В работе решается задача аппроксимации сложных объектов с дискретным выходом на основе информационного подхода к моделированию. Предлагается вид нечетких правил и алгоритм логического вывода на правилах. Описывается нейронечеткая модель для формирования базы знаний. Производится аппроксимация известных наборов данных и сравнение полученных результатов с результатами других авторов. На примере формирования баз знаний экспертных диагностических систем в медицине, нефтяной отрасли и информационной безопасности показывается эффективность предложенного подхода.
моделирование, аппроксимация, сложный объект, нечетко-продукционное правило, нейронечеткая модель, база знаний, modeling, approximation, complex object, fuzzy production rule, neuro-fuzzy model, knowledge base
1. Бухтояров В.В. Трехступенчатый эволюционный метод формирования коллективов нейронных сетей для решения задач классификации // Программные продукты и системы. - 2012. - № 4. - С. 101-106.
2. Веселовский В.П. Практическая вертеброневрология и мануальная терапия. Рига. 1991. 344 с.
3. Глова В.И., Аникин И.В., Катасёв А.С. Система предупреждения аварий оборудования в процессах поддержания пластового давления // Вестник Казанского государственного технического университета им. А.Н. Туполева, № 2, 2006. - С. 46-49.
4. Катасёв А.С. Формирование базы знаний системы фильтрации электронных почтовых сообщений // Научно-технический вестник Поволжья, № 5, 2013. - С. 191-194.
5. Катасёв А.С., Ахатова Ч.Ф. Нейронечеткая система обнаружения продукционных зависимостей в базах данных // Программные продукты и системы. - 2011. - № 3. - С. 26-32.
6. Катасёв А.С., Газимова Д.Р. Инвариантная нечетко-продукционная модель представления знаний в экспертных системах // Вестник КГТУ им. А.Н. Туполева. - 2011. - № 1. - С. 142-148.
7. Катасёв А.С., Подольская М.А. Применение систем искусственного интеллекта для диагностического процесса в вертеброневрологии // Казанский медицинский журнал, том 88, № 4, 2007. - С. 346-351.
8. Кирпичников А.П., Осипова А.Л., Ризаев И.С. Повышение аналитических возможностей баз данных // Вестник Казан. технол. ун-та. - 2012. - № 3. - С. 157-160.
9. Паклин Н.Б. Адаптивные модели нечеткого вывода для идентификации нелинейных зависимостей в сложных системах: Дисс. на соиск. уч. степ. к-та техн. наук. - Ижевск, 2004. - 162 с.
10. Паклин Н.Б., Орешков В.И. Бизнес-аналитика: от данных к знаниям: учебное пособие. - 2-е изд., испр. - СПб.: Питер, 2013. - 704 с.: ил.
11. Подольская М.А., Нуриев З.Ш. Компьютерно-томографическое исследование паравертебральных мышц на поясничном уровне при дистрофических вертеброгенных заболеваниях // Медицинская визуализация. 2004. № 4. С. 127-136.
12. Попелянский Я.Ю. Вертебральные синдромы поясничного остеохондроза. - Казань, 1974. - 284 с.
13. Ротштейн А.П. Интеллектуальные технологии идентификации: нечеткая логика, генетические алгоритмы, нейронные сети. - Винница: УНИВЕРСУМ - Винница, 1999. - 320 с.
14. Титов А.Н., Нуриев Н.К., Тазиева Р.Ф. Оценка параметров вероятностной модели по экспериментальным данным // Вестник Казан. технол. ун-та. - 2013. - № 19. - С. 324-330.
15. Штовба С.Д. Классификация объектов на основе нечеткого логического вывода // Exponenta Pro - Математика в приложениях. - 2004. -№ 1(5). - С. 68-69.
16. Bache K., Lichman M. UCI Machine Learning Repository [http://archive.ics.uci.edu/ml]. Irvine, CA: University of California, School of Information and Computer Science. 2013.
