➤

Методы и алгоритмы построения нечетких моделей интеллектуального анализа состояний слабоформализуемых процессов

Аннотация

Актуальность и востребованность темы диссертации. Эксперты Synergy Research отметили, что общий объём рынка нейронных сетей к 2005 году превысил 10 млрд, долларов, в 2014 году объем облачных сервисов составил более 17 млрд, долларов, увеличившись на 45% в годовом исчислении1. А также, в первом квартале 2015 года объем рынка сервисов, предназначенных для развертывания облачных инфраструктур, превысил $5 млрд., где доля Amazon Web Services составила 29%. За счет динамического увеличения продаж облачных услуг в январе-марте 2015 года доходы Google увеличились на 74%, IBM - на 56%, а доходы Salesforce.com поднялись на 34%. Таким образом, в 2018 году на рынке публичных облачных сервисов будут иметь место инвестиции в размере $127,5 млрд., а их размер к этому времени будет увеличиваться в среднем на 22,8% в год, что в шесть раз больше прогнозируемого роста глобального ИТ-рынка2.
Выявление скрытых закономерностей, классификация данных, прогнозирование протекания процессов, а также анализ изучаемого процесса при больших объемах данных, описывающих состояние слабоформализуемых процессов, и в условиях их неопределенности являются основными задачами интеллектуального анализа данных. Для таких процессов, характеризующихся нечеткостью ситуаций внешней и внутренней среды, т.е. нестохастичностью и неполнотой исходной информации, обычно невозможно построить простую адекватную математическую модель. Информация о параметрах таких процессов обычно выражается экспертами в виде слов и предложений, т.е. в лингвистической форме. В таких случаях при моделировании, принятии решений и управлении целесообразно использовать средства технологии мягких вычислений (Soft Computing).
Гибридная система, полученная на основе объединения компонентов технологии мягких вычислений - нечеткой логики, нейронных сетей и эволюционных алгоритмов, будет обладать тем же интеллектуальным свойством, что и применение знаний на естественном языке. В связи с этим разработка алгоритмов и программ построения нечетких моделей задач классификации, оценки, прогнозирования и принятия решений, основанных на нечетких правилах вывода, нейронных сетях и эволюционных алгоритмах является актуальной задачей.
Следовательно, возникает необходимость разработки методов и алгоритмов решения задач интеллектуального анализа данных, то есть задач построения нечетких моделей классификации, оценки и прогнозирования на основе метода нечеткой кластеризации, настройки параметров модели с помощью нейронных сетей и эволюционных алгоритмов, а также нечеткой многокритериальной оптимизации, возникающей при построении модели.
Данное диссертационное исследование направлено на решение задач, установленных Законом Республики Узбекистан «Об электронном правительстве» за № ЗРУ-395 от 9 декабря 2015 года, Постановлениями Президента Республики Узбекистан «О мерах по дальнейшему внедрению информационно-коммуникационных технологий в реальный сектор экономики» за № ПП-2158 от 3 апреля 2014 года, «О мерах по дальнейшему развитию Национальной информационно-коммуникационной системы Республики Узбекистан» за № ПП-1989 от 27 июня 2013 года, а также Постановлением Кабинета министров Республики Узбекистан «О мерах по формированию центральных баз данных физических и юридических лиц и внедрению единой информационной системы идентификации пользователей системы “Электронное правительство”» за № 365 от 17 декабря 2015 года.
Цель исследования заключается в разработке гибридных методов и алгоритмов построения моделей интеллектуального анализа состояния слабоформализуемых процессов на основе метода нечеткой кластеризации, настройки параметров этих моделей с помощью нейронных сетей и эволюционного алгоритма пчелиного роя.
Научная новизна исследования состоит в следующем:
предложены гибридные методы построения нечетких моделей интеллектуального анализа состояния слабоформализуемых процессов;
разработан алгоритм построения нечеткой логической модели интеллектуального анализа - классификации, оценки и прогнозирования состояния слабоформализуемых процессов на основе метода нечеткой кластеризации;
показана возможность получения нечеткого решения при построении нечеткой логической модели классификации, оценки и прогнозирования состояния слабоформализуемых процессов на основе настройки параметров модели нейронными сетями при различных функциях принадлежности;
показана возможность получения нечеткого решения при построении нечеткой логической модели классификации, оценки и прогнозирования состояния слабоформализуемых процессов на основе настройки параметров модели алгоритмом пчелиного роя при различных функциях принадлежности;
сформирована задача многокритериальной оптимизации в условиях нечеткой информации и разработан алгоритм решения этой задачи;
разработаны критерии и алгоритмы решения задач оптимизации и принятия решения при нечеткой исходной информации, доказан ряд утверждений о свойствах улучшаемое™ решений в терминах функций принадлежности;
разработана технология построения адекватной нечеткой модели на основе гибридных методов интеллектуального анализа состояния слабоформализуемых процессов.
ЗАКЛЮЧЕНИЕ
Анализ основных результатов диссертационной работы позволил сделать ряд следующих выводов.
1. Системный анализ проблемы построения нечетких моделей задач классификации, оценки и прогнозирования в слабоформализованных системах обосновал актуальность и необходимость разработки методов их решения.
2. На основе математического анализа показано, что важное значение имеет обеспечение адекватности модели, то есть то, насколько правильно использована текущая информация о предмете исследования в процессе моделирования.
3. Алгоритм построения нечеткой модели интеллектуального анализа состояния процессов позволяет решать задачи классификации, оценки и прогнозирования состояний процессов в условиях слабоформализованности и неопределенности информации об этих процессах.
4. Анализ задач нечеткой многокритериальной оптимизации, формируемых при построении нечеткой модели интеллектуального анализа состояния слабоформализуемых процессов, позволяет решать задачи многокритериальной оптимизации, возникающей при построении моделей классификации, оценки и прогнозирования состояний процессов в условиях нечеткой информации.
5. Проведенные экспериментальные исследования показали более высокую эффективность разработанных алгоритмов по сравнению с известными алгоритмами при решении модельных задач классификации, оценки и прогнозирования.
6. Анализ результатов, полученных при построении моделей классификации, оценки и прогнозирования интеллектуального анализа состояний процессов в условиях нечеткой информации на основе метода нечеткой кластеризации, показал, что нечеткий подход дает возможность получить адекватное нечеткое решение, опираясь на любые априорные данные и уровень их определенности.
7. Определено свойство улучшаемое™ решения задачи нечеткой многокритериальной оптимизации, формируемое при построении нечеткой модели, и это свойство способствует получению эффективных результатов при решении ряда практических задач.
8. Показана возможность получения эффективного решения при решении практических задач классификации, оценки и прогнозирования на основе разработки алгоритмов построения моделей интеллектуального анализа состояния слабоформализованных процессов.

Тип источника: Авторефераты
Годы охвата с 1992
inLibrary
Google Scholar
Каталог авторефератов
Выпуск:
Отрасль знаний
CC BY f
1-81
35

Скачивания

Данные скачивания пока недоступны.
Поделиться
Скачать
Минглиқулов, З. (2023). Методы и алгоритмы построения нечетких моделей интеллектуального анализа состояний слабоформализуемых процессов . Каталог авторефератов, 1(1), 1–81. извлечено от https://inlibrary.uz/index.php/autoabstract/article/view/36501
1
Цитаты
Crossref
Сrossref
Scopus
Scopus
Google
Google

Ключевые слова:

Нечеткое множество / оценка риска / прогнозирование риска / принятие решений / функция принадлежности / некорректная задача

Аннотация

Актуальность и востребованность темы диссертации. Эксперты Synergy Research отметили, что общий объём рынка нейронных сетей к 2005 году превысил 10 млрд, долларов, в 2014 году объем облачных сервисов составил более 17 млрд, долларов, увеличившись на 45% в годовом исчислении1. А также, в первом квартале 2015 года объем рынка сервисов, предназначенных для развертывания облачных инфраструктур, превысил $5 млрд., где доля Amazon Web Services составила 29%. За счет динамического увеличения продаж облачных услуг в январе-марте 2015 года доходы Google увеличились на 74%, IBM - на 56%, а доходы Salesforce.com поднялись на 34%. Таким образом, в 2018 году на рынке публичных облачных сервисов будут иметь место инвестиции в размере $127,5 млрд., а их размер к этому времени будет увеличиваться в среднем на 22,8% в год, что в шесть раз больше прогнозируемого роста глобального ИТ-рынка2.
Выявление скрытых закономерностей, классификация данных, прогнозирование протекания процессов, а также анализ изучаемого процесса при больших объемах данных, описывающих состояние слабоформализуемых процессов, и в условиях их неопределенности являются основными задачами интеллектуального анализа данных. Для таких процессов, характеризующихся нечеткостью ситуаций внешней и внутренней среды, т.е. нестохастичностью и неполнотой исходной информации, обычно невозможно построить простую адекватную математическую модель. Информация о параметрах таких процессов обычно выражается экспертами в виде слов и предложений, т.е. в лингвистической форме. В таких случаях при моделировании, принятии решений и управлении целесообразно использовать средства технологии мягких вычислений (Soft Computing).
Гибридная система, полученная на основе объединения компонентов технологии мягких вычислений - нечеткой логики, нейронных сетей и эволюционных алгоритмов, будет обладать тем же интеллектуальным свойством, что и применение знаний на естественном языке. В связи с этим разработка алгоритмов и программ построения нечетких моделей задач классификации, оценки, прогнозирования и принятия решений, основанных на нечетких правилах вывода, нейронных сетях и эволюционных алгоритмах является актуальной задачей.
Следовательно, возникает необходимость разработки методов и алгоритмов решения задач интеллектуального анализа данных, то есть задач построения нечетких моделей классификации, оценки и прогнозирования на основе метода нечеткой кластеризации, настройки параметров модели с помощью нейронных сетей и эволюционных алгоритмов, а также нечеткой многокритериальной оптимизации, возникающей при построении модели.
Данное диссертационное исследование направлено на решение задач, установленных Законом Республики Узбекистан «Об электронном правительстве» за № ЗРУ-395 от 9 декабря 2015 года, Постановлениями Президента Республики Узбекистан «О мерах по дальнейшему внедрению информационно-коммуникационных технологий в реальный сектор экономики» за № ПП-2158 от 3 апреля 2014 года, «О мерах по дальнейшему развитию Национальной информационно-коммуникационной системы Республики Узбекистан» за № ПП-1989 от 27 июня 2013 года, а также Постановлением Кабинета министров Республики Узбекистан «О мерах по формированию центральных баз данных физических и юридических лиц и внедрению единой информационной системы идентификации пользователей системы “Электронное правительство”» за № 365 от 17 декабря 2015 года.
Цель исследования заключается в разработке гибридных методов и алгоритмов построения моделей интеллектуального анализа состояния слабоформализуемых процессов на основе метода нечеткой кластеризации, настройки параметров этих моделей с помощью нейронных сетей и эволюционного алгоритма пчелиного роя.
Научная новизна исследования состоит в следующем:
предложены гибридные методы построения нечетких моделей интеллектуального анализа состояния слабоформализуемых процессов;
разработан алгоритм построения нечеткой логической модели интеллектуального анализа - классификации, оценки и прогнозирования состояния слабоформализуемых процессов на основе метода нечеткой кластеризации;
показана возможность получения нечеткого решения при построении нечеткой логической модели классификации, оценки и прогнозирования состояния слабоформализуемых процессов на основе настройки параметров модели нейронными сетями при различных функциях принадлежности;
показана возможность получения нечеткого решения при построении нечеткой логической модели классификации, оценки и прогнозирования состояния слабоформализуемых процессов на основе настройки параметров модели алгоритмом пчелиного роя при различных функциях принадлежности;
сформирована задача многокритериальной оптимизации в условиях нечеткой информации и разработан алгоритм решения этой задачи;
разработаны критерии и алгоритмы решения задач оптимизации и принятия решения при нечеткой исходной информации, доказан ряд утверждений о свойствах улучшаемое™ решений в терминах функций принадлежности;
разработана технология построения адекватной нечеткой модели на основе гибридных методов интеллектуального анализа состояния слабоформализуемых процессов.
ЗАКЛЮЧЕНИЕ
Анализ основных результатов диссертационной работы позволил сделать ряд следующих выводов.
1. Системный анализ проблемы построения нечетких моделей задач классификации, оценки и прогнозирования в слабоформализованных системах обосновал актуальность и необходимость разработки методов их решения.
2. На основе математического анализа показано, что важное значение имеет обеспечение адекватности модели, то есть то, насколько правильно использована текущая информация о предмете исследования в процессе моделирования.
3. Алгоритм построения нечеткой модели интеллектуального анализа состояния процессов позволяет решать задачи классификации, оценки и прогнозирования состояний процессов в условиях слабоформализованности и неопределенности информации об этих процессах.
4. Анализ задач нечеткой многокритериальной оптимизации, формируемых при построении нечеткой модели интеллектуального анализа состояния слабоформализуемых процессов, позволяет решать задачи многокритериальной оптимизации, возникающей при построении моделей классификации, оценки и прогнозирования состояний процессов в условиях нечеткой информации.
5. Проведенные экспериментальные исследования показали более высокую эффективность разработанных алгоритмов по сравнению с известными алгоритмами при решении модельных задач классификации, оценки и прогнозирования.
6. Анализ результатов, полученных при построении моделей классификации, оценки и прогнозирования интеллектуального анализа состояний процессов в условиях нечеткой информации на основе метода нечеткой кластеризации, показал, что нечеткий подход дает возможность получить адекватное нечеткое решение, опираясь на любые априорные данные и уровень их определенности.
7. Определено свойство улучшаемое™ решения задачи нечеткой многокритериальной оптимизации, формируемое при построении нечеткой модели, и это свойство способствует получению эффективных результатов при решении ряда практических задач.
8. Показана возможность получения эффективного решения при решении практических задач классификации, оценки и прогнозирования на основе разработки алгоритмов построения моделей интеллектуального анализа состояния слабоформализованных процессов.


background image

ТОШКЕНТ АХБОРОТ ТЕХНОЛОГИЯЛАРИ УНИВЕРСИТЕТИ

ВА ЎЗБЕКИСТОН МИЛЛИЙ УНИВЕРСИТЕТИ ҲУЗУРИДАГИ

ФАН ДОКТОРИ ИЛМИЙ ДАРАЖАСИНИ БЕРИШ БЎЙИЧА

16.07.2013.Т/FM.29.01 РАҚАМЛИ ИЛМИЙ КЕНГАШ

ТОШКЕНТ АХБОРОТ ТЕХНОЛОГИЯЛАРИ УНИВЕРСИТЕТИ

МИНГЛИҚУЛОВ ЗАФАР БОЗОРОВИЧ

СУСТ ШАКЛЛАНГАН ЖАРАЁНЛАР ҲОЛАТИНИ ИНТЕЛЛЕКТУАЛ

ТАҲЛИЛЛАШ НОРАВШАН МОДЕЛЛАРИНИ ҚУРИШ УСУЛЛАРИ

ВА АЛГОРИТМЛАРИ

05.01.03 – Информатиканинг назарий асослари

(техника фанлари)

ДОКТОРЛИК ДИССЕРТАЦИЯСИ АВТОРЕФЕРАТИ

Тошкент– 2016


background image

УДК 519.681.5

Докторлик диссертацияси автореферати мундарижаси

Оглавление автореферата докторской диссертации

Content of the abstract of doctoral dissertation


Минглиқулов Зафар Бозорович

Суст шаклланган жараёнлар ҳолатини интеллектуал таҳлиллаш норавшан
моделларини қуриш усул ва алгоритмлари............…………...…………………………5

Мингликулов Зафар Бозорович

Методы и алгоритмы построения нечетких моделей интеллектуального анализа
состояний слабоформализуемых процессов …...........................………………………27

Mingliqulov Zafar

Methods and algorithms for constructing fuzzy models mining states of weakly
formalized processes ……………………………….…...………………...………………53

Эълон қилинган ишлар рўйхати
Список опубликованных работ
List of published works……………………………………………..…………………….77












background image

3

ТОШКЕНТ АХБОРОТ ТЕХНОЛОГИЯЛАРИ УНИВЕРСИТЕТИ

ВА ЎЗБЕКИСТОН МИЛЛИЙ УНИВЕРСИТЕТИ ҲУЗУРИДАГИ

ФАН ДОКТОРИ ИЛМИЙ ДАРАЖАСИНИ БЕРИШ БЎЙИЧА

16.07.2013.Т/FM.29.01 РАҚАМЛИ ИЛМИЙ КЕНГАШ

ТОШКЕНТ АХБОРОТ ТЕХНОЛОГИЯЛАРИ УНИВЕРСИТЕТИ

МИНГЛИҚУЛОВ ЗАФАР БОЗОРОВИЧ

СУСТ ШАКЛЛАНГАН ЖАРАЁНЛАР ҲОЛАТИНИ ИНТЕЛЛЕКТУАЛ

ТАҲЛИЛЛАШ НОРАВШАН МОДЕЛЛАРИНИ ҚУРИШ УСУЛЛАРИ

ВА АЛГОРИТМЛАРИ

05.01.03 – Информатиканинг назарий асослари

(техника фанлари)

ДОКТОРЛИК ДИССЕРТАЦИЯСИ АВТОРЕФЕРАТИ

Тошкент – 2016


background image

4

Докторлик диссертацияси мавзуси Ўзбекистон Республикаси Вазирлар Маҳкамаси

ҳузуридаги Олий аттестация комиссиясида 30.06.2015/B2015.2.T531 рақам билан рўйхатга
олинган.

Докторлик диссертацияси Тошкент ахборот технологиялари университети ҳузуридаги

Дастурий маҳсулотлар ва аппарат-дастурий мажмуалар яратиш марказида бажарилган.

Диссертация автореферати уч тилда (ўзбек, рус, инглиз) илмий кенгашнинг веб саҳифаси

(www.tuit.uz) ва «ZIYONET» таълим ахборот тармоғида (www.ziyonet.uz) жойлаштирилган.

Илмий маслаҳатчи:

Мухамедиева Дилноз Тулкуновна

техника фанлари доктори, профессор

Расмий оппонентлар:

Усманов Ришат Нииязбекович
техника фанлари доктори

Набиев Озод Маликович

техника фанлари доктори, профессор

Рахимов Шавкат Хударгенович
техника фанлари доктори, профессор

Етакчи ташкилот:

Тошкент давлат техника университети

Диссертация ҳимояси Тошкент ахборот технологиялари университети ва Ўзбекистон

Миллий университети ҳузуридаги 16.07.2013.Т/FM.29.01 рақамли Илмий кенгашнинг 2016 йил
«26» феврал соат 14

00

даги мажлисида бўлиб ўтади (Манзил: 100202, Тошкент ш., Амир Темур

кўчаси, 108. Тел.: (99871) 238-64-43; факс: (99871) 238-65-52; e-mail: tuit@tuit.uz.).

Докторлик диссертацияси билан Тошкент ахборот технологиялари университетининг

Ахборот-ресурс марказида танишиш мумкин (__ рақами билан рўйхатга олинган). Манзил:
100202, Тошкент ш., Амир Темур кўчаси, 108. Тел.: (99871) 238-64-43.

Диссертация автореферати 2016 йил «25» январ куни тарқатилди.

(2016 йил «25» январдаги __ рақамли реестр баённомаси).




Х.К.Арипов

Фан доктори илмий даражасини берувчи

илмий кенгаш раиси ф.-м.ф.д., профессор

М.С.Якубов

Фан доктори илмий даражасини берувчи

илмий кенгаш илмий котиби т.ф.д., профессор

Т.Ф.Бекмуратов

Фан доктори илмий даражасини берувчи

илмий кенгаш қошидаги илмий семинар раиси,

т.ф.д., академик



background image

5

Кириш (докторлик диссертацияси аннотацияси)

Диссертация мавзусининг долзарблиги ва зарурати.

Жаҳон

бозоридаги нейрон тўрларининг ҳажми 2005 йили 10 млрд. долларни, юқори
технологик хизматнинг 2014 йилдаги улуши 17 млрд. долларни, йиллик
ўсиши эса 45% ташкил этганлиги Synergy Research экспертлари томонидан
эътироф этилган. Шунингдек, 2015 йил биринчи чорагида юқори технологик
инфратузилмаларни жорий этиш учун бозор сервиси хажми 5 млрд.
долларни, бунда Amazon Web Services компаниясининг улуши 29% ташкил
этди

1

. Юқори технологик хизматлар савдосининг динамик равишда ошиши

ҳисобига 2015 йилнинг январ-март ойларида Google даромади 74%га,
IBMники 56%га, Salesforce.com даромади эса 34%га ошган. Жаҳон
бозоридаги оммавий юқори технологик хизматлар учун 2018 йили 127.5
млрд. доллар миқдорида инвестиция киритилиши, бу вақтга келиб уларнинг
даромад миқдори йилига ўртача 22.8%, яъни IT бозорида башорат
қилинганига нисбатан олти марта кўпроқ ошиши кутилмоқда

2

.

Суст шаклланган жараёнлар ҳолатини ифодаловчи маълумотлар катта

ҳажмга ва номаълумлик хусусиятларига эга бўлган шароитда маълумотлар
ўртасидаги яширин боғлиқликни, жараёнлар боришини башоратлашнинг
ўзига хос қонуниятларини аниқлаш, синфлаштириш ўрганилаётган жараённи
интеллектуал таҳлил қилишнинг муҳим масалалари ҳисобланади. Мазкур
жараёнларнинг ташқи ва ички муҳит вазиятлари норавшанлик яъни,
ностохастиклик ҳамда тўлиқмаслик билан тавсифланганида мураккаб
жараёнлар учун мос бўлган содда математик моделларни қуриш имконияти
мавжуд бўлмайди. Бундай жараёнларнинг параметрлари тўғрисидаги
маълумотлар аксарият ҳолларда экспертлар томонидан ибора ёки шартли
белгилар ёрдамида, яъни лингвистик шаклда ифодаланади. Бундай
ҳолатларда

юмшоқ

ҳисоблашлар

(Soft

Computing)

технологияси

воситаларидан фойдаланиб моделлаштириш, қарор қабул қилиш ва бошқарув
тизимларини қўллаш мақсадга мувофиқдир.

Юмшоқ ҳисоблашлар технологиялари компоненталари бўлган

норавшан мантиқ, нейрон тўрлар ва эволюцион алгоритмларни бирлаштириш
натижасида олинадиган гибрид тизимлар табиий тилдаги билимлардан
фойдаланишдек интеллектуал хусусиятларга эга бўлади. Шунинг учун
маълумотларни интеллектуал таҳлил қилиш, яъни синфлаштириш, баҳолаш
ва башорат қилиш масалаларининг норавшан қоида хулосалари, нейрон
тўрлар ва эволюцион алгоритмларга асосланган норавшан моделларини
қуриш алгоритмлари ва дастурларини ишлаб чиқиш долзарб масала
ҳисобланади.

Шу сабабли суст шаклланган жараёнлар ҳолатини ифодаловчи

маълумотларни интеллектуал таҳлиллаш, синфлаштириш, баҳолаш ва
башоратлаш масалаларининг норавшан моделини норавшан кластеризация
усули ёрдамида қуриш, модел параметрларини нейрон тўрлар ва эволюцион
арилар колонияси алгоритмлар асосида созлаш ва модел қуриш жараёнида

-----------------------------------

1

http://www.intuit.ru/studies/courses/3735/977/lecture/14689?page=2

2

http://www.tadviser.ru/index.php


background image

6

шаклланган

норавшан

кўпмезонли

оптималлаштириш,

норавшан

моделларини

қуриш

масаласини

ечишнинг

гибрид

усул

ҳамда

алгоритмларини ишлаб чиқиш муҳим аҳамият касб этади.

Ўзбекистон Республикасининг 2015 йил 9 декабрдаги ЎРҚ-395-сон

«Электрон ҳукумат тўғрисида»ги Қонуни, Ўзбекистон Республикаси
Президентини 2014 йил 3 апрелдаги ПҚ-2158-сон «Инфо-коммуникацион
технологияларни иқтисодиётнинг реал секторига янада жорий қилиш
тўғрисида»ги ва 2013 йил 27 июндаги ПҚ-1989-сон «Ўзбекистон
Республикаси

Миллий

ахборот-коммуникация

тизимини

янада

ривожлантириш тўғрисида»ги Қарорлари ҳамда Вазирлар Маҳкамасининг
2015 йил 17 декабрдаги 365-сон «Жисмоний ва юридик шахслар марказий
маълумотлар базаларини шакллантириш ва «Электрон ҳукумат» тизими
фойдаланувчиларини идентификациялашни ягона ахборот тизимини жорий
этиш чора-тадбирлари тўғрисида»ги қарорида белгиланган вазифаларни
муайян даражада амалга оширишга мазкур диссертация тадқиқоти хизмат
қилади.

Тадқиқотнинг республика фан ва технологиялари ривожланиши-

нинг устувор йўналишларига боғлиқлиги.

Мазкур диссертация

республика

фан ва технологиялар ривожланишининг қуйидаги устувор

йўналишларига мос равишда бажарилган: ИТД-17. «Ахборот ва
телекоммуникация технологияларини кенг ривожлантириш ва жорий этишни
таъминлайдиган замонавий ахборот тизимлари, бошқариш ва ўқитишнинг
интеллектуал воситалари, илмий-техникавий маълумотлар базаси ва
дастурий

маҳсулотларини

ишлаб

чиқиш»;

ИТД-5.

«Жамиятни

ахборотлаштириш даражасини оширишга йўналтирил-ган илмий ҳажмдор
ахборот технологияларни, телекоммуникацион тармоқларни, аппарат-
дастурий воситаларни интеллектуал бошқариш, ўқитиш усулларини ва
тизимларини ишлаб чиқиш».

Диссертация мавзуси бўйича хорижий илмий-тадқиқотлар шарҳи.

Суст шаклланган объект ва жараёнларни моделлаштириш, номаълумлик
шароитида тимсолларни аниқлаш, интеллектуал тизимларни қуриш, қарор
қабул қилишга кўмаклашиш ва робототехникада билимлар базаси ҳамда
бошқарув, норавшан моделлаштириш ва норавшан мантиқий хулосалар
назариялари, “Юмшоқ ҳисоблаш” усул ва воситалари, нейрон тўрлар ва
эволюцион ҳисоблаш усулларини ишлаб чиқиш йўналишида жаҳоннинг
етакчи мамлакатларининг илмий марказлари ва олий таълим муассасаларида
жумладан, APPLE, IBM, E.piphany, SAS, Silicon Graphics, SPSS, Oracle Data
Mining, Oracle, UNICA, SQL Server Data Mining (АҚШ), Angoss, Cognos,
STATISTICA Data Miner (Канада), humanIT Software GmbH, BonaVista
Systems (Германия), Mentegrafica infovis solutions (Италия), Acknosoft,
SIPINA (Франция), Ҳиндистон (GR Brains), Marcom (Хитой), NeuroShell,
PolyAnalyst (Россия), Jooble (Украина), AL11, AL12, AL13, ESPLAN
(Озарбайжон)ларда кенг қамровли илмий-тадқиқот ишлари олиб борилмоқда.


background image

7

Интеллектуал таҳлилашнинг норавшан моделларини яратиш ва амалда

жорий этиш юзасидан олиб борилган илмий-тадқиқотлар натижасида
норавшан билимлар шароитида синфлаштириш, баҳолаш ва башоратлаш
моделларини яратиш усул ва алгоритмларини такомиллаштириш борасида
жаҳонда бир қатор илмий натижалар, жумладан, қуйидагилар олинган:
норавшан билимлар шароитида синфлаштириш ва башоратлаш усуллари
ишлаб чиқилган «Attar Software Ltd.» (Буюкбритания); эволюцион дастурлаш
алгоритмлари яратилган «PolyAnalyst тизими Unica» (АҚШ); маълумотларни
синфлаштириш ҳамда ечимлар боришини таҳлил қилишнинг граф усули
таклиф этилган «С5.0, RuleQuest» (Австралия); башоратлашнинг мантиқий
моделларини норавшан кластерлаштириш усули ишлаб чиқилган
«Clementine, Integral Solutions» (Буюкбритания); норавшан ахборот муҳитида
кўпмезонли оптималлаштириш масаласи ечилган «SIPINA, University of
Lyon» (Франция); норавшан модел параметрларини нейрон тўрлари ёрдамида
созлаш усули қўлланилган «IDIS, Information Discovery» (АҚШ); суст
шаклланган жараёнлар холатини интеллектуал таҳлиллаш моделларини
нейрон тўрлар ёрдамида ишлаб чиқиш усуллари таклиф этилган «NeuroShell,
Ward Systems Group» (Россия).

Суст шаклланган жараёнлар ҳолати маълумотларини интеллектуал

таҳлиллаш тизимларини ишлаб чиқишда ноанъанавий ёндашувлар, яъни
“юмшоқ ҳисоблаш” воситаларини қўллаш, катта ҳажмли маълумотларни
қайта ишлаш, сонли ҳисоблашлардан лингвистик ҳисоблашларга ўтиш,
норавшан моделлаштириш ва норавшан мантиқий хулосалар назариялари ва
уларнинг қўлланилиши соҳаларини аниқлаш, нейрон тўрлар ва эволюцион
гибрид усул ва алгоритмларни ишлаб чиқиш каби устувор йўналишларда
илмий-тадқиқот ишлари олиб борилмоқда.

Муаммонинг ўрганилганлик даражаси.

Норавшан мантиқ, нейрон

тўрлар ва эволюцион алгоритмлар яратиш, сонли ҳисоблашлардан
лингвистик ҳисоблашларга ўтиш ва маълумотларни қайта ишлаш, қарор
қабул қилиш ва бошқарувдаги аҳамияти, имкониятлар назарияси ва унинг
интеллектуал тизимларда қўллаш борасида бир қатор олимларнинг:
норавшан моделлаштириш ва норавшан мантиқий хулосалар назариялари,
саноат тизимларида юмшоқ ҳисоблашлар, нейрон тўрлар ва эволюцион
ҳисоблашларни қўлланилиши, ноаниқлик шароитида қарор қабул қилиш
усуллари, ситуацион бошқарув; интеллектуал гибрид тизимлар яратиш
масалалари бир қатор олимларнинг: Л.Заде, А.Дюбуа, А.Прада, Е.Мамдани,
М.Сугено, Т.Такахи, М.Джамшиди, Н.Н.Моисеев, С.А.Орловский,
Э.Мушник, О.И.Ларичев, Г.С.Поспелов ва Д.А.Поспелов , Р.А.Алиев ва
бошқаларнинг ишларида кўриб чиқилган.

Маълумотларни интеллектуал таҳлили, норавшан тўпламлар назарияси,

норавшан-стохастик

математик

моделлаштириш

масалаларининг

ривожланиши ва уларнинг қўлланилиши билан боғлиқ тадқиқотлар
қуйидаги олимлар томонидан олиб борилган, жумладан: М.М.Комилов,
Т.Ф.Бекмуратов,

Ф.Б.Абуталиев,

А.Р.Марахимов,

Т.С.Нусратов,


background image

8

М.А.Рахматуллаев, Н.А.Игнатьев, Р. Усманов, Д.Т.Мухамедиева. Шунга
қарамай суст шаклланган жараёнлар ҳолатини интеллектуал таҳлил
қилишнинг норавшан моделларини кирувчи ва чиқувчи маълумотлар
орасидаги боғлиқликлар ночизиқлилик шароитига эга бўлган ҳолларда
қуриш алгоритмларини ишлаб чиқиш, норавшан модел қуриш жараёнида
модел параметрларини кўпагентли оптималлаштириш, жумладан, эволюцион
арилар колонияси ва нейрон тўрлар асосида созлашнинг гибрид усуллари
ҳамда алгоритмларини ишлаб чиқиш масалаларини ечиш муаммолари кўриб
ўтилмаган.

Шу билан бирга суст шаклланган жараёнлар ҳолатини интеллектул

таҳлиллаш учун норавшан қоидалар хулосаларига асосланган мантиқий
моделларни норавшан кластерлаштириш усули ёрдамида қуриш, ушбу
жараёнда модел параметрларини нейрон тўрлари ва эволюцион арилар
колонияси алгоритмлари ёрдамида созлаш масалаларини ечишнинг
такомиллашган гибрид усуллари ва алгоритмларини яратишга бағишланган
илмий изланишлар етарли даражада олиб борилмаган.

Диссертация мавзусининг диссертация бажарилаётган илмий-

тадқиқот муассасасининг илмий-тадқиқот ишлари билан боғлиқлиги.

Мазкур диссертация тадқиқоти Тошкент ахборот технологиялари
университети ҳузуридаги Дастурий маҳсулотлар ва аппарат-дастурий
мажмуалар яратиш марказинингилмий-тадқиқот ишлари билан боғлиқлиги
қуйидаги фундаментал ва амалий лойиҳаларда акс эттирилган: ФА-Ф1-Ф015-
Ф056 «Ноаниқлик шароитида ахборотларни қайта ишлаш ва тимсолларни
аниқлашнинг интеллектуал тизимлари назарий асослари» (2007–2012 йй.);
ФА-А17-Ф056 «Объект ҳақидаги ахборот ноаниқ шароитида маълумотларни
интеллектуал таҳлил қилиш учун мослашувчан тимсолларни таниб олиш
тизимининг алгоритмик таъминоти» (2009-2012 йй.); А5-ФА-Ф019
«Норавшан тўпламли ёндашувга асосланган қарор қабул қилишга
кўмаклашувчи тизимнинг алгоритмик-дастурий воситалари» (2012-2014йй.).

Тадқиқотнинг мақсади

суст шаклланган жараёнлар ҳолатини

интеллектуал таҳлиллаш моделларини норавшан кластерлаш усули ёрдамида
қуриш, модел параметрларини нейрон тўрлар ва эволюцион арилар
колонияси алгоритми ёрдамида созлашнинг гибрид усул ва алгоритмларини
яратишдан иборат.

Мақсадга эришиш учун қуйидаги

тадқиқот

вазифалари

қўйилган:

суст шаклланган жараёнлар ҳолатини интеллектуал таҳлил қилиш

масалаларини шакллантириш;

суст шаклланган жараёнларда норавшан қоида хулосаларига асосланган

синфлаштириш, баҳолаш ва башоратлашнинг мантиқий моделларини
норавшан кластерлаштириш усули ёрдамида қуриш алгоритмларини ишлаб
чиқиш;

нейрон тўрлари ҳамда арилар колонияси алгоритмлари ёрдамида

норавшан мантиқий модел параметрларини созлаш алгоритмларини ишлаб
чиқиш;


background image

9

норавшан модел қуриш жараёнида вужудга келувчи норавшан кўп

мезонли оптималлаштириш масалаларини ечиш алгоритмларини ишлаб
чиқиш;

синфлаштириш, баҳолаш ва башоратлаш масалаларининг норавшан

моделларини қуришнинг дастурий таъминотини ишлаб чиқиш;

норавшан кўпмезонли оптималлаштириш масалаларини параллел

ҳисоблаш технологияларидан фойдаланган ҳолда ечишнинг дастурий
таъминотини ишлаб чиқиш;

ишлаб чиқилган алгоритм ва дастурлар самарадорлигини баҳолаш

бўйича ҳисоблаш эксперементларини ўтказиш ва олинган натижаларни
таҳлил қилиш.

Тадқиқотнинг объекти

суст шаклланган жараёнлар ҳолатини

интеллектуал таҳлиллаш масалалари.

Тадқиқотнинг предмети

– норавшан ахборотлар муҳитида объект

ҳолатини интеллектуал таҳлиллашнинг синфлаштириш, баҳолаш ва
башоратлаш усуллари, моделлари, алгоритмлари.

Тадқиқотнинг усуллари.

Тизимли ёндашув, норавшан тўпламлар

назарияси, нейрон тўрлар ҳамда эволюцион алгоритмлар тамойиллари ва
усуллари.

Тадқиқотнинг илмий янгилиги

қуйидагилардан иборат:

суст шаклланган жараёнлар ҳолатини интеллектуал таҳлиллаш

норавшан моделларини қуришнинг гибрид усуллари таклиф қилинган;

суст шаклланган жараёнлар ҳолатини интеллектуал таҳлиллашнинг

синфлаштириш, баҳолаш ва башоратлаш норавшан мантиқий моделини
норавшан кластерлаштириш усули ёрдамида қуриш алгоритми яратилган;

суст шаклланган жараёнлар ҳолатини синфлаштириш, баҳолаш ва

башоратлаш норавшан мантиқий моделларини қуриш жараёнида турли хил
тегишлилик функциялари бўлган ҳолатларда модел параметрларини нейрон
тўрлари ёрдамида созлаш асосида норавшан ечимни олиш мумкинлиги
кўрсатилган;

суст шаклланган жараёнлар ҳолатини интеллектуал таҳлиллаш

норавшан мантиқий моделларини қуриш жараёнида турли тегишлилик
функциялари бўлган ҳолатларда модел параметрларини арилар колонияси
алгоритми ёрдамида созлаш асосида норавшан ечимни олиш мумкинлиги
кўрсатилган;

норавшан ахборот муҳитида кўпмезонли оптималлаштириш масаласи

шакллантирилган ва ечиш алгоритмлари яратилган;

норавшан дастлабки ахборот муҳитида оптималлаштириш ва қарор

қабул қилиш мезонлари ва алгоритмлари ишлаб чиқарилиши, тегишлилик
функцияси ибораларида ечимларни яхшиланиш хусусиятлари ҳақидаги
тасдиқлар исботланган;

суст шаклланган жараёнлар ҳолатини интеллектуал таҳлилаш гибрид

усуллари ёрдамида адекват норавшан моделлар қуриш технологияси ишлаб
чиқилган.


background image

10

Тадқиқотнинг амалий натижаси

қуйидагилардан иборат:

интеллектуал таҳлиллашнинг норавшан моделлари асосида корхоналар

банкротлиги хавф-хатарини баҳолаш ва башоратлаш масалаларини ечишда
95-98.2% аниқлик кўрсаткичларига эришилган;

норавшан модел асосида “Иқтисодиётнинг аграр сектори ишлаб

чиқариш таркибини оптималлаштириш бўйича иқтисодий-математик модел
ишлаб чиқиш услубияти” дастури доирасида “2011-2013-йилларда экин
майдонлари таркибини мақбуллаштириш орқали қишлоқ хўжалигида асосий
озиқ-овқат маҳсулотлари ишлаб чиқариш ҳажмини башоратлаш” ва “2010-
2013-йилларда чорвачилик тармоқ таркибини мақбуллаштириш орқали
чорвачилик маҳсулотлари ишлаб чиқариш ҳажмларини башоратлаш” каби
масалаларнинг 92-96,5% аниқликда ечимлари олинган;

синфлаштириш, баҳолаш ва башоратлаш учун норавшан моделни

созлаш усулларига мос алгоритмлар ишлаб чиқилган ва уни баҳолаш,
синфлаштириш масаласига қўлланган ҳолатида олинган натижалар акс
эттирилган. Амалий масалаларни ечиш жараёнида (Тошкент Тиббиёт
академиясида туғруққача ва туғруқдан кейинги оналар ўлимининг асосий
сабабларини аниқлаш ва уларни камайтириш чораларини ишлаб чиқиш
масаласи) тажрибалар ўтказилган ва ижобий 92-95% аниқлик қайд этилган.

Тадқиқот натижаларининг ишончлилиги

суст шаклланган жараёнлар

ҳолатини интеллектуал таҳлиллаш норавшан моделларини қуриш усуллари
ва алгоритмларининг ишлатилиши, синфлаштириш, баҳолаш ва башоратлаш
масалаларини ечишда тест синовидан ўтказилиши, назарий ва амалий
тадқиқотларнинг

олинган

натижалари

ва

уларнинг

ўзаро

мувофиқлаштирилганлиги билан таъминланади.

Тадқиқот натижаларининг илмий ва амалий аҳамияти.

Тадқиқотда

олинган натижаларнинг илмий аҳамияти норавшан мантиқий моделларни
норавшан кластерлаштириш усули ёрдамида қуриш, модел параметрларини
нейрон тўрлар ва арилар колонияси эволюцион алгоритмлари ёрдамида
созлаш, модел қуриш жараёнида шаклланган кўп мезонли оптималлаштириш
масалаларини ечиш, объект ҳолатини синфлаштириш, баҳолаш ва
башоратлаш усуллари ва алгоритмларини такомиллаштиради.

Интеллектуал таҳлиллаш норавшан моделларини қуриш усуллари ва

алгоритмлари асосида олинган натижаларни корхоналар банкротлиги хавф-
хатарини баҳолаш ва башоратлаш, қишлоқ хўжалигида асосий озиқ-овқат
маҳсулотлари ишлаб чиқариш ва чорвачилик ҳажмини башоратлаш
масалаларини ечишга қўллаш асосида иқтисодий самарадорликка
эришилади.

Тадқиқот натижаларининг жорий қилиниши.

Суст шаклланган

жараёнлар ҳолатини интеллектуал таҳлиллаш норавшан моделларини қуриш
усул ва алгоритмлари асосида ишлаб чиқилган синфлаштириш, баҳолаш ва
башоратлаш дастурий воситаларини асосий озиқ-овқат маҳсулотларини
ишлаб чиқариш ҳажмини башоратлаш, экин майдонлари ва чорвачилик
соҳаси тузилмасини мақбуллаштиришда аниқликнинг 92-96,5% таъминлани-


background image

11

ши натижасида ва корхоналар банкротлиги хавф-хатарини баҳолаш ва
башоратлаш масалаларини ечишда иш самарадорлигини 1,5-2 бараварга
ошиши ва аниқликнинг 95-98.2% таъминланганлиги ҳисобига йиллик 170.5
млн. сўмдан ортиқ иқтисодий самарага эришилди (Ўзбекистон Республикаси
ахборот

технологиялари

ва

коммуникацияларини

ривожлантириш

вазирлигининг 2016 йил 21 январдаги 02-8/343-сонли маълумотномаси;
Жиззах вилояти қишлоқ ва сув ҳўжалиги бошқармасининг 2015 йил 24
июндаги 03-399-сонли маълумотномаси; Хусусийлаштириш, монополиядан
чиқариш ва рақобатни ривожлантириш давлат қўмитасининг Тошкент
вилояти ҳудудий бошқармасининг 2015 йил 16 июндаги 15-2214-сонли
маълумотномаси).

Тадқиқот натижаларининг апробацияси.

Диссертациянинг назарий ва

амалий жиҳатлари қуйидаги халқаро ва миллий семинарлар ва
конференцияларда муҳокама қилинган: “Интегральные уравнения – 2009”
(Киев ш., Украина, 26-29 январ 2009 йил); “Современное состояние и
перспективы развития информационных технологий” Республика илмий-
техник конференцияси (Ўзбекистон, Тошкент ш., 5-6 сентябр 2011 йил);
Всероссийская конференция с международным участием “Знания –
Онтологии-Теории” (Россия, Новосибирск ш., 3-5 октябр 2011 йил); седьмой
международной азиатской школы – семинар “Проблемы оптимизации
сложных систем” (Ўзбекистон, Ташкент ш., 17-27 октябрь 2011 йил); VI
международная научно-практическая конференция “Инженерные системы-
2013” (Россия, Москва ш., 24-26 апрел 2013 йил); Всероссийская
конференция с международным участием “Знания – Онтологии-Теории”
(Россия, Новосибирск ш., 8-10 октябр 2013 йил) ва “Eighth World Conference
on Intelligent Systems for Industrial Automation” (Tashkent, Uzbekistan,
November 25-27, 2014 year).

Тадқиқот натижаларининг эълон қилиниши.

Диссертация мавзуси

бўйича жами 44 та илмий иш, жумладан, 4 та миллий журналларда 11 та ва
халқаро журналларда 4 та илмий мақола, шунингдек, илмий анжуманларда
20 та маърузалар ва тезислар, 1 та монография нашр этилган.

Диссертациянинг ҳажми ва тузилиши.

Диссертация кириш, бешта

боб, ҳулоса, фойдаланилган адабиётлар рўйҳати, илова ва 194 саҳифа матн, 9
та расм ва 14 та жадвалдан иборат.


background image

12

ДИССЕРТАЦИЯНИНГ АСОСИЙ МАЗМУНИ

Кириш

қисмида диссертация мавзусининг долзарблиги ва зарурлик

даражаси асослаб берилган, мақсад ва вазифалар шакллантирилган, тадқиқот
объекти ва предмети аниқланган, тадқиқотнинг Ўзбекистон Республикаси
фани ва технологияларининг устувор йўналишлариги мослиги белгиланган,
тадқиқотнинг илмий янгилиги ва амалий натижалари кўрсатиб ўтилган,
олинган натижаларнинг ҳаққонийлиги асослаб берилган, олинган
натижаларнинг назарий ва амалий аҳамияти очиб берилган, тадқиқот
натижаларининг амалиётга татбиқ этилиши рўйхати, ишни синаш
натижалари, нашр этилган ишлар ва диссертация тузилмаси тўғрисидаги
маълумотлар келтирилган.

Диссертациянинг биринчи

“Суст шаклланган жараёнлар ҳолатини

интеллектуал таҳлиллаш моделларини қуриш муаммолари”

бобида суст

шаклланган

жараёнлар

ҳолатини

интеллектуал

таҳлиллашнинг

синфлаштириш, баҳолаш ва башоратлаш моделларини қуриш масаласининг
аналитик тахлили келтирилган.

Ноаниқлик шароитларида амалий масалаларни ечишда синфлаштириш,

баҳолаш ва башоратлаш тизимини қуриш учун зарур бўлган норавшан яъни,
ностохастик табиатга эга бўлган маълумотларни икки қисмга бўлиш мумкин:
сонли (миқдорий) ва экспертдан олинаётган лингвистик (сифат) қисмлар.
Норавшан тизимларнинг каттагина қисми иккинчи турдаги билимлардан,
кўпроқ норавшан хулоса тизимларига бирлаштириладиган норавшан қоида
хулосалари базаси шаклида ифодаланадиган маълумотлардан фойдаланади.
Норавшан қоидалар хулосаларига асосланган норавшан мантиқий
моделларни қуриш алгоритмлари кирувчи маълумотлар норавшанлик
табиатига эга бўлган шароитларда синфлаштириш, баҳолаш ва башоратлаш
масалаларини ечишда асосий ўринни эгаллайди.

Суст шаклланган жараёнлар ҳолатини интеллектуал таҳлиллашнинг

синфлаштириш, баҳолаш ва башоратлаш моделларини қуриш жараёнида
норавшан қоида хулосаларини шакллантириш қоидалар сонининг мақбул
даражада қисқартириш жараёнининг муҳимлигини белгилаб беради.

Моделлаштириш жараёнида объект тўғрисидаги жорий маълумот қай

даражада тўғри ишлатилганлигини, яъни модел адекватлиги қай даражада
эканлигини аниқлаш катта аҳамиятга эга. Бу борада суст шаклланган
жараёнларнинг моделларини ишлаб чиқишнинг асосий муаммолари
шакллантирилди.

Анъанавий норавшан тизимлар шундай камчиликларга эгаки, қоидалар

ва тегишлилик функцияларини шакллантириш учун у ёки бу соҳадаги
экспертларни жалб қилиш зарур. Бу эса бир қатор ноқулайликларни вужудга
келишига омил бўлиши мумкин. Мослашувчан норавшан тизимлар (adaptive
fuzzy systems) ушбу муаммони ҳал қилади. Бундай тизимларда тажрибавий
маълумотларни ўқитиш жараёнида норавшан тизимлар параметрларини
созлаш амалга оширилади. Норавшан тизимларни мослаштириш жараёни


background image

13

қуйидаги икки босқичдан ташкил топади: 1. Лингвистик қоидаларни ҳосил
қилиш; 2. Модел параметрларини созлаш. Норавшан қоидаларни ҳосил
қилиш учун тегишлилик функциялари, норавшан хулосага эришиш учун эса
– қоидалар зарур бўлади.

Суст шаклланган жараёнлар ҳолатини интеллектуал таҳлиллашнинг

синфлаштириш, баҳолаш ва башоратлаш норавшан мантиқий моделини
қуриш

масалаларини

тўртта

мақсад

функциясига

эга

бўлган

оптималлаштириш масаласи сифатида ифодалаш мумкин.

 

 

 

min,

min,

max,

3

2

1

S

f

S

f

S

f

 

M

j

j

j

y

y

S

f

1

2

4

.

min

ˆ

2

1

Бу ерда

 

S

f

1

–

S

қоидалар тўпламидан фойдаланган ҳолда тўғри

синфлаштирилган объектлар сони,

 

S

f

2

–

S

қоидалар тўпламидаги норавшан

қоидалар сони,

 

S

f

3

–

S

га кирувчи элементларнинг умумий сони ва

 

S

f

4

-

кутилган ва моделдан олинган натижалар орасидаги оғишлар квадратлари
йиғиндиси. Шундай қилиб кўпмезонли оптималлаштириш масаласини
ечишга келиб қолинади.

Шунингдек ушбу бобда суст шаклланган жараёнларни синфлаштириш,

баҳолаш ва башоратлашнинг мавжуд усулларини аналитик таҳлили ҳамда
кўп мезонли оптималлаштириш масаласини ечишга норавшан тўпламли
ёндашувлар кўриб ўтилди. Тахлил натижасида тадқиқот ишида ечимини
кутаётган масала ва муаммолар аниқлаштирилди.

Асосий ечилиши кутилаётган муаммо норавшан кластерлаш усули

ёрдамида норавшан қоида хулосаларига асосланган мантиқий моделларни
қуришдан иборат.

Таклиф қилинаётган ёндашувни анъанавий ёндашувлардан фарқи

синфлаштириш, баҳолаш ва башоратлаш масалалари мантиқий моделларини
норавшан кластерлаштириш усули асосида қуришнинг алгоритмик ва
дастурий воситаларини ишлаб чиқиш учун замонавий интеллектуал ахборот
технологияларидан (билимлар базаси, Soft Computing компонентлари –
нейрон тўрлари, арилар колонияси алгоритмлари) фойдаланишидан иборат.

Диссертациянинг иккинчи

“Суст шаклланган жараёнлар ҳолатини

интеллектуал таҳлиллаш моделларини норавшан қоида хулосаларига
асосланган ҳолда қуриш усулларини ишлаб чиқиш”

бобида норавшан

қоида хулосаларига асосланган суст шаклланган жараёнлар ҳолатини
интеллектуал таҳлиллаш мантиқий моделларини қуриш усуллари ишлаб
чиқилган.

Суст

шаклланган

жараён

ҳолатини

интеллектуал

таҳлиллаш

моделларини бир қатор олимлар ишларида келтирилгани каби қуйидаги
норавшан

қоидалар

хулосалари

ёрдамида

тавсифланади

[Л.Заде,

А.П.Ротштейн, Р.А.Алиевлар]:

)

,...,

,

(

билан

вазн

,

2

1

1

1

,

n

j

j

k

p

n

i

jp

jp

i

i

x

x

x

f

y

w

a

x

j

 

. (1)


background image

14

Бу ерда

jp

i

a

,

-

jp

қаторнинг

i

x

ўзгарувчисини ифодаловчи лингвистик терм;

jp

w

-

jp -

қоиданинг вазн коэффициенти;

)

,...,

,

(

2

1

n

j

j

x

x

x

f

y

-

норавшан

қоиданинг чиқиши.

Норавшан қоидалар хулосалари ёрдамида тавсифланувчи суст

шаклланган жараён ҳолатини интеллектуал таҳлиллашнинг уч хил
кўринишдаги норавшан моделлари ишлаб чиқилди.

1. Чиқиши ночизиқли боғланиш кўринишдаги жараён ҳолатини

синфлаштириш, баҳолаш ва башоратлашнинг норавшан модели:

 

 

.

...

билан

вазн

,

1

1

1

1

,

1

)

1

(

0

H

h

h

n

j

h

j

j

j

k

p

n

i

jp

jp

i

i

x

b

x

b

b

y

w

a

x

hn

n

h

j

 

(2)

2. Чиқиши чизиқли боғланиш кўринишидаги жараён ҳолатини

синфлаштириш, баҳолаш ва башоратлашнинг норавшан модели:

n

j

j

j

j

k

p

n

i

jp

jp

i

i

x

b

x

b

b

y

w

a

x

n

j

...

билан

вазн

,

1

1

1

,

1

0

 

. (3)

3. Чиқиши норавшан термлар кўринишидаги жараён ҳолатини

синфлаштириш, баҳолаш ва башоратлашнинг норавшан модели:

.

,

1

,

билан

вазн

,

1

1

,

M

j

r

y

w

a

x

j

j

k

p

n

i

jp

jp

i

i

j

 

(4)

Суст шаклланган жараёнлар ҳолатини интеллектуал таҳлиллашнинг

норавшан мантиқий моделини қуришда етти қадамдан иборат норавшан
кластерлаш алгоритми ишлаб чиқилди.

Норавшан модел қуришда турли тегишлилик функциялари ҳолатида

нейрон тўрлари ҳамда арилар колонияси алгоритми асосида модел
параметрларини созлаш, яъни мантиқий норавшан моделни ўқитиш
масалалари ечилган. Ўқитишнинг моҳияти норавшан аппроксимациялар
натижалари ва объектнинг ҳақиқий хусусиятлари ўртасидаги фарқни энг кам
даражага келтирувчи оптималлаштириш масаласини ечишдан иборат.

Суст шаклланган жараёнлар ҳолатини интеллектуал таҳлиллаш

норавшан мантиқий модели параметрларини нейрон тўрлари ҳамда арилар
колонияси алгоритмлари билан созлаш мутлақо янгича сифат касб этади.
Бундай созлаш натижасида олинадиган модел интеллектуал хусусиятга эга
бўлади. Диссертация ишида тегишлилик функциялари гаусс шаклидаги,
қўнғироқсимон, параболик кўринишдаги, учбурчак шаклдаги ва трапеция
шаклдаги турларга эга бўлганда модел параметрларини нейрон тўрлар ҳамда
арилар колонияси алгоритмлари билан созлаш жараёни кўриб ўтилган.

1.

Нейрон тўрлари асосида суст шаклланган жараёнлар ҳолатини

интеллектуал таҳлиллаш модели параметрларини созлаш:

Ўқитиш учун нейрон тўрлар назариясида қўлланилувчи

min

ˆ

2

1

1

2

M

j

j

j

y

y

E

(5)

мезонни минималлаштирувчи турли тегишлилик функциялари бўлган
ҳолатдаги рекуррент муносабатлар тизимидан фойдаланилди (1-жадвалга
қаранг).


background image

15

1-жадвал.

Турли тегишлилик функциялари бўлган ҳолатдаги модел параметрларини

созлаш рекуррент муносабатлари

Тегишлилик функцияси

Рекуррент муносабатлар

Гаусс туридаги:



 

2

exp

)

(

c

x

x

,

)

(

)

(

)

(

2

)

(

)

(

)

(

)

(

)

(

ˆ

)

(

)

1

(

2

*

*

2

1

1

1

1

jp

i

i

jp

i

jp

i

i

m

j

d

m

j

d

j

m

j

d

j

i

jp

n

i

i

jp

jp

t

t

jp

i

jp

i

x

с

x

y

y

d

y

d

x

x

w

y

y

t

c

t

c

j

j

j

.

)

(

)

(

)

(

2

)

(

)

(

)

(

)

(

)

(

ˆ

)

(

)

1

(

3

*

2

*

2

1

1

1

1

jp

i

i

jp

i

jp

i

i

m

j

d

m

j

d

j

m

j

d

j

i

jp

n

i

i

jp

jp

t

t

jp

i

jp

i

x

с

x

y

y

d

y

d

x

x

w

y

y

t

t

j

j

j

Қўнғироқсимон:

2

1

1

)

(

 

с

x

x

 

,

)

(

)

(

)

(

2

)

(

)

(

)

(

)

(

)

(

ˆ

)

(

)

1

(

2

2

*

2

*

2

2

1

1

1

1

jp

i

i

jp

i

jp

i

i

jp

i

m

j

d

m

j

d

j

m

j

d

j

i

jp

n

i

i

jp

jp

t

t

jp

i

jp

i

c

x

c

x

y

y

d

y

d

x

x

w

y

y

t

c

t

c

j

j

j

.

)

(

)

(

)

(

2

)

(

)

(

)

(

)

(

)

(

ˆ

)

(

)

1

(

2

2

*

2

2

*

2

1

1

1

1

jp

i

i

jp

i

jp

i

i

jp

i

m

j

d

m

j

d

j

m

j

d

j

i

jp

n

i

i

jp

jp

t

t

jp

i

jp

i

c

x

c

x

y

y

d

y

d

x

x

w

y

y

t

t

j

j

j

Параболик кўринишдаги:

2

1

)

(

 

с

x

x

,

)

(

)

(

2

)

(

)

(

)

(

)

(

)

(

ˆ

)

(

)

1

(

2

*

2

1

1

1

1

jp

i

jp

i

i

m

j

d

m

j

d

j

m

j

d

j

i

jp

n

i

i

jp

jp

t

t

jp

i

jp

i

с

x

y

y

d

y

d

x

x

w

y

y

t

c

t

c

j

j

j






background image

16

.

)

(

)

(

2

)

(

)

(

)

(

)

(

)

(

ˆ

)

(

)

1

(

3

2

*

2

1

1

1

1

jp

i

jp

i

i

m

j

d

m

j

d

j

m

j

d

j

i

jp

n

i

i

jp

jp

t

t

jp

i

jp

i

с

x

y

y

d

y

d

x

x

w

y

y

t

t

j

j

j





Учбурчаксимон
кўринишдаги:

.

холларда

бошка

,

0

,

,

,

,

)

(

c

x

b

c

b

c

x

b

x

a

а

b

a

x

х

,

)

(

)

(

)

(

)

(

)

(

)

(

ˆ

)

(

)

1

(

2

2

1

1

1

1

jp

i

jp

i

jp

i

i

m

j

d

m

j

d

j

m

j

d

j

i

jp

n

i

i

jp

jp

t

t

jp

i

jp

i

a

b

b

x

y

y

d

y

d

x

x

w

y

y

t

a

t

a

j

j

j





,

)

(

)

(

)

(

)

(

)

(

)

(

ˆ

)

(

)

1

(

2

2

1

1

1

1

jp

i

jp

i

jp

i

i

m

j

d

m

j

d

j

m

j

d

j

i

jp

n

i

i

jp

jp

t

t

jp

i

jp

i

c

b

b

x

y

y

d

y

d

x

x

w

y

y

t

c

t

c

j

j

j





агар

b

x

a

бўлса,

,

)

(

)

(

)

(

)

(

)

(

)

(

ˆ

)

(

)

1

(

2

2

1

1

1

1

jp

i

jp

i

i

jp

i

m

j

d

m

j

d

j

m

j

d

j

i

jp

n

i

i

jp

jp

t

t

jp

i

jp

i

а

b

x

a

y

y

d

y

d

x

x

w

y

y

t

b

t

b

j

j

j





агар

c

x

b

бўлса,

.

)

(

)

(

)

(

)

(

)

(

)

(

ˆ

)

(

)

1

(

2

2

1

1

1

1

jp

i

jp

i

i

jp

i

m

j

d

m

j

d

j

m

j

d

j

i

jp

n

i

i

jp

jp

t

t

jp

i

jp

i

c

b

x

c

y

y

d

y

d

x

x

w

y

y

t

b

t

b

j

j

j





n

i

i

jp

jp

m

j

d

m

j

d

j

m

j

d

j

t

t

jp

jp

x

w

y

y

d

y

d

y

y

t

w

t

w

j

j

j

1

2

1

1

1

)

(

)

(

)

(

)

(

ˆ

)

(

)

1

(

.


background image

17

2.

Суст шаклланган жараёнлар ҳолатини интеллектуал таҳлиллаш

норавшан модели параметрларини арилар колонияси – эволюцион алгоритми
асосида созлаш жараёни кўриб ўтилади. Ушбу алгоритм арилар
колониясидаги ариларнинг ҳаракат хусусиятларидан келиб чиққан ҳолда
ишлаб чиқилган.

Арилар колонияси алгоритми асосида модел параметрларини

созлашнинг асосий моҳияти модел чиқиш натижалари ва объектнинг ҳақиқий
хусусиятлари ўртасидаги фарқни энг кам даражага келтирувчи модел
параметрлари қийматларини танлаб олишдан иборат. Ушбу алгоритмни
қуйидаги қадамлар асосида ифодалаш мумкин:

1-қадам.

Инициализациялаш. Бунда totalNumberBees – арилар сони,

numberInactive – фаол бўлмаган арилар сони, numberScout – кузатувчи арилар
сони, maxNumberVisits – ҳар бир нектарга киришлар сони, maxNumberCycles
– такрорланишлар сони,

a

,

b

,

c

ва

w

параметрлар қийматларининг оралиқлари

аниқланади.

2-қадам.

Кузатувчи арилар томонидан дастлабки яқин атрофдаги

нектарларни қидириб топиш. Бунда параметрларнинг дастлабки қийматлари
аниқланади ва топилган натижалар BS матрицага сақланади.

3-қадам.

Waggle dance – кузатувчи ариларнинг рақси. Бунда аниқланган

нектарлар орасидан энг оптималлари (нектар миқдори кўплари, ёки энг яқин
масофадагилари) BS матрицадан WG матрицага ўтказилади.

Waggle dance давомийлиги

A

d

D

i

i

формула асосида ҳисобланади. Бу

ерда А- масштаблаштириш коэффициенти;

i

d

- рақс тушаётган

i

– кузатувчи

ари томонидан топилган нектарнинг нисбий фойдалилиги, сифати ва
миқдорини кўрсатувчи катталик.

4-қадам.

i

– кузатувчи ари бераётган маълумотни бошқа ишчи арилар

томонидан танланиш эҳтимоллигини

i

p

ҳисоблаш.

Кузатувчи арилардан олинган WG матрица асосида ишчи арилар

нектарни ташийди ва шу нектар атрофида янги нектарлар (параметрлар
қийматлари) қидириб топади. Топилган маълумотлар NW матрицага
киритилади.

5-қадам.

NВ матрицани шакллантириш. Кузатувчи арилар WG

маълумотлар асосида нектарларни ташийди ва энг оптимал қийматларни
берувчи натижа аниқланиб best ўзгарувчига ўзлаштирилади. Олинган
натижалар NВ матрицага сақланади.

6-қадам.

Мавжуд NW, NB, WG матрицалар асосида янги W ечимлар

архивини шакллантириш.

7-қадам

.

Параметрларнинг

оптимал

қийматларини

аниқлаш.

min

)

ˆ

)

,

,

,

,

(

(

2

1

1

2

M

j

j

j

y

d

c

b

a

w

f

E

мезон шарти бажарилган ҳолатда ёки

ўрнатилган maxNumberCycles қадамлар сонигача такрорланишлар амалга
оширилган ҳолатда WG дан параметрларнинг энг оптимал қийматлари
аниқланади. Бу ерда

d

c

b

a

w

f

j

,

,

,

,

- ишлаб чиқилаётган модел чиқиши,

w –


background image

18

қоидалар вазнлари

,

j

y

ˆ - объектнинг ҳақиқий хусусиятлари,

a, b

ва

c

тегишлилик функциялари параметрлари.

8-қадам

.

Ўрнатилган мезон шарти бажарилмаган ҳолда 2-қадамга ўтиш.

Алгоритмнинг ҳар бир қадамида модел параметрларининг қийматлари

ўз оптимал қийматига яқинлашиб боради.

Суст шаклланган жараёнлар ҳолатини интеллектуал таҳлиллаш

моделини қуриш жараёнида бир қатор мезонларни қаноатлантирувчи
оптимал модел қуриш талаб этилади.

Диссертациянинг учинчи

“Норавшан моделларни қуриш жараёнида

шаклланган кўпмезонли оптималлаштириш масалаларини ечиш
алгоритмини ишлаб чиқиш”

бобида суст шаклланган жараёнлар ҳолатини

интеллектуал таҳлиллашнинг норавшан қоида хулосаларига асосланган
мантиқий моделини норавшан кластерлаштириш усули ёрдамида қуриш
алгоритмини ишлаб чиқиш ва модел қуришда шаклланган кўп мезонли
норавшан оптималлаштириш масаласини ечиш кўриб ўтилган.

Норавшан мантиқий модел параметрларини созлаш алгоритми икки

босқичдан иборат. Биринчи босқичда объект чиқишининг тўрнинг берилган
архитектурасига мос бўлган модел қийматлари (

y

) ҳисобланади. Иккинчи

босқичда эса оғишлар қиймати (

E

) ҳисобланади ва тегишлилик функцияси

параметрлари ҳисобланади.

Бу жараёнда энг юқори қийматларни берувчи функциялар ёрдамида

норавшан қоида хулосаларидан иборат (2)-(4) кўринишдаги модел қурилади.
Бунда

b

ji

(i=1,2,…,m; j=0,1,2,…,t)

коэффициентлар қийматларини топиш

талаб этилади.

Модел чизиқли бўлган ҳолатида

n

t

, ночизиқли бўлган ҳолатда эса

Q

t

бўлади.

Топилган коэффициентлар қийматлари (5) квадратик четланишни

минималлаштирувчи қийматлар ҳисобланади.

Кирувчи

)

,...,

,

(

,

2

,

1

,

n

r

r

r

r

x

x

x

X

вектор қуйидагича норавшан чиқишга эга

бўлади:

m

j

r

d

m

j

j

r

d

r

x

у

x

y

j

j

1

1

)

(

)

(

. j-қоида хулосасининг бажарилиш даражаси

)

(

...

)

(

)

(

)

(

2

1

rn

k

j

r

k

j

r

k

j

r

y

x

x

x

x

j

j

j

j

ифода ёрдамида аниқланади.

m

k

r

y

r

y

jr

x

x

j

j

1

)

(

)

(

ифода орқали эса

r

X

кирувчи вектор учун j-қоида

хулосасининг бажарилиш нисбий даражаси аниқланади.

У ҳолда:

а) чиқиши чизиқли боғланиш кўринишида бўлганида:

)

...

(

1

1

0

1

1

n

n

j

j

j

r

j

r

r

j

m

j

m

j

r

j

r

j

r

r

x

b

x

b

b

y

y

.

б) чиқиши ночизиқли боғланиш кўринишида бўлганида:


background image

19

).

...

...

...

(

1

)

1

(

1

)

1

(

1

1

0

1

1

H

H

j

n

h

n

h

j

n

n

j

j

j

r

j

r

r

j

r

r

j

r

r

j

m

j

m

j

r

j

r

j

r

r

x

b

x

b

x

b

x

b

b

y

y

j

r

параметрнинг қийматлари тегишлилик функциясининг турига боғлиқ

равишда турлича ҳисобланади (2-жадвалга қаранг):

2-жадвал.

Турли тегишлилик функциялари бўлган ҳолда

j

r

параметрни

ҳисоблаш

Тегишлилик функцияси

j

r

параметр қиймати

Гаусc туридаги:



 

2

exp

)

(

c

x

x

.

2

1

exp

/

2

1

exp

1

2

1

1

2











m

k

t

i

ik

ik

ri

t

i

ij

ij

r

r

c

x

c

x

i

j

Қўнғироқсимон:

2

1

1

)

(

 

с

x

x

.

1

1

/

1

1

1

1

2

1

2



 







m

k

t

i

ik

ik

ri

t

i

ij

ij

r

r

c

x

c

x

i

j

Параболик кўринишдаги:

2

1

)

(

 

с

x

x

.

1

/

1

1

1

2

1

2



 











m

k

t

i

ik

ik

ri

t

i

ij

ij

r

r

c

x

c

x

i

j

Учбурчаксимон
кўринишдаги:

.

холларда

бошка

,

0

,

,

,

,

)

(

c

x

b

c

b

c

x

b

x

a

а

b

a

x

х





 

 

.

агар

,

/

,

агар

,

/

1

1

1

1

1

1

c

x

b

с

b

с

x

с

b

с

x

b

x

a

а

b

a

x

а

b

a

x

m

k

t

i

ik

ik

ik

r

t

i

ij

ij

ij

r

m

k

t

i

ik

ik

ik

r

t

i

ij

ij

ij

r

r

i

i

i

i

j

Қуйидагича белгилашни киритамиз:

T

M

y

y

y

Y

,...,

,

2

1

,

T

M

y

y

y

Y

ˆ

,...,

ˆ

,

ˆ

ˆ

2

1

,

m

M

t

M

M

n

M

m

M

M

m

M

M

m

t

n

m

m

x

x

x

x

x

x

x

x

A

,

,

1

,

,

,

1

1

,

1

,

1

1

,

,

1

,

,

1

,

1

1

,

1

,

1

,

1

1

,

1

1

,

1

1

,

1

,

1

1

,

1

,...,

...,

,

,...,

,

,...,

,...,

...,

,

.

,...,

,

,...,

.

У ҳолда (5) масала қуйидаги матрица кўринишига келтириб олинади:

қуйидаги шарт қаноатлантирувчи

В

вектор топилсин:

min

)

ˆ

(

)

ˆ

(

Y

Y

Y

Y

E

T

. (6)

Ушбу (6) масала қуйидаги тенглама орқали ифодаланади:

B

A

Y

.


background image

20

Суст шаклланган жараёнлар ҳолатини интеллектуал таҳлиллаш

моделини қуриш жараёнида кўпмезонли оптималлаштириш масаласи
вужудга келади.

Умумий ҳолда кўп мезонли оптималлаштириш масаласи қуйидаги

кўринишга эга бўлади:

 

   

 

X

x

x

f

x

f

x

f

x

f

T

q

min,

,...,

,

2

1

(7)

бу ерда

 

n

j

j

kj

k

x

c

x

f

1

,

.

0

,

|

,

,...,

2

,

1

x

K

Ax

R

x

x

q

Q

k

n

K={y

b

y

R

y

m

,

}

Норавшан мақсадга эга бўлган кўп мезонли оптималлаштириш масаласи

қуйидаги шартни қаноатлантирадиган

х

ни топишни назарда тутади:

k

g

~

={z

k

Q

g

z

R

z

,

},

 

,

,

,...,

2

,

1

,

~

X

x

Q

k

g

x

f

k

k

(8)

 

 

 

 

 



.

,

0

;

,

,

1

;

,

1

k

k

k

k

k

k

k

k

k

k

k

k

k

k

t

g

x

f

t

g

x

f

g

t

g

x

f

g

x

f

x

f

(9)

Бу ерда

k

g

~

- норавшан тўплам.

(8) норавшан масалани ечиш ҳар бир

кесимда қуйидаги равшан

масалани ечишга айлантирилиши мумкин:

 

.

,

max,

X

x

x

f

k

k

Агар барча

y

лар учун

 

 

0

x

f

y

f

k

k

k

k

ва ҳеч бўлмаганда битта

y

учун

 

 

0

s

x

f

y

f

s

s

s

тенгсизлик бажарилса,

X

x

0

ечим Парето оптимал ечим

деб аталади.

Агар Парето туридаги мезон бўйича

0

x

га нисбатан яхшироқ бўлган

X

y

мавжуд бўлмаса,

X

x

0

ечим Парето туридаги мезон бўйича оптимал

деб аталади.

Норавшан муҳитда Парето туридаги мезон бўйича ечимнинг

яхшиланувчанлиги тушунчасинини киритамиз: агар Парето туридаги мезон
бўйича

у

ечимдан кўра яхшироқ бўлган

X

x

0

ечим мавжуд бўлса,

X

y

ечим яхшиланувчан деб аталади.

1-тасдиқ.

X

x

0

ечим

кўп

мақсадли

норавшан

ечимлар

 

   

 

x

f

x

f

x

f

x

f

p

,...,

,

2

1

ни қабул қилишда фақат ва фақат барча

Q

k

,...,

1

лар

ва ҳеч бўлмаганда битта

Q

s

,...,

1

учун

 

 

s

0

0

,

c

x

f

c

x

f

s

s

k

k

k

тенгсизлик бажариладиган

Q

R

вектор мавжуд бўлган ҳолдагина

яхшиланувчан ҳисобланади, бу ерда

k

k

c

c

,

 

.

min

max

k

k

k

k

y

y

f

c

2-тасдиқ. Айтайлик,

 

y

f

k

нинг (9) даги сингари аниқланадиган

 

y

f

k

k

тегишлилик функцияси,

0

x

- масаланинг яхшиланаётган оптимал

ечими бўлсин:


background image

21

max

1

Q

k

k

,

 

.

0

,

,

,...,

1

,

*

k

k

k

k

X

x

Q

k

x

f

(9)

У ҳолда

X

x

0

ечим (7) масаланинг Парето – оптимал ечимидир..

Диссертациянинг

тўртинчи

“Оптималлаштириш

масаласини

параллел

ҳисоблаш

алгоритмлари

асосида

ечиш”

бобида

оптималлаштириш масаласини ечишда параллел ҳисоблаш технологияларига
асосланган алгоритмлар ишлаб чиқиш жараёни кўриб ўтилган. Бунда
оптималлаштириш масалаларини параллел ҳисоблаш технологияларидан
фойдаланган ҳолда ечиш учун рекуррент нейрон тўрлар – Хопфилд тўри ва
модификацион нейрон тўрларига асосланган алгоритмлар ҳамда арилар
колонияси алгоритмлари ишлаб чиқилган.

Бугунги кунда аксарият оптималлаштириш масалалари, шунингдек

комбинаторли оптималлаштириш масалалари NP-тўла мураккабликка эга
бўлган масала ҳисобланади. Ушбу оптималлаштириш масалаларини ечишда
нейрон тўрли ёндашувдан фойдаланиш оптимал ечимга эришиш жараёнини
сезиларли

даражада

тезлаштиради.

Берилган

коммивояжер

-

оптималлаштириш масаласи учун Хопфилд нейрон тўрининг мақсад функцияси
қурилди.

Биз аниқ бир оптималлаштириш масаласини параллел ҳисоблаш

технологиялари ёрдамида ечишда, масалани ечиш дастурини бош процессор
томонидан бир вақтнинг ўзида

N

та процессорга параллел юклаймиз. Ушбу

процессорлар бир-биридан мустақил равишда ўз оптимал (локал)
ечимларини ҳисоблаб топадилар. Барча процессорларда мавжуд, топилган
натижалар бош процессорга қайтадан тўпланади ва улар орасидан энг
оптимал қиймат олгани ва бу қийматни берган шаҳарлар кетма-кетлигини энг
оптимал ечим сифатида танланади. Бунда процессорлар сонининг ортиши
оптимал ечимни топилиш эҳтимоллигини ошириш билан бир қаторда
ҳисоблаш вақтини ҳам ошишига олиб келиши мумкин.

Ишлаб чиқилган алгоритмлар асосида олинган натижалар таҳлили

таклиф этилаётган алгоритмларимиз натижалари глобал оптимумга жуда
яқин эканлигини кўрсатди. Аммо таъкидлаш жоизки, ушбу алгоритм асосида
масала ечиш вақтида жуда кўп итерацион ҳисоблашлар талаб қилинади.
Ушбу муаммони бартараф этиш мақсадида параллел ҳисоблаш технологияси
учун модефикацион нейрон тўр алгоритми ишлаб чиқилди.

Қўйилган оптималлаштириш масаласини ечиш учун қуйидаги

дифференциал тенглама билан ифодаланадиган рекуррент нейрон тўр таклиф
қилинади:

 

 

,

exp

2

)

(

1

1



t

r

t

x

t

x

t

t

u

ij

n

k

n

l

lj

ik

ij

(10)

бу ерда

)

exp(

1

1

)

(

)),

(

(

u

u

t

u

x

ij

ij

.

Кўриниб турибдики, ушбу ҳолда ҳам Хопфильд тўридаги каби

n

n

ўлчамли матрица вужудга келади. Аммо ушбу ҳолда нейронлар “ҳар бири


background image

22

ҳар бири билан” тамойили бўйича эмас, балки сатрлар ва устунлар бўйича
ўзаро таъсирлашадилар. Маълумки, ушбу масалани Хопфильд тўри ёрдамида
ечишда

4

n

тагача итерацион ҳисоблашлар амалга оширилиши мумкин.

Таклиф этилаётган модефикацион нейрон тўрдан фойдаланилган ҳолда эса
итерацион ҳисоблашлар сонини Хопфильд тўридагига нисбатан

2

n

мартагача

камайтириш мумкин.

Таклиф этилаётган нейрон тўр ёрдамида ечиш учун (10) тенгламанинг

чекли айирмаларга асосланган вариантини қуйидаги кўринишда ифодалаш
мумкин:

 

,

exp

2

1

1

1



t

r

x

t

x

t

u

u

ij

n

k

n

l

lj

ik

t

ij

t

ij

(11)

бу ерда

t

- вақт бўйича қадам ва ушбу параметр қиймати [0,1] оралиқдаги

қийматларни олиши мумкин.

,

,

,

параметрлар эса тажрибалар асосида

танлаб олинади ва масала ечимига эришиш тезлиги ва ушбу ечим сифатига
жиддий таъсир кўрсатади. Кузатишларнинг кўрсатишича

t

1

бўлганда

самарали натижа олиш имконияти ортар экан. Бунда

t

– итерацион қадамлар

сони.

Олинган натижалар таҳлили шуни кўрсатдики, таклиф этилаётган

сунъий нейрон тўрли алгоритмларимиз натижалари Хопфилд нейрон тўри
асосида қурилган алгоритмларитм натижаларига нисбатан ишлаш тезлиги ва
кам ҳисоблаш ресурсларини талаб қилиш хусусиятлари бўйича самаралироқ
экан.

Параллел ҳисоблаш технологияларида арилар колонияси алгоритми

ёрдамида оптималлаштириш масаласини ечиш сезиларли даражада тез ва
самарали натижа беришини кузатиш мумкин.

Солиштириш мақсадида коммивояжер тест масаласини Хопфилд нейрон

тўри ва арилар колонияси алгоритмлари ёрдамида параллел ҳисоблаш
технологиясида ечиш жараёнлари кўриб ўтилди.

Масалаларни параллел ҳисоблаш технологиясида ечишда бир марта

уруниш асосида оптимал ечимни олиш кўзда тутилган. Бунда ечилаётган
масаланинг сифатини, ишончлилигини ошириш мақсадида бир дастур,
масала тўлалигича бир нечта процессорларга юклатилди. Процессорлардан
олинган ечимлар орасидан энг мақбул (оптимум) ечим қабул қилинади.

Ушбу масалани ечиш учун Java дастурлаш тилида FMPJ кутубхонасидан

фойдалди. Масалани ечишда икки процессорли ва икки ядроли
параметрларга эга бўлган 15 та компютердан (жами 60 та процесс)
фойдаланилди.

Ушбу масалани Хопфилд нейрон тўри учун тугун нуқталар сони 10 та

бўлганда, арилар колонияси алгоритми учун эса тугун нуқталар сони 1000
бўлган ҳоллар учун ҳисоблаш экспериментлари ўтказилти.

Қуйида (2,3-расмларга қаранг) Хопфилд тўри ёрдамида ва арилар

колонияси алгоритмлари ёрдамида олинган натижалар график тасвири
келтирилган:


background image

23

2 – расм. Хопфилд тўри ёрдамида олинган натижалар: Оптимал йўналиш

узунлигини процессорлар сонига боғлиқлик графиги

3 – расм. Арилар колонияси алгоритми ёрдамида олинган натижалар:

Оптимал йўналиш узунлигини процессолар сонига боғлиқлик графиги

Диссертациянинг

бешинчи

“Норавшан

қоида

хулосаларига

асосланган интеллектуал таҳлиллаш моделини қуриш дастури асосида
ҳисоблаш экспериментларини ўтказиш”

бобида суст шаклланган

жараёнлар ҳолатини синфлаштириш, баҳолаш ва башоратлашнинг норавшан
қоида хулосаларига асосланган мантиқий моделини қуриш дастури ёрдамида
ҳисоблаш эксперименти натижалари келтирилган.

Ишлаб чиқилган дастур ёрдамида бир қатор ирис гули масаласи (Iris

Data Set), шиша масаласи (Glass Identification Data Set), диабет хасталигини
ташхис қилиш масаласи (Pima Indians Diabetes)

,

экология масаласи (Ecoli

Data Set), хаберман масаласи (Haberman's Survival Data Set), вино масаласи
(Wine Data Set), жигар масаласи (Liver) каби масалалари (3-жадвалга қаранг)
устида синфлаштириш ва баҳолаш масалалари ечилди ва мавжуд бошқа
модел ва алгоритмлар натижалари билан солиштирма тахлил ўтказилди .

3-жадвал.

Модел масалаларнинг параметрлари

Масаланинг номи

Синфлар сони

Белгилар сони

Объектлар сони

Шиша (Glass)

7

9

214

Хаберман (Haberman)

2

4

306

Ирис (Iris)

3

4

150

Экология (Ecoli)

8

7

336

Диабет (Pima)

2

8

768

Вино (Wine)

3

13

178

Жигар (Liver)

2

6

345

Тажрибавий тадқиқотни амалга ошириш учун нейроноравшан

ёндашувли усулни қўллаш асосий мақсад қилиб олинди ва қуйидаги
масалалар ечилди:


background image

24

норавшан қоидалар базасини ҳосил қилиш ҳамда норавшан қоидалар
базасининг норавшан модели параметрларини нейрон тўрлар ёрдамида
созлаш орқали қоидалар тўпламини қисқартириш баробарида юқори
самарадорликка (таниб олишнинг юқори фоиздаги кўрсаткичига)
эришувчи баҳолаш нейроноравшан моделини қуриш.

