем рассмотрена в работах [39, 79, 99, 116], в которых приведены примеры нейросетевых нечетких систем, реализующих вывод в нечеткой базе знаний с помощью архитектуры ANFIS (Adaptive Neuro-Fuzzy Inference System), и примеры нечетких нейронных сетей, в которых отдельные элементы НС являются нечеткими (например, нейроны). Гибридизация нейронных сетей и генетических алгоритмов* рассматривалась в [22, 123, 130] для выбора оптимальной топологии НС, а в [86] для оптимизации обучающей выборки. |
52 каждой из отдельных компонент гибридных моделей, необходимо решать ряд внутренних проблем, связанных с их недостатками, но совместное их использование при решении общей задачи позволяет компенсировать их недостатки и усилить достоинства (получить заметный синергетический эффект). При создании гибридных моделей необходимо учитывать следующие факторы [158]: назначение системы; методы поиска и анализа альтернативных вариантов решений; особенности реализации. В частности, назначение САПР определяется решаемыми задачами, перечисленными выше. Основные методы поиска и анализа решений во многом определяются типом задаваемой исходной информации, представленной в базах данных, базах знаний экспертных знаний и т.д. Для определения способов реализации гибридных моделей выделим два типа архитектур [2]: а) комплексная архитектура, состоящая из нескольких взаимодействующих моделей, каждая из которых выполняет "свою" функцию; б) архитектура, в которой модели объединяются на уровне методов на отдельных стадиях реализации основных алгоритмов. Для создания гибридных моделей первого типа необходимо исследовать недостатки каждой из технологий и определить пути интеграции для устранения этих недостатков, причем внутренняя структура моделей остается неизменной. Создание второго типа моделей требует более глубокого исследования алгоритмов функционирования каждой из моделей для определения способа реализации отдельных функций на основе более прогрессивных технологий. В настоящее время более исследованным классом являются модели второго типа. Гибридизация нейросетевых и нечетких систем рассмотрена в работах [55, 99, 112, 119, 146, 148, 151, 158], в которых приведены примеры нейросетевых нечетких систем, реализующих вывод в нечеткой базе знаний с помощью архитектуры ANFIS (Adaptive Neuro-Fuzzy Inference System), и примеры нечетких нейронных сетей, в которых отдельные элементы НС являются нечеткими (например, нейроны). Гибридизация нейронных сетей и 53 генетических алгоритмов рассматривалась в [55] для выбора оптимальной топологии НС, а в [118] —для оптимизации обучающей выборки. В таблице 1.4 представлены типы базовых гибридных моделей, построенных на принципах синергизма [119], взаимно компенсирующих недостатки и объединяющих достоинства различных технологий представления и обработки информации. Таблица 1.4. Типология гибридных моделей Исходная технология Интегрируемая технология Решаемая задача Ожидаемый эффект нс нл 1. Подбор эвристических параметров НС при обучении ираспознавании 2. Построение нейросетевых нечетких моделей. 3. Построение "логически прозрачной" НС 1. Повышение скорости обучения НС. 2. Повышение скорости обучения и качества распознавания НС. 3. Приобретение объяснительного качества для НС. ГА 4.Формирование оптимальной топологии НС 5.Обучение НС как альтернатива Back Propagation 4. Снижение трудоемкости создания НС, отбор информативных параметров. 5. Повышение скорости обучения и качества распознавания НС нл НС 1. Автоматическое формирование функций принадлежности. 2. Реализация нечетких отношений. 1. Снижение трудоемкости формирования баз знаний. 2. Снижение вычислительной сложности нечеткого вывода. ГА 3. Настройка различных компонент систем на базе НЛ 4. Проверка баз знаний 3. Уменьшение противоречивости баз знаний. ГА НС 1. Формирование целевой функции 1. Новый способ задания целевой функций в генетическом алгоритме НЛ 2. Подбор параметров ГА 3. Определение критерия останова 4. Реализация новых типов генетических операторов 2. Адаптация параметров ГА под решаемую задачу и в ходе развития популяции. 3.Снижение вычислительной сложности |