турли масалаларда олинган натижаларнинг қиёсий таҳлилини
жадвалли ва графикли кўринишда амалга ошириш.

Таклиф қилинаётган усул ва мавжуд усуллар ёрдамида шиша, ирис ва

вино масалалари ечилди ҳамда олинган натижалар солиштирилди (4-
жадвалга қаранг).

4-жадвал.

Таклиф этилаётган усулнинг мавжуд усуллар билан солиштирма

натижалари

Масала

Таклиф
этилган усул

GBC

SGF

SVM 1NN

KNN Conventional

RBF network

Шиша (Glass)

87.85

84.27

75.74 71.50 72.01 72.01 69.16

Ирис (Iris)

98.3

98.00

97.33 97.33 96.00 95.33 95.33

Вино (Wine)

98.88

100

99.44 99.44 95.52 96.07 98.89

Бунда кўриб ўтилган алгоритмлар натижаларидан энг яхшилари

келтирилган. Аниқ бир масала учун олинган энг яхши натижалар ажратиб
кўрсатилган.

Шунингдек GBC (Gravitation Based Classification) алгоритми, SVM

алгоритми ва биз таклиф қилаётган усулларнинг турли даражадаги
натижалари солиштирилган (5-жадвалга қаранг).

5-жадвал.

Таклиф этилаётган усулнинг мавжуд усуллар билан солиштирма

натижалари

Таклиф этилган усул GBC

SVM

Ж

уда

ём

он

Ж

уда

яхши

Ём

он

Ж

уда

ём

он

Ж

уда

яхши

Ём

он

Ж

уда

ём

он

Ж

уда

яхши

Ём

он

Хаберман
(Haberman)

82.7

87.5

85.1

75.2

86.7

81.5

72.3

82.1

78.8

Жигар (Liver)

78.4

86

82.3

63.5

72.8

67.1

60.4

68.3

65.5

Экология
(Ecoli)

88.5

94.2

91.8

89.7

98.5

95.5

89.4

94.4

92.3

Биз таклиф этаётган усулнинг самарадорлигини кўрсатиш мақсадида

диабет масаласини таклиф этилган усул ва мавжуд усуллар ёрдамида олинган






background image

25

6-жадвал.

Таклиф этилаётган усулнинг мавжуд усуллар билан солиштирма

натижалари

Масала Таклиф

этилаётган усул

DGC

Fuzzy integral-based
perceptron

SAMGA

Диабет
(Pima)

87.2

81.82

74.81

73.00

натижалар билан солиштирилди (6-жадвалга қаранг). Натижада биз таклиф
қилаётган норавшан модел кўрилган ушбу масалада бошқа усулларга
нисбатан яхшироқ натижа берди.

Синов жараёнлари ҳар бир масала учун 10 (10х10) мартали cross-

validationдан фойдаланган ҳолда амалга оширилган.

Таклиф этилаётган усулнинг натижалари бошқа бир қатор

синфлаштириш усуллари натижаларига (жумладан CBA, GBC, SGF, SAMGA,
C4.5-type, 1NN, KNN, Fuzzy integral based perceptron, Conventional RBF
network, GARC ва SVM классификаторлар) қараганда аниқлиги юқорироқ
эканлиги кузатилди.

Норавшан қоида хулосаларига асосланган модел қуриш дастури

ёрдамида тиббиётдаги амалий “Туғруққача ва туғруқдан кейинги оналар
ўлими” масаласи ечилди. Ушбу масалада оналарни туғруққача ва туғруқдан
кейинги вақтдаги ўлимини 67 белги асосида баҳолаш, синфлаштириш ва
башоратлаш масаласи ечилди.

Натижада синфлаштириш жараёнида 12,5–3% гача синфлаштиришдаги

хатоликлар кузатилди. Норавшан модел асосида ушбу масала ечилганида
ундаги хатолик даражаси сезиларли даражада катта бўлди. Қуйида (7-
жадвалга қаранг) таклиф этилаётган усул ва норавшан модел асосида олинган
натижалар солиштирма таҳлили келтирилди:

7-жадвал.

Таклиф этилаётган усул ва норавшан модел асосида олинган

натижаларнинг солиштирма таҳлили

Қуйи

Ўрта

Яхши

Таклиф этилган усул

87.5%

93.75%

96.9%

Норавшан

54%

57%

75%

Одатда тиббиётдаги масалаларда синфлар бир-бири билан кесишади, ёки

бир-бирига суқулиб кирган бўлади. Бундай ҳолларда равшан усуллар
ёрдамида синфлаштириш масаласи ечилганида самарали натижа бермаслиги
мумкин. Якуний таҳлил шуни кўрсатдики, таклиф этилган гибрид усуллар
суст шаклланган жараёнлар ҳолатини интеллектуал таҳлиллаш масалаларини
ечишда самарали натижалар бериши мумкин экан.



background image

26

ХУЛОСА

Диссертация ишининг асосий натижаларининг таҳлили қуйидаги

хулосаларни келтириб чиқарди.

1.

Суст шаклланган тизимларда синфлаштириш, баҳолаш ва

башоратлаш масалаларининг норавшан моделларини қуриш муаммоларини
тизимли таҳлил қилиниши уларни ечиш усулларини ишлаб чиқиш
долзарблиги ва заруратини асослаб беради.

2.

Математик таҳлил натижаси тадқиқот предмети тўғрисидаги жорий

маълумотнинг моделлаштириш жараёнида қай даражада мақсадли
ишлатилганлигини, яъни модел адекватлигини таъминлаш муҳим аҳамиятга
эга эканлигини кўрсатади.

3.

Жараён ҳолатини интеллектуал таҳлиллашнинг норавшан моделини

қуриш алгоритми жараён ҳақидаги маълумотлар суст шакллантирилганлик,
норавшанлик хусусиятларига эга бўлганда синфлаштириш, баҳолаш ва
башоратлаш масалаларини ечиш имконини беради.

4.

Суст шаклланган жараёнлар ҳолатини интеллектуал таҳлиллаш

норвшан моделини қуриш жараёнида шаклланувчи норавшан кўпмезонли
оптималлаштириш масалаларини таҳлил қилиш норавшан ахборотлар
ҳолатида жараён ҳолатини синфлаштириш, баҳолаш ва башоратлаш
моделларини қуриш жараёнида шаклланувчи кўпмезонли оптималлаштириш
масалаларини ечиш имконини яратади.

5.

Ишлаб чиқилган алгоритмлар, яратилган дастурий воситалар асосида

моделли синфлаштириш, баҳолаш ва башоратлаш масалаларини ечиш бўйича
эксперементал тадқиқотлар ўтказилиши ҳамда уларни мавжуд алгоритмлар
натижалари

билан

солиштирилиши

таклиф

этилаётган

усуллар

самарадорлигини кўрсатади.

6.

Норавшан ахборотлар шароитида жараён ҳолатини интеллектуал

таҳлиллашнинг синфлаштириш, баҳолаш ва башоратлаш моделини норавшан
кластеризация усули асосида қуришдан олинган натижалар таҳлили шуни
кўрсатдики, норавшан ёндашув ҳар қандай таянч маълумотларга суянишни
ва аниқлик даражаси ҳамда бошланғич маълумотларнинг мавжудлиги бўйича
адекват норавшан ечимни олишни таъминлайди.

7.

Норавшан модел қуриш жараёнида шаклланган норавшан

кўпмезонли оптималлаштириш масаласи ечимларини яхшиланувчанлик
хусусиятларини аниқланиши бир қатор амалий масалаларни ечишда
самарали натижа олишга кўмак беради.

8.

Суст шаклланган жараёнлар ҳолатини интеллектуал таҳлиллаш

моделларини қуриш алгоритмларини ишлаб чиқиш амалий синфлаштириш,
баҳолаш ва башоратлаш масалаларининг самарали ечимини олиш имконияти
мавжудлигини кўрсатади.


background image

27

НАУЧНЫЙ СОВЕТ ПО ПРИСУЖДЕНИЮ УЧЕНОЙ СТЕПЕНИ

ДОКТОРА НАУК 16.07.2013.Т/FM.29.01 ПРИ ТАШКЕНТСКОМ

УНИВЕРСИТЕТЕ ИНФОРМАЦИОННЫХ ТЕХНОЛОГИЙ И

НАЦИОНАЛЬНОМ УНИВЕРСИТЕТЕ УЗБЕКИСТАНА

ТАШКЕНТСКИЙ УНИВЕРСИТЕТ

ИНФОРМАЦИОННЫХ ТЕХНОЛОГИЙ









МИНГЛИКУЛОВ ЗАФАР БОЗОРОВИЧ



МЕТОДЫ И АЛГОРИТМЫ ПОСТРОЕНИЯ НЕЧЕТКИХ МОДЕЛЕЙ

ИНТЕЛЛЕКТУАЛЬНОГО АНАЛИЗА СОСТОЯНИЙ

СЛАБОФОРМАЛИЗУЕМЫХ ПРОЦЕССОВ

05.01.03 – Теоретические основы информатики

(технические науки)



АВТОРЕФЕРАТ ДОКТОРСКОЙ ДИССЕРТАЦИИ











Ташкент – 2016


background image

28

Тема докторской диссертации зарегистрирована за № 30.06.2015/B2015.2.T531 в

Высшей аттестационной комиссии при Кабинете Министров Республики Узбекистан.

Докторская диссертация выполнена в Ташкентском государственном техническом

университете и Ташкентском университете информационных технологий.

Полный текст докторской диссертации размещен на веб-странице научного совета по

присуждению учёной степени доктора наук 16.07.2013.Т/FM.29.01 при Ташкентском университете
информационных технологий и Национальном университете Узбекистана по адресу www.tuit.uz.

Автореферат диссертации на трех языках (узбекский, русский, английский) размещен на веб-

странице по адресу www.tuit.uz и Информационно-образовательном портале «ZIYONET» по
адресу www.ziyonet.uz

Научный консультант:

Мухамедиева Дилноз Тулкуновна
доктор технических наук, профессор

Официальные оппоненты:

Усманов Ришат Ниязбекович
доктор технических наук

Набиев Озод Маликович

доктор технических наук, профессор

Рахимов Шавкат Хударгенович

доктор технических наук, профессор

Ведущая организация:

Ташкентский государственный технический университет

Защита диссертации состоится «26» февраля 2016 г. в 14

00

часов на заседании научного

совета 16.07.2013.Т/FM.29.01 при Ташкентском университете информационных технологий и
Национальном университете Узбекистана. (Адрес: 100202, Ташкент, ул. Амира Темура, 108. Тел.:
(99871) 238-64-43; факс: (99871) 238-65-52; e-mail: tuit@tuit.uz).

С докторской диссертацией можно ознакомиться в Информационно-ресурсном центре

Ташкентского университета информационных технологий (регистрационный номер №___). Адрес:
100202, Ташкент, ул. Амира Темура, 108. Тел.: (99871) 238-65-44.


Автореферат диссертации разослан «25» января 2016 года.

(протокол рассылки №___ от «25» января 2016 г.).




Х.К.Арипов

Председатель научного совета по присуждению

учёной степени доктора наук,

д.ф.-м.н., профессор

М.С.Якубов

Ученый секретарь научного совета по присуждению

учёной степени доктора наук, д.т.н., профессор

Т.Ф.Бекмуродов

Председатель научного семинара при Научном

совете по присуждению учёной степени доктора

наук, д.т.н., академик


background image

29

Введение (аннотация докторской диссертации)

Актуальность и востребованность темы диссертации.

Эксперты

Synergy Research отметили, что общий объём рынка нейронных сетей к 2005
году превысил 10 млрд. долларов, в 2014 году объем облачных сервисов
составил более 17 млрд. долларов, увеличившись на 45% в годовом
исчислении

1

. А также, в первом квартале 2015 года объем рынка сервисов,

предназначенных для развертывания облачных инфраструктур, превысил $5
млрд., где доля Amazon Web Services составила 29%. За счет динамического
увеличения продаж облачных услуг в январе-марте 2015 года доходы Google
увеличились на 74%, IBM – на 56%, а доходы Salesforce.com поднялись на
34%. Таким образом, в 2018 году на рынке публичных облачных сервисов
будут иметь место инвестиции в размере $127,5 млрд., а их размер к этому
времени будет увеличиваться в среднем на 22,8% в год, что в шесть раз
больше прогнозируемого роста глобального ИТ-рынка

2

.

Выявление скрытых закономерностей, классификация данных,

прогнозирование протекания процессов, а также анализ изучаемого процесса
при

больших

объемах

данных,

описывающих

состояние

слабоформализуемых процессов, и в условиях их неопределенности
являются основными задачами интеллектуального анализа данных. Для таких
процессов, характеризующихся нечеткостью ситуаций внешней и внутренней
среды, т.е. нестохастичностью и неполнотой исходной информации, обычно
невозможно построить простую адекватную математическую модель.
Информация о параметрах таких процессов обычно выражается экспертами в
виде слов и предложений, т.е. в лингвистической форме. В таких случаях при
моделировании,

принятии

решений

и

управлении

целесообразно

использовать средства технологии мягких вычислений (Soft Computing).

Гибридная система, полученная на основе объединения компонентов

технологии мягких вычислений – нечеткой логики, нейронных сетей и
эволюционных алгоритмов, будет обладать тем же интеллектуальным
свойством, что и применение знаний на естественном языке. В связи с этим
разработка алгоритмов и программ построения нечетких моделей задач
классификации, оценки, прогнозирования и принятия решений, основанных
на нечетких правилах вывода, нейронных сетях и эволюционных алгоритмах
является актуальной задачей.

Следовательно, возникает необходимость разработки методов и

алгоритмов решения задач интеллектуального анализа данных, то есть задач
построения нечетких моделей классификации, оценки и прогнозирования на
основе метода нечеткой кластеризации, настройки параметров модели с
помощью нейронных сетей и эволюционных алгоритмов, а также нечеткой
многокритериальной оптимизации, возникающей при построении модели.

Данное диссертационное исследование направлено на решение задач,

установленных Законом Республики Узбекистан «Об электронном
правительстве» за № ЗРУ-395 от 9 декабря 2015 года, Постановлениями

-----------------------------------

1

http://www.intuit.ru/studies/courses/3735/977/lecture/14689?page=2

2

http://www.tadviser.ru/index.php


background image

30

Президента Республики Узбекистан «О мерах по дальнейшему внедрению
информационно-коммуникационных технологий в реальный сектор
экономики» за № ПП-2158 от 3 апреля 2014 года, «О мерах по дальнейшему
развитию Национальной информационно-коммуникационной системы
Республики Узбекистан» за № ПП-1989 от 27 июня 2013 года, а также
Постановлением Кабинета министров Республики Узбекистан «О мерах по
формированию центральных баз данных физических и юридических лиц и
внедрению единой информационной системы идентификации пользователей
системы “Электронное правительство”» за № 365 от 17 декабря 2015 года.

Соответствие исследования приориететным направлениям развития

науки и технологий республики.

Диссертационная работа выполнена в

соответствии со следующими приоритетными направлениями развития науки
и технологий: ППИ-17 – «Разработка современных информационных систем,
интеллектуальных средств управления и обучения, научно-технических баз
данных и программных продуктов, обеспечивающих широкое развитие и
внедрение информационных и телекоммуникационных технологий»; ППИ-5
– «Разработка информационных технологий, телекоммуникацинных сетей,
аппаратно-программных средств, методов и систем интеллектуального
управления

и

обучения,

направленных

на

повышение

уровня

информатизации общества».

Обзор зарубежных научных исследований по теме диссертации.

На

сегодняшний день в научных центрах и высших учебных заведениях
развитых стран мира проводятся широкомасштабные научные исследования
в области моделирования слабоформализованных объектов и процессов,
распознавания образов в условиях неопределенности, построения
интеллектуальных систем, поддержки принятия решений и базы знаний и
управления в робототехнике, нечеткого моделирования, теории нечетких
логических выводов, применения методов и средств “мягких вычислений” в
различных прикладных системах, нейронных сетей и эволюционных
вычислений, в частности, Apple, IBM, E.piphany, SAS, Silicon Graphics, SPSS,
Oracle Data Mining, Oracle, UNICA, SQL Server Data Mining (США), Angoss,
Cognos, STATISTICA Data Miner (Канада), humanIT Software GmbH,
BonaVista Systems (Германия), mentegrafica infovis solutions (Италия),
Acknosoft, SIPINA (Франция),

GR Brains

(Индия), Marcom (Китай),

NeuroShell, PolyAnalyst (Россия), Jooble (Украина), AL11, AL12, AL13,
ESPLAN (Азербайджан).

Проведенные исследования по разработке и практическому

применению нечетких моделей интеллектуального анализа показали, что в
области разработки методов и алгоритмов моделей классификации, оценки и
прогнозирования в условиях нечетких знаний в мире получены, в частности,
следующие

результаты:

разработаны

методы

классификации

и

прогнозирования в условиях нечетких знаний «Attar Software Ltd.»
(Великобритания); реализованы методы эволюционного программирования в
системе «PolyAnalyst, Unica» (США); разработан метод структурирования


background image

31

задачи в виде графа, позволяющий классифицировать данные или
осуществлять анализ последствий решений, и этот метод реализован в «С5.0,
RuleQuest» (Австралия), реализован метод построения логических моделей
прогнозирования на основе нечеткой кластеризации в «Clementine, Integral
Solutions» (Великобритания); в «SIPINA, University of Lyon» (Франция)
решена

задача

многокритериальной

оптимизации

в

условиях

неопределенности; настройка параметров нечеткой модели с помощью
нейронных сетей реализована в «IDIS, Information Discovery» (США);
разработаны методы построения моделей интеллектуального анализа
состояния слабоформализуемых процессов с помощью нейронных сетей в
«NeuroShell, Ward Systems Group» (Россия).

В области разработки систем интеллектуального анализа состояния

слабоформализуемых процессов на сегодняшний день проводятся
исследования в таких приориететных направлениях как применение
нестандартных подходов на основе средств технологии “мягких
вычислений”, обработка данных большого объема, переход от численных
вычислений

к

лингвистическим

вычислениям,

теории

нечеткого

моделирования и нечеткого логического вывода и определение области их
применения, гибридные методы на основе нейронных сетей и эволюционных
алгоритмов.

Степень изученности проблемы.

Задачи нечеткой логики, разработки

алгоритмов настройки нейронных сетей и эволюционных алгоритмов,
перехода от численных вычислений к линвистическим вычислениям и
использованию натуральных языков в обработке данных, принятии решений
и управлении, теории возможностей и ее применения в интеллектуальных
системах, теории нечеткого моделирования и нечетких логических выводов,
применения мягких вычислений, нейронных сетей и эволюционных
вычислений в промышленных системах, разработки методов принятия
решений в условиях неопределенности, ситуационного управления и
интеллектуальных гибридных систем рассмотрены в работах ряда ученых:
Л.Заде, А.Дюбуа, А.Прада, Е.Мамдани, М.Сугено, Т.Такахи, М.Джамшиди,
Н.Н.Моисеева, С.А.Орловского, Э.Мушника, О.И.Ларичева, Г.С.Поспелова,
Д.А.Поспелова, Р.А.Алиева и других.

Также большой вклад в развитие теории интеллектуального анализа

данных, нечетких множеств, нечетко-стохастического математического
моделирования внесли отечественные ученые: Камилов М.М., Бекмуратов
Т.Ф., Абуталиев Ф.Б., Марахимов А.Р., Нусратов Т.С., Рахматуллаев М.А.,
Игнатьев Н.А., Усманов Р.Н., Мухамедиева Д.Т. Несмотря на это, не
рассмотрены задачи разработки алгоритмов построения нечетких моделей
интеллектуального анализа состояния слабоформализуемых процессов при
нелинейной зависимости входных и выходных данных, построения
многоагентной оптимизации параметров создаваемой нечеткой модели, в
частности, алгоритма настройки параметров с помощью гибридного метода,
основанного на нейронных сетях и алгоритме эволюционного пчелиного роя.


background image

32

Вместе с тем, вопросы разработки модифицированных гибридных

методов

и

алгоритмов

построения

логических

моделей

для

интеллектуального анализа состояний слабоформализуемых процессов,
основанных на нечетких правилах вывода, с помощью метода нечеткой
кластеризации с применением нейронных сетей и алгоритма пчелиного роя
для настройки параметров этих моделей недостаточно исследованы.

Связь диссертационного исследования с планами научно-

исследовательских работ высших учебных заведений.

Результаты данного

диссертационного исследования отражены в следующих фундаментальных и
прикладных проектах, выполненных в Центре разработки программных
продуктов и аппаратно-программных комплексов при Ташкентском
университете

информационных

технологий:

ФА-Ф1-Ф015+Ф056

«Теоретические основы интеллектуальных систем обработки информации в
условиях неопределенности и распознавании образов» (2007-2012 гг.); ФА-
А17-Ф006 «Алгоритмическое обеспечение адаптивной распознающей
системы интеллектуального анализа данных в условиях неопределенности
информации об объектах» (2009-2012 гг.); А5-ФА-Ф019 «Программно-
алгоритмический инструментарий систем поддержки принятия решений,
основанных на нечетко-множественных подходах» (2012-2014 гг.).

Цель исследования

заключается в разработке гибридных методов и

алгоритмов построения моделей интеллектуального анализа состояния
слабоформализуемых процессов на основе метода нечеткой кластеризации,
настройки параметров этих моделей с помощью нейронных сетей и
эволюционного алгоритма пчелиного роя.

Для

достижения

цели

сформулированы

следующие

задачи

исследования

:

формирование

задач

интеллектуального

анализа

состояния

слабоформализуемых процессов;

разработка алгоритмов логических моделей классификации, оценки и

прогнозирования, основанных на нечетких правилах вывода, с помощью
метода нечеткой кластеризации в слабоформализуемых процессах;

разработка алгоритмов настройки параметров созданной нечеткой

логической модели на основе нейронных сетей и алгоритмов пчелиного роя;

разработка алгоритмов решения нечеткой многокритериальной

оптимизационной задачи, возникающей при построении нечеткой модели;

разработка

программы

построения

нечетких

моделей

задач

классификации, оценки и прогнозирования;

разработка программного обеспечения для решения нечеткой

многокритериальной оптимизационной задачи с помощью технологий
параллельных вычислений;

проведение вычислительных экспериментов и анализ их результатов для

оценки эффективности разработанных алгоритмов и програмного
обеспечения.


background image

33

Объект исследования

– задачи интеллектуального анализа состояния

слабоформализуемых процессов.

Предмет исследования

– методы, алгоритмы и модели классификации,

оценки и прогнозирования интеллектуального анализа состояний объекта в
условиях нечеткой информации.

Методы исследований.

Теоретические исследования в работе

базировались на системном подходе к моделированию слабоформализуемых
процессов, теории нечетких множеств, нейронных сетей и эволюционных
алгоритмов.

Научная новизна исследования

состоит в следующем:

предложены гибридные методы построения нечетких моделей

интеллектуального анализа состояния слабоформализуемых процессов;

разработан алгоритм построения нечеткой логической модели

интеллектуального анализа – классификации, оценки и прогнозирования
состояния слабоформализуемых процессов на основе метода нечеткой
кластеризации;

показана возможность получения нечеткого решения при построении

нечеткой логической модели классификации, оценки и прогнозирования
состояния слабоформализуемых процессов на основе настройки параметров
модели нейронными сетями при различных функциях принадлежности;

показана возможность получения нечеткого решения при построении

нечеткой логической модели классификации, оценки и прогнозирования
состояния слабоформализуемых процессов на основе настройки параметров
модели

алгоритмом

пчелиного

роя

при

различных

функциях

принадлежности;

сформирована задача многокритериальной оптимизации в условиях

нечеткой информации и разработан алгоритм решения этой задачи;

разработаны критерии и алгоритмы решения задач оптимизации и

принятия решения при нечеткой исходной информации, доказан ряд
утверждений о свойствах улучшаемости решений в терминах функций
принадлежности;

разработана технология построения адекватной нечеткой модели на

основе гибридных методов интеллектуального анализа состояния
слабоформализуемых процессов.

Практические результаты исследования

заключаются в следующем:

при решении задач оценки и прогнозирования риска банкротства

организации с помощью нечеткой модели интеллектуального анализа
достигнуты показатели точности 95-98.2%;

при решении задач “Прогнозирование объема производства основных

продовольственных продуктов в сельском хозяйстве на основе оптимизации
структуры посевных полей на 2011-2013 гг.” и “Прогнозирование объема
производства продуктов животноводства в сельском хозяйстве на основе
оптимизации структуры животноводческой отрасли на 2011-2013 гг.” в
рамках программы “Методика разработки экономико-математической


background image

34

модели по оптимизации структуры производства аграрного сектора
экономики” с помощью разработанной нечеткой модели точность
результатов достигнута 92-96,5%;

разработаны алгоритмы настройки параметров нечеткой модели для

классификации, оценки и прогнозирования и приведены результаты их
применения к задачам оценки и классификации. В процессе решения
практических задач (в Ташкентской медицинской академии – задача
определения причин и путей снижения летальных случаев среди матерей в
до- и послеродовой период) проведены эксперименты и получена точность
92-95%.

Достоверность результатов исследования

обосновывается тем, что

применены методы и алгоритмы построения нечетких моделей
интеллектуального анализа состояний слабоформализуемых процессов,
высокая точность при решении прикладных задач классификации, оценки и
прогнозирования, результаты теоретических и прикладных исследований и
их непротиворечивость.

Научная и практическая значимость результатов исследования.

Научная значимость результатов исследований заключается в развитии
методов и алгоритмов построения нечетких логических моделей на основе
метода нечеткой кластеризации, настройки параметров модели с помощью
нейронных сетей и эволюционных алгоритмов, решения нечеткой
многокритериальной оптимизационной задачи, возникающей при построении
нечеткой модели, а также классификации, оценки и прогнозирования
состояния объектов.

Достигнута экономическая эффективность при решении задач оценки и

прогнозирования

риска

банкротства

организации, прогнозирования

производства основных продовольственных продуктов в сельском хозяйстве
и объема производства продуктов животноводства на основе применения
результатов методов и алгоритмов построения нечетких моделей
интеллектуального анализа.

Внедрение результатов исследования.

Применяя программные

средства классификации, оценки и прогнозирования, разработанные на
основе

методов

и

алгоритмов

построения

нечеткой

модели

интеллектуального анализа состояния слабоформализуемых процессов, при
решении практических задачи прогнозирования производства основных
продовольственных продуктов в сельском хозяйстве и объема производства
продуктов животноводства с точностью 92-96,5% и задач оценки и
прогнозирования риска банкротства организаций с точностью 95-98.2% за
счет повышения производительности в 1,5-2 раза достигнут годовой
экономический эффект на сумму более 170.5 млн. сум (справка
Министерства по развитию информационных технологий и коммуникаций за
№02-8/343 от 21 января 2016 года, справка Управления сельского и водного
хозяйства Джиззахской области за №03-399 от 24 июня 2015 года; справка
Государственного комитета Республики Узбекистан по приватизации,


background image

35

демонополизации и развитии конкуренции за №15-2214 от 16 июня 2015
года).

Апробация результатов исследования.

Теоретические и прикладные

аспекты диссертации обсуждены на следующих международных и
национальных семинарах и конференциях: “Интегральные уравнения-2009”
(Киев, Украина, 26-29 января 2009 года); Республиканская научно-
техническая конференция “Современное состояние и перспективы развития
информационных технологий” (Ташкент, Узбекистан, 5-6 сентября 2011
года); Всероссийская конференция с международным участием “Знания–
Онтологии–Теории” (Новосибирск, Россия, 3-5 октября 2011 года); седьмая
международная азиатская школа-семинар “Проблемы оптимизации сложных
систем” (Ташкент, Узбекистан, 17-27 октября 2011 года); VI международная
научно-практическая конференция “Инженерные системы-2013” (Москва,
Россия, 24-26 апреля 2013 года); Всероссийская конференция с
международным участием “Знания – Онтологии – Теории” (Новосибирск,
Россия, 8-10 октября 2013 года) и “Eighth World Conference on Intelligent
Systems for Industrial Automation” (Tashkent, Uzbekistan, November 25-27, 2014
year).

Опубликованность результатов исследования.

По теме диссертации

опубликовано 44 научных труда, из них 11 статей в 4 республиканских
научных журналах и 4 статьи в зарубежных научных журналах, 20 докладов
и тезисов докладов в научных конференциях, 1 монография.

Структура и объем диссертации.

Диссертация состоит из введения,

пяти глав, заключения, списка использованной литературы и приложения.
Общий объем диссертации составляет 194 страниц машинописного текста с 9
рисунками и 14 таблицами.


background image

36

ОСНОВНОЕ СОДЕРЖАНИЕ ДИССЕРТАЦИИ

Во введении

обоснована актуальность и востребованность темы

диссертации, сформулированы цель и задачи, выявлены объект и предмет
исследования, определено соответствие исследования приоритетным
направлениям развития науки и технологий Республики Узбекистан,
изложены научная новизна и практические результаты исследования,
обоснована достоверность полученных результатов, раскрыты теоретическая
и практическая значимость полученных результатов, приведены перечень
внедрений в практику результатов исследования, результаты апробации
работы, сведения по опубликованным работам и структуре диссертации.

В первой главе

“Проблемы построения моделей интеллектуального

анализа состояний слабоформализуемых процессов”

диссертации

приведен аналитический обзор задач построения моделей классификации,
оценки и прогнозирования состояний слабоформализуемых процессов.

При решении практических задач для построения системы

классификации, оценки и прогнозирования в условиях неопределенности,
необходимую нечеткую информацию, обладающую ностохастическими
характеристиками,

можно

разделить

на

две

части:

численную

(количественную)

и

полученную

от

эксперта

лингвистическую

(качественную) части. Большинство нечетких систем используют знания
второго типа – чаще всего данные, описываемые в виде баз правил нечеткого
вывода, которые объединяются в системы нечетких выводов. Алгоритмы
построения нечетких логических моделей, основанных на правилах
нечеткого вывода, играют основную роль при решении задач классификации,
оценки и прогнозирования в условиях неопределенности входных данных.

Формирование правил нечеткого вывода при построении моделей

классификации, оценки и прогнозирования состояния слабоформализуемых
процессов определяют важность оптимального сокращения количества
правил.

Корректное использование текущей информации об объекте в процессе

моделирования, то есть определение адекватности модели, имеет важное
значение. В этом плане сформулированы основные проблемы разработки
моделей слабоформализуемых процессов.

Традиционные нечеткие системы обладают некоторыми недостатками,

поэтому небоходимо привлекать экспертов той или иной области для
формирования правил и функций принадлжености. Это в свою очередь
является фактором возникновения целого ряда неудобств. Адаптивные
нечеткие системы (adaptive fuzzy systems) решают данную проблему. В
подобных системах в процессе обучения осуществляется настройка их
параметров на основе экспериментальных данных. Процесс адаптации
нечетких систем состоит из двух этапов: 1) создание лингвистических
правил; 2) настройка параметров модели. Для создания нечетких правил


background image

37

необходимы соответствующие функции, а для принятия нечеткого вывода
нужны правила.

Вопросы построения нечетких моделей классификации, оценки и

прогнозирования можно выразить в качестве задачи многокритериальной
оптимизации с четырьмя целевыми функциями

 

 

 

min,

min,

max,

3

2

1

S

f

S

f

S

f

 

M

j

j

j

y

y

S

f

1

2

4

.

min

ˆ

2

1

Здесь

 

S

f

1

– количество правильно классифицированных объектов с

использованием

множества правил

S

;

 

S

f

2

– количество нечетких правил

во множестве правил

S

;

 

S

f

3

– общее количество элементов множества

S

и

 

S

f

4

– среднеквадратическая погрешность между полученными и

ожидаемыми результатами модели. Таким образом, задача сводится к
решению задачи многокритериальной оптимизации.

Также в данной главе дан анатилический обзор существующих методов

классификации, оценки и прогнозирования слабоформализуемых процессов,
а также рассматриваются подходы нечетких множеств для решения
многокритериальной задачи оптимизации. В результате проведенного
анализа определены основные проблемы и задачи, решаемые в данной
работе.

Основная задача, требующая решения, преодолевается построением

логической модели, основанной на правилах нечеткого вывода, с помощью
метода нечеткой кластеризации.

Отличие предложенного подхода от традиционных подходов состоит в

использовании современных технологий интеллектуального анализа данных
(база знаний, компоненты Soft Computing – нейронные сети, алгоритмы роя
пчел) для разработки алгоритмических и программных средств построения
логических моделей на основе метода нечеткой кластеризации задач
классификации, оценки и прогнозирования.

Во второй главе

“Разработка методов построения моделей

интеллектуального анализа состояний слабоформализуемых процессов
на основе нечетких правил вывода”

диссертации разработаны логические

модели

классификации,

оценки

и

прогнозирования

состояний

слабоформализуемых процессов на основе нечетких правил вывода.

Модели классификации, оценки и прогнозирования состояний

слабоформализуемых процессов, которые исследованы в научных трудах
ученых, таких как Л.Заде, А.П.Ротштейн и Р.А.Алиев, определяются
посредством следующих правил нечеткого вывода:

)

,...,

,

(

билан

вазн

,

2

1

1

1

,

n

j

j

k

p

n

i

jp

jp

i

i

x

x

x

f

y

w

a

x

j

 

. (1)

Здесь

jp

i

a

,

- выражает лингвистический терм переменнной

i

x

строки

jp

;

jp

w

-

коэффициент веса правила

jp

;

)

,...,

,

(

2

1

n

j

j

x

x

x

f

y

-

нечеткое правило вывода.


background image

38

Разработаны три вида нечетких моделей интеллектуального анализа

состояния слабоформализуемых процессов, описываемых с помощью правил
нечеткого вывода.

1. Нечеткая модель классификации, оценки и прогнозирования

состояний слабоформализуемых процессов в виде вывода нелинейной связи

 

 

.

...

весом

с

,

1

1

1

1

,

1

)

1

(

0

H

h

h

n

j

h

j

j

j

k

p

n

i

jp

jp

i

i

x

b

x

b

b

y

w

a

x

hn

n

h

j

 

(2)

2. Нечеткая модель классификации, оценки и прогнозирования

состояний процессов в виде вывода линейной связи

n

j

j

j

j

k

p

n

i

jp

jp

i

i

x

b

x

b

b

y

w

a

x

n

j

...

весом

с

,

1

1

1

,

1

0

 

. (3)

3. Нечеткая модель классификации, оценки и прогнозирования

состояний процессов в виде вывода нечетких терм

.

,

1

,

весом

с

,

1

1

,

M

j

r

y

w

a

x

j

j

k

p

n

i

jp

jp

i

i

j

 

(4)

При построении логической модели классификации, оценки и

прогнозирования состояний слабоформализуемых процессов разработан
алгоритм нечеткой кластеризации, состоящий из семи шагов.

При построении нечеткой модели в случае различных видов функций

принадлежности осуществляется настройка параметров модели на основе
нейронных сетей и пчелиного роя, то есть решена задача обучения
логической нечеткой модели. Суть обучения состоит в решении
оптимизационной задачи минимизации отличий между настоящими
свойствами объекта и результатами нечеткой аппроксимации.

Настройка параметров нечеткой логической модели на основе

нейронных сетей и алгоритмов пчелинного роя повышает адекватность этой
модели. В результате данной настройки получаемая модель приобретает
интеллектуальные

характеристики.

В

диссертационной

работе

рассматривается процесс настройки параметров функций принадлежности в
форме Гаусса, параболы, треугольника, трапеции и колоколообразной формы
на основе нейронных сетей и алгоритмов пчелиного роя.

1.

Настройка параметров модели интеллектуального анализа

состояния слабоформализуемых процессов на основе нейронных сетей:

Использована система рекуррентных отношений для различных видов

функций принадлежности для минимизации критерия

min

ˆ

2

1

1

2

M

j

j

j

y

y

E

,

(5)

применяемого для обучения в теории нейронных сетей (таблица 1).






background image

39

Таблица 1

Рекуррентные отношения настройки параметров модели различных видов

функций принадлежности

Функция принадлежности Рекуррентные отношения

Форма Гаусса:



 

2

exp

)

(

c

x

x

,

)

(

)

(

)

(

2

)

(

)

(

)

(

)

(

)

(

)

(

)

1

(

2

*

*

2

1

1

1

1

jp

i

i

jp

i

jp

i

i

m

j

d

m

j

d

j

m

j

d

j

i

jp

n

i

i

jp

jp

t

t

jp

i

jp

i

x

с

x

y

y

d

y

d

x

x

w

y

y

t

c

t

c

j

j

j

.

)

(

)

(

)

(

2

)

(

)

(

)

(

)

(

)

(

)

(

)

1

(

3

*

2

*

2

1

1

1

1

jp

i

i

jp

i

jp

i

i

m

j

d

m

j

d

j

m

j

d

j

i

jp

n

i

i

jp

jp

t

t

jp

i

jp

i

x

с

x

y

y

d

y

d

x

x

w

y

y

t

t

j

j

j

Колоколообразная форма:

2

1

1

)

(

 

с

x

x

 

,

)

(

)

(

)

(

2

)

(

)

(

)

(

)

(

)

(

)

(

)

1

(

2

2

*

2

*

2

2

1

1

1

1

jp

i

i

jp

i

jp

i

i

jp

i

m

j

d

m

j

d

j

m

j

d

j

i

jp

n

i

i

jp

jp

t

t

jp

i

jp

i

c

x

c

x

y

y

d

y

d

x

x

w

y

y

t

c

t

c

j

j

j

.

)

(

)

(

)

(

2

)

(

)

(

)

(

)

(

)

(

)

(

)

1

(

2

2

*

2

2

*

2

1

1

1

1

jp

i

i

jp

i

jp

i

i

jp

i

m

j

d

m

j

d

j

m

j

d

j

i

jp

n

i

i

jp

jp

t

t

jp

i

jp

i

c

x

c

x

y

y

d

y

d

x

x

w

y

y

t

t

j

j

j


background image

40

В форме параболы:

2

1

)

(

 

с

x

x

,

)

(

)

(

2

)

(

)

(

)

(

)

(

)

(

)

(

)

1

(

2

*

2

1

1

1

1

jp

i

jp

i

i

m

j

d

m

j

d

j

m

j

d

j

i

jp

n

i

i

jp

jp

t

t

jp

i

jp

i

с

x

y

y

d

y

d

x

x

w

y

y

t

c

t

c

j

j

j

.

)

(

)

(

2

)

(

)

(

)

(

)

(

)

(

)

(

)

1

(

3

2

*

2

1

1

1

1

jp

i

jp

i

i

m

j

d

m

j

d

j

m

j

d

j

i

jp

n

i

i

jp

jp

t

t

jp

i

jp

i

с

x

y

y

d

y

d

x

x

w

y

y

t

t

j

j

j

В форме треугольника:

.

случаях

других

в

,

0

,

,

,

,

)

(

c

x

b

c

b

c

x

b

x

a

а

b

a

x

х

,

)

(

)

(

)

(

)

(

)

(

)

(

)

(

)

1

(

2

2

1

1

1

1

jp

i

jp

i

jp

i

i

m

j

d

m

j

d

j

m

j

d

j

i

jp

n

i

i

jp

jp

t

t

jp

i

jp

i

a

b

b

x

y

y

d

y

d

x

x

w

y

y

t

a

t

a

j

j

j

,

)

(

)

(

)

(

)

(

)

(

)

(

)

(

)

1

(

2

2

1

1

1

1

jp

i

jp

i

jp

i

i

m

j

d

m

j

d

j

m

j

d

j

i

jp

n

i

i

jp

jp

t

t

jp

i

jp

i

c

b

b

x

y

y

d

y

d

x

x

w

y

y

t

c

t

c

j

j

j

если

b

x

a

, то

,

)

(

)

(

)

(

)

(

)

(

)

(

)

(

)

1

(

2

2

1

1

1

1

jp

i

jp

i

i

jp

i

m

j

d

m

j

d

j

m

j

d

j

i

jp

n

i

i

jp

jp

t

t

jp

i

jp

i

а

b

x

a

y

y

d

y

d

x

x

w

y

y

t

b

t

b

j

j

j

если

c

x

b

, то


background image

41

.

)

(

)

(

)

(

)

(

)

(

)

(

)

(

)

1

(

2

2

1

1

1

1

jp

i

jp

i

i

jp

i

m

j

d

m

j

d

j

m

j

d

j

i

jp

n

i

i

jp

jp

t

t

jp

i

jp

i

c

b

x

c

y

y

d

y

d

x

x

w

y

y

t

b

t

b

j

j

j

n

i

i

jp

jp

m

j

d

m

j

d

j

m

j

d

j

t

t

jp

jp

x

w

y

y

d

y

d

y

y

t

w

t

w

j

j

j

1

2

1

1

1

)

(

)

(

)

(

)

(

)

(

)

1

(

.

2. Рассматривается процесс настройки параметров создаваемой нечеткой

модели интеллектуального анализа состояния слабоформализуемых
процессов на основе эволюционного алгоритма – пчелиного роя. Данный
алгоритм разработан по аналогии с поведением ос в колонии пчел.

Основная суть настройки параметров модели на основе алгоритма

пчелиного роя состоит в выборе значений параметров, минимизирующих
разницу между настоящими свойствами объекта и выходными результатами
модели. Данный алгоритм состоит из следующих шагов.

Шаг 1.

Инициализация. Здесь totalNumberBees – количество пчел,

numberInactive – количество неактивных пчел, numberScout – количество
пчел-разведчиков, maxNumberVisits – количество посещений источников
нектара, maxNumberCycles – число итераций, определяются промежутки
значений параметров

a

,

b

,

c

и

w

.

Шаг 2.

Разведчики обследуют местность вокруг улья в поисках новых

источников нектара. В этом случае определяются исходные значения
параметров, а полученные результаты сохраняются в матрице BS.

Шаг 3.

Waggle dance – танец наблюдающих пчел. Здесь из найденных

источников нектара самые оптимальные (в которых много нектара или самые
ближайщие) переводятся из матрицы BS в матрицу WG.

Продолжительность Waggle dance определяется формулой

A

d

D

i

i

.

Здесь А – коэффициент масштабируемости; величина, показывающая
относительную полезность, качество и объем нектара, найденного

i

d

-

танцующей

i

–пчелой-разведчиком.

После выбора необходимого источника нектара, рабочая пчела начинает

полет к нектару.

На основе матрицы WG, полученной от пчел-разведчиков, рабочие

пчелы переносят нектар и вокруг источника этого нектара находят новые
источники (значения параметров). Найденные сведения вносятся в матрицу
NW.


background image

42

Шаг 5.

Пчелы-разведчики на основании сведений WG переносят нектар,

определяется результат, дающий самые оптимальные значения, который
присваивается переменной best. Полученные результаты вносятся в матрицу
NВ.

Шаг 6.

Формирование архива решений на основании существующих

матриц NW, NB, WG.

Шаг

7

.

При

выполнении

условий

критерия

min

)

ˆ

)

,

,

,

,

(

(

2

1

1

2

M

j

j

j

y

d

c

b

a

w

f

E

или осуществления определенной итерации до

maxNumberCycles определяются оптимальные значения параметров от WG.

Здесь

d

c

b

a

w

f

j

,

,

,

,

- выход модели,

w –

вес правил

,

j

y

ˆ - настоящие

характеристики объекта,

a, b

и

c

- параметры функций принадлежности.

Данные параметры определяются согласно виду функции принадлежности.
Если функция принадлежности в форме Гаусса, параболы, колоколобразной
формы, то параметры функций будут

а

и

b.

Если функция принадлежности в

форме трапеции, то параметры функций будут в виде

a

,

b

,

c

и

d

.

Шаг 8

.

При невыполнении условий соответствующего критерия

осуществляется переход к шагу 2.

С каждой итерацией алгоритма значения параметров модели

приближаются к оптимальным.

В процессе построения модели необходимо решать задачи нечеткой

многокритериальной оптимизации.

В третьей главе

“Разработка алгоритма решения задачи

многокритериальной оптимизации, возникающей при построении
нечетких моделей”

диссертации рассматриваются вопросы решения задач

многокритериальной нечеткой оптимизации, возникающей в процессе
настройки параметров функций принадлежности при построении модели
классификации, оценки и прогрозирования состояний слабоформализуемых
процессов с помощью нечеткой кластеризации, основанной на нечетких
правилах вывода.

Настройка параметров нечеткой логической модели состоит из двух

этапов. На первом этапе определяются значения модели (

y

). На втором этапе

определяется значение погрешности (

E

) и вычисляются значения

параметров функций принадлежности.

В этом процессе с помощью функций принадлежности, дающие в

результате самые высокие значения, создается модель, которая состоит из
нечетких правил вывода (2)-(4). Здесь требуется найти значения
коэффицентов

b

ji

(i=0,1,2,…,t; j=1,…,m )

.

Здесь в случае, если модель линейного типа, то

n

t

, а при нелинейности

модели

n

t

2

.

Значения полученных коэффицентов (5) считаются значениями,

минимизирующими квадратическое отклонение.


background image

43

Входной вектор

)

,...,

,

(

,

2

,

1

,

n

r

r

r

r

x

x

x

X

имеет следующий нечеткий выход:

m

j

r

d

m

j

j

r

d

r

x

у

x

y

j

j

1

1

)

(

)

(

. Уровень выполнения нечеткого правила вывода j

определяется с помощью выражения

)

(

...

)

(

)

(

)

(

2

1

rn

k

j

r

k

j

r

k

j

r

y

x

x

x

x

j

j

j

j

.

Посредством выражения

m

k

r

y

r

y

jr

x

x

j

j

1

)

(

)

(

для входного вектора

r

X

определяется относительный уровень выполнения нечеткого правила вывода
j.

Тогда:

а) при линейной зависимости выхода:

)

...

(

1

1

0

1

1

n

n

j

j

j

r

j

r

r

j

m

j

m

j

r

j

r

j

r

r

x

b

x

b

b

y

y

.

б) при нелинейной зависимости выхода:

).

...

...

...

(

1

)

1

(

1

)

1

(

1

1

0

1

1

H

H

j

n

h

n

h

j

n

n

j

j

j

r

j

r

r

j

r

r

j

r

r

j

m

j

m

j

r

j

r

j

r

r

x

b

x

b

x

b

x

b

b

y

y

Значения параметра

j

r

определяются в соответствии с видом функции

принадлежности (таблица 2):

Таблица 2

Определение параметра

j

r

при различных видах функций

принадлежности

Функции
принадлежности

Значение параметра

j

r

Форма Гаусcа:



 

2

exp

)

(

c

x

x

.

2

1

exp

/

2

1

exp

1

2

1

1

2











m

k

t

i

ik

ik

ri

t

i

ij

ij

r

r

c

x

c

x

i

j

Колоколообразная форма:

2

1

1

)

(

 

с

x

x

.

1

1

/

1

1

1

1

2

1

2



 







m

k

t

i

ik

ik

ri

t

i

ij

ij

r

r

c

x

c

x

i

j

В форме параболы:

2

1

)

(

 

с

x

x

.

1

/

1

1

1

2

1

2



 











m

k

t

i

ik

ik

ri

t

i

ij

ij

r

r

c

x

c

x

i

j


background image

44

В форме треугольника:

.

случаях

других

в

,

0

,

,

,

,

)

(

c

x

b

c

b

c

x

b

x

a

а

b

a

x

х







.

если

,

/

,

если

,

/

1

1

1

1

1

1

c

x

b

с

b

с

x

с

b

с

x

b

x

a

а

b

a

x

а

b

a

x

m

k

t

i

ik

ik

ik

r

t

i

ij

ij

ij

r

m

k

t

i

ik

ik

ik

r

t

i

ij

ij

ij

r

r

i

i

i

i

j


Введем следующие обозначения:

T

M

y

y

y

Y

,...,

,

2

1

,

T

M

y

y

y

Y

ˆ

,...,

ˆ

,

ˆ

ˆ

2

1

,

m

M

t

M

M

n

M

m

M

M

m

M

M

m

t

n

m

m

x

x

x

x

x

x

x

x

A

,

,

1

,

,

,

1

1

,

1

,

1

1

,

,

1

,

,

1

,

1

1

,

1

,

1

,

1

1

,

1

1

,

1

1

,

1

,

1

1

,

1

,...,

...,

,

,...,

,

,...,

,...,

...,

,

.

,...,

,

,...,

.

Тогда задача (5) сводится к матричному виду: небходимо найти вектор

В,

отвечающий следующим требованиям:

min

)

ˆ

(

)

ˆ

(

Y

Y

Y

Y

E

T

. (6)

Решение задачи (6) сводится к решению следующего уравнения:

B

A

Y

.

При построении модели интеллектуального анализа состояний

слабоформализуемых процессов возникает задача многокритериальной
оптимизации.

В общем виде задача многокритериальной оптимизации выглядит

следующим образом:

 

   

 

X

x

x

f

x

f

x

f

x

f

T

q

min,

,...,

,

2

1

(7)

где

  

n

j

j

kj

k

x

c

x

f

1

,

.

0

,

|

,

,...,

2

,

1

x

K

Ax

R

x

x

q

Q

k

n

K={y

b

y

R

y

m

,

}

Задача многокритериальной оптимизации с нечеткой целью

предполагает нахождение

х,

удовлетворяющего следующим условиям:

k

g

~

={z

k

Q

g

z

R

z

,

},

 

,

,

,...,

2

,

1

,

~

X

x

Q

k

g

x

f

k

k

(8)


background image

45

 

 

 

 

 



.

,

0

,

,

1

,

,

1

k

k

k

k

k

k

k

k

k

k

k

k

k

k

t

g

x

f

t

g

x

f

g

t

g

x

f

g

x

f

x

f

(9)

где

k

g

~

- нечеткое множество.

Решение нечеткой задачи (8) в каждом сечении

может быть

преобразовано к решению четкой задачи:

 

.

,

max,

X

x

x

f

k

k

Решение

X

x

0

называется оптимальным решением по критерию типа

Парето, если для всех

y

выполняется неравенство

 

 

0

x

f

y

f

k

k

k

k

и хотя бы для одного выполняется условие

 

 

0

x

f

y

f

S

S

S

S

.

Решение

X

x

0

называется оптимальным по критерию типа Парето,

если не существует

X

y

, лучшее чем

0

x

.

Введем понятие улучшаемости решения

X

y

по критерию типа

Парето в нечеткой среде: решение

X

y

назовем улучшаемым, если

существует решение

X

x

0

лучшее, чем

у

по критерию типа Парето.

Утверждение 1. Решение

X

x

0

улучшаемо в ситуации принятия

нечетких многоцелевых решений

 

   

 

x

f

,...,

x

f

,

x

f

x

f

p

2

1

тогда и только

тогда, когда существует вектор

Q

R

, для которого выполнены неравенства

 

 

s

0

0

,

c

x

f

c

x

f

s

s

k

k

k

для всех

Q

,...,

k

1

и хотя бы одного

Q

s

,...,

1

,

где

k

k

c

c

,

 

.

min

max

k

k

k

k

y

y

f

c

Удтверждение 2. Пусть

 

y

f

k

k

функция принадлежности

 

y

f

k

,

определяемое как в (9).

0

x

– оптимальное решение улучшаемой задачи:

max

1

Q

k

k

,

 

.

0

,

,

,...,

1

,

*

k

k

k

k

X

x

Q

k

x

f

Тогда решение

X

x

0

Парето – оптимальное решение задачи (8).


background image

46

В четвертой главе

“Решение задачи оптимизации на основе

алгоритмов параллельных вычислений”

диссертации рассмотрен процесс

разработки алгоритмов, основанных на технологиях параллельного
вычисления при решении задачи оптимизации. Для решения задачи
оптимизации с помощью технологий параллельного вычисления разработаны
алгоритмы, основанные на примере пчелиного роя, модифицированных
нейронных сетей и рекуррентных нейронных сетей – сети Хопфилда.

Решены задачи построения логической модели на основе нечетких

правил вывода и многокритерильной оптимизации при настройке параметров
этой модели. Решение задачи многокритериальной оптимизации проверен
решением ряда тестовых задач. В настоящее время значительная часть задач
оптимизации, в частности, вопросы комбинаторной оптимизации считаются
NP-полными задачами. При решении данной задачи оптимизации
использование нейросетевого подхода увеличивает вероятность получения
оптимального решения. В качестве тестовой задачи оптимизации
рассматривается задача коммивояжера. Данная задача решена с помощью
нейронной сети Хопфилда.

Во многих случаях при решении задач оптимизации требуются огромные

вычислительные процессы и время для вычисления. В этом случае в целях
повышения производительности и увеличения скорости программы наблюдаются
случаи нецелесообразного приобретения дополнительных программ и
инструментов, привлечение дополнительных служб. Оценивание на уровне
интуиции не всегда приносит необходимый результат. В этих случаях
использование технологий параллельных вычислений является фактором,
дающим эффективный результат.

В программе решения конкретной задачи по оптимизации мы из

главного процессора параллельно направляем задачи одновременно на

N

процессоров. Данные процессоры независимо друг от друга определяют
оптимальное (локальное) решение. Найденные результаты во всех
процессорах заново собираются в главном процессоре, среди них
определяется решение с минимальным значением целевой функции из
сформированной последовательности городов и выбирается как самое
оптимальное. В данном случае увеличение количества процессоров,
предоставляющих вероятность оптимального решения, может одновременно
увеличить продолжительность времени расчета.

На основе разработанных алгоритмов проведен ряд вычислительных

экспериментов. Анализ результатов предлагаемых нами алгоритмов показал,
что они очень близки к глобальному оптимуму. Но необходимо отметить, что
при решении задач на основе алгоритма Хопфилда требуются большие
итерационные вычисления. В целях устранения данной проблемы для
параллельного расчета разработан модифицированный алгоритм обучения
нейронной сети.

Для решения данной задачи оптимизации предложена рекуррентная

нейронная сеть, выраженная следующим дифферециальным уравнением:


background image

47

 

 

,

exp

2

)

(

1

1



t

r

t

x

t

x

t

t

u

ij

n

k

n

l

lj

ik

ij

(10)

где

)

exp(

1

1

)

(

)),

(

(

u

u

t

u

x

ij

ij

.

Из этого видно, что и в данном случае, как в примере с сетью

Хопфилда, возникает матрица размером

n

n

. Но здесь нейроны

взаимодействуют не по принципу “каждый с каждым”, а по строкам и
столбцам. Известно, что решение данного вопроса может осуществиться с
помощью сети Хопфилда итерационными вычислениями до

4

n

.

Использование предлагаемой модифицированной нейронной сети позволяет
сократить количество итерационных вычислений относительно сети
Хопфилда до

2

n

.

Разностный вариант уравнения (10) имеет вид:

 

,

exp

2

1

1

1







t

r

x

t

x

t

u

u

ij

n

k

n

l

lj

ik

t

ij

t

ij

(11)

где

t

- шаг во времени и этот параметр может принимать значения в

промежутке [0,1]. Параметры

,

,

,

выбирают на основе экспериментов

и они сильно влияют на скорость достижения к решению и его качество.

Согласно наблюдениям при

t

1

вероятность получения эффективного

результата повышается. Здесь

t

– число итераций.

Анализ полученных результатов показал, что результаты работы

предлагаемых нами алгоритмов искуственных нейронных сетей по
сравнению с алгоритмами, созданными на основе нейронных сетей
Хопфилда, отличаются малой ресурсоемкостью и эффективностью в плане
высокой скорости работы. Но необходимо отметить, что если объем задач
очень большой, то алгоритмы нейронных сетей могут стать менее
эффективными из-за более продолжительного вычисления. Обычно в таких
случаях целесообразно использование эволюционных алгоритмов. В
частности, в исследовании рассматривается использование алгоритма
пчелиного роя для технологий параллельного вычисления.

Решение задач оптимизации алгоритмом пчелиного роя с

использованием технологий параллельного вычисления может быть
значительно эффективным и быстрым.

Для оценки эффективности разработанного алгоритма проведено

тестирование процесса оптимизации с помощью алгоритма пчелиного роя.
Для сопоставления рассмотрено решение задачи коммивояжера алгоритмами
нейронной сети Хопфилда и пчелиного роя с использованием технологий
параллельных вычислений.

Решение задач с помощью технологий параллельных вычислений

преследует две цели: а) увеличение скорости вычислений. При этом одна
задача разделяется на несколько отдельных частей и для вычисления


background image

48

независимо друг от друга распределяется на процессоры. В итоге,
полученные от разных процессоров результаты суммируются; б) повышение
качества и надежности решения задачи. Для этого обычно одна программа
(задача) полностью направляется нескольким процессорам. Среди
нескольких полученных результатов процессоров выбирается наиболее
оптимальный.

Для решения данной проблемы на языке программирования Java

используется бибилиотека FMPJ. Для решения были использованы 15
двухпроцессорных и двухъядерных компьютеров (всего 60 процессоров).

Для данной задачи проведены вычислительные эксперименты с 10

узловыми точками для нейронной сети Хопфилда и 1000 узловыми точками
для алгоритма пчелиного роя.

На рисунках 2, 3 приведен график результатов, полученных с помощью

алгоритмов сети Хопфилда и пчелиного роя:

Рисунок 2. Результат, полученный с помощью сети Хопфилда - график

зависимости числа процессоров с длиной оптимального направления

Рисунок 3. Результат, полученный с помощью алгоритма пчелиного

роя - график зависимости числа процессоров с длиной оптимального
направления.

В пятой главе

“Проведение вычислительных экспериментов на

основе программы построения модели интеллектуального анализа на
основе нечетких правил выводов”

диссертации приведены результаты

вычислительного эксперимента с помощью программы построения
логической модели, основанной на нечетком правиле вывода классификации,
оценки и прогнозирования состояний слабоформализуемых процессов.

Решены задачи классификации и оценки с помощью разработанной

программы, проведен сравнительный анализ между результатами
предлагаемых и известных алгоритмов.


background image

49

Для осуществления экспериментального исследования в качестве

основной цели выбрано применение нейро-нечеткого подхода и решены
задачи:

создания базы нечетких правил и уменьшения множеств правил
путем настройки параметров нечеткой модели базы нечетких
правил с помощью нейронных сетей и алгоритма пчелиного роя, а
также построения нечеткой модели высокоэффективной оценки
(высокопроцентный показатель распознавания);

проведения сравнительного анализа полученных результатов
различных задач в виде таблиц и графиков.

Для проведения сравнительного анализа взяты известные модельные

задачи,

расположенные

по

электронному

адресу:

http://www.ics.uci.edu/~mlearn/databases/. К ним относятся следующие задачи:
задача ирис (Iris Data Set), задача идентификации стекла (Glass Identification
Data Set), задача диагностирования диабета (Pima Indians Diabetes),
экологическая задача (Ecoli Data Set), задача Хабермана (Haberman's Survival
Data Set), задача определения сорта вина (Wine Data Set), задача определения
состояния печени (Liver).

Ниже в таблице 3 приводятся параметры перечисленных задач.

Таблица 3

Параметры модельных задач

Наименование задачи

Количество

классов

Количество

признаков

Количество

объектов

Стекло (Glass)

7

9

214

Хаберман (Haberman)

2

4

306

Ирис (Iris)

3

4

150

Экология (Ecoli)

8

7

336

Диабет (Pima)

2

8

768

Вино (Wine)

3

13

178

Печень (Liver)

2

6

345

В таблице 4 для сравнения приведены результаты решения некоторых

модельных задач на основе различных известных и предлагаемого
алгоритмов.

Талица 4

Результаты работы предлагаемого и существующих алгоритмов

Задача

Предла-
гаемый
алгоритм

GBC SGF

SVM 1NN

KNN

Conventional
RBF
network

Стекло
(Glass)

87.85

84.27 75.74 71.50 72.01 72.01

69.16

Ирис (Iris)

98.3

98.00 97.33 97.33 96.00 95.33

95.33

Вино (Wine)

98.88

100

99.44 99.44 95.52 96.07

98.89


background image

50

В таблице приведены лучшие результаты работы рассматриваемых

алгоритмов. Наиболее лучшие результаты для конкретной задачи выделены
отдельно.

Кроме того, в Таблице 5 сравниваются различные результаты работы

предлагаемого нами алгоритма, алгоритмов GBC (Gravitation Based
Classification) и SVM (Support Vector Machines).

Таблица 5

Сравнение результатов работы предлагаемого и существующих

алгоритмов

Предлагаемый

метод

GBC

SVM

О

че

нь

пл

ох

о

О

че

нь

хо

ро

шо

П

ло

хо

О

че

нь

пл

ох

о

О

че

нь

хо

ро

шо

П

ло

хо

О

че

нь

пл

ох

о

О

че

нь

хо

ро

шо

П

ло

хо

Хаберман
(Haberman)

82.7 87.5 85.1 75.2 86.7

81.5 72.3 82.1 78.8

Печень
(Liver)

78.4 86

82.3 63.5 72.8

67.1 60.4 68.3 65.5

Экология
(Ecoli)

88.5 94.2 91.8 89.7 98.5

95.5 89.4 94.4 92.3

Для того чтобы показать эффективность предлагаемого метода были

сопоставлены результаты предлагаемого и существующих методов на
примере задачи диабета. В результате, предлагаемая нами нечеткая модель
при решении данной задачи дала лучшие результаты, чем другие методы
(таблица 6).

Таблица 6

Результаты работы предлагаемого и существующих методов

Задача

Алгоритмы классификации

Предлагаемый

DGC

FIBP

SAMGA

Диабет

(Pima)

87.2

81.82

74.81

73.00

Проверка работы каждого алгоритма выполнена с использованием

метода перекрестной проверки (10x10 cross-validation).

Результаты предлагаемого метода по сравнению с результатами других

методов классификации (в частности, классификаторы CBA, GBC, SGF,
SAMGA, C4.5-type, 1NN, KNN, Fuzzy integral based perceptron, Conventional
RBF network, GARC и SVM) оказались более точными.


background image

51

С помощью программы, основанной на модели на основе правил

нечеткого вывода, решена практическая задача “Летальные случаи среди
матерей в до- и послеродовой период”. В данной задаче решены вопросы
классификации, оценки и прогнозирования состояния матерей в дородовой и
постродовой период на основании 67 признаков.В результате, при решении
задачи классификации допущена погрешность в 12,5–3%. При решении этой
же задачи с использованием традиционной нечеткой модели уровень
погрешности значительно высокий. Для сравнения в таблице 7 приведены
результаты, полученные предлагаемым методом и нечеткой моделью:

Таблица 7

Сравнительный анализ результатов, полученных предлагаемым методом и

нечеткой моделью

Низкий

средний

высший

Предлагаемый

метод

87.5%

93.75%

96.9%

нечеткий

54%

57%

75%

Обычно в медицине классы пересекаются или взаимопроникают. В

таких случаях применение четких методов в классификации может не дать
ожидаемый результат. Так, задача “Летальные случаи среди матерей в
дородовой и постродовой период”, решаемая посредством метода k-
ближайших соседей (k-nearest neighbor), дает результат 31.25% правильного
распознавания (ошибка – 68.75%).







background image

52

ЗАКЛЮЧЕНИЕ

Анализ основных результатов диссертационной работы позволил

сделать ряд следующих выводов.

1.

Системный анализ проблемы построения нечетких моделей задач

классификации, оценки и прогнозирования в слабоформализованных
системах обосновал актуальность и необходимость разработки методов их
решения.

2.

На основе математического анализа показано, что важное значение

имеет обеспечение адекватности модели, то есть то, насколько правильно
использована текущая информация о предмете исследования в процессе
моделирования.

3.

Алгоритм построения нечеткой модели интеллектуального анализа

состояния процессов позволяет решать задачи классификации, оценки и
прогнозирования состояний процессов в условиях слабоформализованности
и неопределенности информации об этих процессах.

4.

Анализ

задач

нечеткой

многокритериальной

оптимизации,

формируемых при построении нечеткой модели интеллектуального анализа
состояния слабоформализуемых процессов, позволяет решать задачи
многокритериальной оптимизации, возникающей при построении моделей
классификации, оценки и прогнозирования состояний процессов в условиях
нечеткой информации.

5.

Проведенные экспериментальные исследования показали более

высокую эффективность разработанных алгоритмов по сравнению с
известными алгоритмами при решении модельных задач классификации,
оценки и прогнозирования.

6.

Анализ

результатов,

полученных

при

построении

моделей

классификации, оценки и прогнозирования интеллектуального анализа
состояний процессов в условиях нечеткой информации на основе метода
нечеткой кластеризации, показал, что нечеткий подход дает возможность
получить адекватное нечеткое решение, опираясь на любые априорные
данные и уровень их определенности.

7.

Определено свойство улучшаемости решения задачи нечеткой

многокритериальной оптимизации, формируемое при построении нечеткой
модели, и это свойство способствует получению эффективных результатов
при решении ряда практических задач.

8.

Показана возможность получения эффективного решения при решении

практических задач классификации, оценки и прогнозирования на основе
разработки алгоритмов построения моделей интеллектуального анализа
состояния слабоформализованных процессов.


background image

53

SCIENTIFIC COUNCIL 16.07.2013.Т/FM.29.01 AT TASHKENT

UNIVERSITY OF INFORMATION TECHNOLOGIES AND NATIONAL

UNIVERSITY OF UZBEKISTAN ON AWARD OF SCIENTIFIC DEGREE

OF DOCTOR OF SCIENCES

TASHKENT UNIVERSITY OF INFORMATION TECHNOLOGIES










MINGLIQULOV ZAFAR




METHODS AND ALGORITHMS FOR CONSTRUCTING FUZZY

MODELS MINING STATES OF WEAKLY FORMALIZED PROCESSES


05.01.03 – Theoretical foundations of computer science

(technical sciences)




ABSTRACT OF THE DOCTORAL DISSERTATION

Tashkent – 2016


background image

54

The subject of doctoral dissertation is registered Suprame Attestation Commission

at the Cabinet of Ministers of Republic of Uzbekistan

in number 30.06.2015/B2015.2.T531.

Doctoral dissertation is carried out at Tashkent State Technical University and Tashkent University

of Information Technologies.

The full text of doctoral dissertation is placed on web-page of Scientific Council on award of the

scientific degree of doctor of sciences 16.07.2013. Т/FM.29.01 at the Tashkent University of Information
Technologies and National University of Uzbekistan to the address www.tuit.uz.

Abstract of dissertation in three languages (Uzbek, Russian, English) is placed on the web-page to

address www.tuit.uz and Information-educational portal «ZIYONET» to the address www.ziyonet.uz.

Scientific consultant:

Mukhamedieva Dilnoz Tulkunovna
doctor of technical sciences, professor

Official opponents:

Usmanov Rishat Niyazbekovich
doctor of technical sciences

Nabiyev Ozod Malikovich

doctor of technical sciences, professor

Rakhimov Shavkat Khudargenovich

doctor of technical sciences, professor

Leading organization:

Tashkent State Technical University

Defense of the dissertation will take place in «26» february 2016 at 14

00

o’clock at a meeting of

the scientific council 16.07.2013.Т/FM.29.01 at the Tashkent University of Information Technologies and
National University of Uzbekistan. (Address: 100202, Tashkent, Amir Temur str. 108. Ph.: (99871) 238-
64-43; fax: (99871) 238-65-52; e-mail: tuit@tuit.uz).

Doctoral dissertation could be reviewed in Information-resource center of the Tashkent

University of Information Technologies (registeration number №_____). (Address: 100202, Tashkent,
Amir Temur str., 108. Ph.: (99871) 238-65-44).


Abstract of dissertation sent out on «25» january 2016 y.

(Dispatching protocol № ___ on «25» january 2016 y.)

Х.К.Aripov

Chairman of scientific council on award of

scientific degree, doctor of physics-mathematics

sciences, Professor

M.S.Yakubov

Scientific secretary of scientific council,

doctor of technical sciences, Professor

Т.F.Bekmurodov

Chairman of scientific seminar under

scientific council, doctor of technical

sciences, Academician


background image

55

Introduction (summary of the doctoral dissertation)

The topicality and significance of the subject of dissertation.

Experts by

Synergy Research noted that the total market volume of neural networks by 2005
exceeded 10 billion. dollars, in 2014 the volume of cloud services amounted to
more than 17 bln. dollars, an increase of 45% year of calculus

1

. Also, in the first

quarter of 2015 the market volume of services designed to deploy cloud
infrastructures, exceeded $ 5 billion., where the share of Amazon Web Services
was 29%. Due to the dynamic increase in sales of cloud services in January-March
2015 Google's revenue increased by 74%, IBM - by 56%, while revenues
Salesforce.com rose by 34%. Thus, in 2018 the market of public cloud services
will take place an investment of $ 127.5 billion., And their size by this time will be
increased by an average of 22.8% per year, which is six times greater than the
projected growth of global IT-market

2

.

Determination of hidden patterns, data classification, prediction of processes,

as well as analysis of the studied process for large volumes of data and in terms of
their uncertainty are the main tasks of data mining. For complex, weakly
formalized processes with fuzzy nestohastichnostyu and incompleteness in the
source of information and situations of internal and external environment, not
usually given the opportunity to build simple adequate mathematical models.
Information about the parameters of such processes is usually expressed by experts
in the form of words and sentences, ie, in linguistic form. In such cases, the
simulation, decision-making and management tools appropriate to use the
technology of soft computing (Soft Computing).

The hybrid system obtained by combining the components of soft computing

technologies - fuzzy logic, neural networks and evolutionary algorithms, will have
the same intellectual property as the application of knowledge in natural language.
In this regard, the development of algorithms and software for generation of fuzzy
models of classification tasks, assessment, forecasting and decision-making based
on fuzzy inference rules, neural networks and evolutionary algorithms is an actual
problem.

Therefore, there is a need to develop methods and algorithms for solving data

mining, ie the tasks of building fuzzy models classification, estimation and
forecasting on the basis of fuzzy clustering, configuration parameters of the model
using neural networks and evolutionary algorithms and fuzzy multi-criteria
optimization that occurs when building the model.

This dissertation research is aimed at solving the tasks set by the Law of the

Republic of Uzbekistan «On electronic government » for the № LRU-395 of
December 9, 2015, Decrees of the President of the Republic of Uzbekistan «On
measures to further the implementation of information and communication
technologies in the real economy» for the № DP-2158 of April 3, 2014, «On
measures for further development of national information and communication
system of the Republic of Uzbekistan» for the № DP-1989 of June 27, 2013, and
the Resolution of the Cabinet of Ministers «On measures for the formation of the

-----------------------------------

1

http://www.intuit.ru/studies/courses/3735/977/lecture/14689?page=2

2

http://www.tadviser.ru/index.php


background image

56

central database of individuals and legal persons and implementation of a unified
information system to identify users of the system «Electronic Government»»for
№ 365 of December 17, 2015.

Research comformity to the priority directions of sciences development

and technologies of the Republic.

The dissertation was performed in accordance

with the following priority directions of development of science and technology:
PPS-17 - «Development of modern information systems, intelligent management
tools and training, scientific and technical databases and software products that
provide a broad development and implementation of information and
communication technologies»; PPS-5- «Development of information technologies,
telecommunication networks, hardware and software, methods and systems for
intelligent control and learning aimed at increasing the level of Informatization of
society».

Review of intenational scientific researches related to the subject of the

dissertation.

Today, in scientific centre and high educational institutions of the

developed countries of the world are carried out research in the field of modeling
weakly formalized objects and tasks of pattern recognition in the face of
uncertainty, building intelligent systems, decision support and knowledge base and
control in robotics, fuzzy modeling, theory fuzzy inference, the use of methods and
means of «soft computing» in a variety of application systems, neural networks
and evolutionary computation eg, Apple, IBM, E.piphany, SAS, Silicon Graphics,
SPSS, Oracle Data Mining, Oracle, UNICA, SQL Server Data Mining (USA),
Angoss, Cognos, STATISTICA Data Miner (Canada), humanIT Software GmbH,
BonaVista Systems (Germany), mentegrafica infovis solutions (Italy), Acknosoft,
SIPINA (France), GR Brains (India), Marcom ( China), NeuroShell, PolyAnalyst
(Russia), Jooble (Ukraine), AL11, AL12, AL13, ESPLAN (Azerbaijan).

Carried out researches on the development and practical application of fuzzy

mining models have shown that the development of methods and algorithms for
classification models, estimation and forecasting in a fuzzy knowledge in the world
received, in particular the following results:

developed methods for classification

and prediction in a fuzzy knowledge «Attar Software Ltd.» (United Kingdom);
implemented methods of evolutionary of programming system «PolyAnalyst,
Unica» (USA);

developed a method for structuring the problem in the form of a

graph that allows you to classify data or to carry out the analysis the consequences
of decisions, and this method is implemented in «S5.0, RuleQuest» (Australia),
implemented a method for constructing logical models of forecasting based on
fuzzy clustering «Clementine, Integral Solutions »(United Kingdom); in «SIPINA,
University of Lyon» (France) solved the problem of multi-criteria optimization
under uncertainty; setting the parameters of fuzzy model by using neural networks
implemented in «IDIS, Information Discovery» (USA); The methods of
construction of models of the intellectual analysis of weakly formalized processes
using neural networks in «NeuroShell, Ward Systems Group» (Russia).

Today, conducted research in such priority directions as the use of innovative

approaches, that is, funds technology «soft computing» in the development of


background image

57

intelligent data analysis systems, data processing a large volume, the transition
from numerical computations to linguistic computing, theory of fuzzy modeling
and fuzzy logic and their field of application, the application in the production of
neural networks and evolutionary algorithms.

The degree of scrutiny of the problem.

Tasks fuzzy logic algorithm design

settings of neural networks and evolutionary algorithms, the transition from
numerical computations to the linguistic computing and the use of natural language
in data processing, decision-making and management, theory of possibilities and
applications in intelligent systems, the theory of fuzzy modeling and fuzzy logic
conclusion, the use of soft computing, neural networks and evolutionary
computing in industrial systems, the development of methods of decision-making
under uncertainty, contingency management, and intelligent hybrid systems
considered in the works a number of scientists: L. Zadeh, A.Dyubua, A.Prada,
E.Mamdani, I.Sugeno, T.Takahi, M.Dzhamshidi, N.N.Moiseeva, S.A.Orlovskogo,
E.Mushnika, O.I.Laricheva, G.S.Pospelova, D.A.Pospelova, R.A.Alieva and
others.

Also a great contribution to the development of the theory of data mining,

fuzzy sets, fuzzy-stochastic mathematical modeling made our scientists: Kamilov
M.M., Bekmuratov T.F., Abutaliev F.B., Marahimov A.R., Nusratov T.S.,
Rakhmatullaev M.A., Ignatiev N.A., Usmanov R.N., Mukhamedieva D.T.
Although it is not considered the task of designing algorithms for constructing
fuzzy models of intelligent analysis state weakly formalized processes at nonlinear
dependence of input and output data, building multi-agent optimization settings
generated fuzzy model, in particular, the algorithm settings using a hybrid method
based on neural networks and algorithms evolutionary of a bee swarm.

However, the issues of development of modified hybrid methods and

algorithms for building logic models for the intelligent analysis states of weakly
formalized processes based on fuzzy inference rules by fuzzy clustering method
using neural networks and swarm algorithm for setting the parameters of these
models insufficiently investigated.

Connection of the dissertational research with the plans of scientific-

research works.

The results of the dissertation research is reflected in the

following fundamental and applied projects carried out at the Center for
development of software products and hardware-software complexes at the
Tashkent University of Information Technology: FA-F1-F015+F056 «Theoretical
foundations of intelligent systems for information processing under conditions of
uncertainty and pattern recognition» (2007-2012); FА-А17-F006 «Algorithmic
support adaptive recognition system for intelligent data analysis in the conditions
of uncertainty of information about objects» (2009-2012); А5-FА-F019 «The
algorithmic and software instrumentation systems to support decision making
based on fuzzy-set approaches» (2012-2014).

The purpose of research

is to develop hybrid methods and algorithms for

building models intelligent analysis of weakly formalized processes based on the
method of fuzzy clustering, setting the parameters of these models with the help


background image

58

neural networks and evolutionary algorithm of a bee swarm.

To achieve this goal the following

tasks of research

is formulated:

formation problems of intellectual analysis of weakly formalized processes;

development of algorithms of logical models of classification, estimation and

forecasting based on fuzzy inference rules, by using the method fuzzy clustering in
weakly formalized processes;

development of algorithms settings created fuzzy logic model based on neural

networks and algorithms of a bee swarm.;

development of algorithms for solving the multicriteria fuzzy optimization

tasks arising in the construction of fuzzy model;

development of a program of construction of fuzzy models of task of

classifications, estimation and forecasting;

development of software solutions for the fuzzy the multicriteria of

optimization problem by using technologies of parallel computing;

conduct of computational experiments and analysis of results to evaluate the

effectiveness of the developed algorithms and software.

Object of the research -

the tasks of intelligent analysis state of weakly

formalized processes

Subject of the research

- methods, algorithms and models of classification,

estimation and forecasting intellectual analysis states object in the conditions fuzzy
information

Methods of the research.

Theoretical research in this work was based on the

system approach to the modeling of weakly formalized processes, the theory of
fuzzy sets, neural networks and evolutionary algorithms.

Scientific novelty of the results of the dissertation is as follows:

proposed hybrid the methods of construction of fuzzy models intelligent

analysis of weakly formalized processes;

an algorithm for constructing a fuzzy logic model intellectual analysis -

classification, estimation and forecasting of weakly formalized processes based on
the method of fuzzy clustering;

the possibility of obtaining fuzzy solutions in the construction of the fuzzy

logic model classification, evaluation and forecasting of weakly formalized
processes based on the settings parameters of the model neural networks for
different membership functions;

the possibility of obtaining fuzzy solutions in the construction of the fuzzy

logic model classification, evaluation and forecasting of weakly formalized
processes based on the settings parameters of the model of algorithm of a bee
swarm for different membership functions;

it formed a multicriteria optimization problem in the conditions fuzzy

information and developed an algorithm to solve this problem;

develop criteria and algorithms for solving optimization problems and

decision-making with fuzzy initial information, proved several assertions about the
properties be improved solutions in terms of membership functions;

developed the technology constructing adequate fuzzy model based on hybrid


background image

59

methods of intellectual analysis of weakly formalized processes.

Practical results of the research are as follows:

the solution of problems of estimation and forecasting bankruptcy risk

organization by using fuzzy models of intelligent analysis achieved accuracy rates
95-98.2%;

to solve problems, "Estimates of production of basic food products in

agriculture by optimizing the structure of sown fields in 2011-2013." and and
"Estimates of livestock products in agriculture by optimizing the structure of the
livestock industry in 2011-2013." under the " development of the methodology of
the economic and mathematical models to optimize the structure of production of
the agricultural sector" with the help of the developed fuzzy model accuracy of the
results achieved 92-96,5%;

algorithms are developed parameter settings fuzzy model for classification,

estimation and forecasting, and the results of their application to the tasks
estimation and classification. In the process of decision of practical tasks (in
Tashkent Medical Academy - the task of determining the causes and ways to
reduce case fatality among mothers in the pre- and postnatal period) conducted
experiments and obtained the accuracy of 92-95%.

Reliability of the results research

based on the fact that the applied

methods and algorithms for constructing fuzzy mining models states poorly
formalized processes, high accuracy for solving applied problems of classification,
estimation and forecasting results of theoretical and applied research, and their
consistency.

The scientific and practical significance of research results.

The scientific significance of the results of research is to develop methods and

algorithms for constructing fuzzy logic models based on the method of fuzzy
clustering settings parameters of the model using neural networks and evolutionary
algorithms, solving fuzzy the multicriteria optimization problems arising in the
construction of fuzzy model, as well as classification, estimation and forecasting
state objects.

On the basis of the results of the application of methods and algorithms for

constructing fuzzy of intelligent analysis models in solving problems of estimation
and forecasting the risk of bankruptcy organization, forecasting production of basic
food products in agriculture and the volume of production of livestock products to
achieve economic efficiency.

Implementation of research results.

In solving the practical problems of of

estimation and forecasting the risk of bankruptcy of organizations using the
software classification, of estimation and forecasting, based on methods and
algorithms for constructing fuzzy model intelligent analysis of weakly formalized
processes by increasing productivity in 1,5-2 times and accuracy of 95- 98.2%
achieved an annual economic effect worth more than 170.5 mln. UZS. (reference
of the Development of the Ministry of Information and Communication
Technologies for №02-8 / 343 of 21 January 2016; reference of the Office of
Agriculture and Water Resources of the Jizzakh region №03-399 of June 24, 2015;


background image

60

reference of the State Committee of Uzbekistan on privatization, demonopolization
and development of competition for №15-2214 of 16 June 2015).

Approbation of the work.

Theoretical and applied aspects of the thesis

discussed at the following international and national seminars and conferences,
"Integral equations 2009" (Kiev, Ukraine, 26-29 January 2009); Republican
scientific-technical conference "Current state and prospects of development of
information technologies" (Tashkent, Uzbekistan, 5-6 September 2011); Russian
conference with international participation "Knowledge Ontology-Theory"
(Novosibirsk, Russia, October 3-5, 2011); seventh Asian International School –
seminar "Problems of optimization of complex systems" (Tashkent, Uzbekistan,
17-27 October 2011); VI International Scientific and Practical Conference
"Engineering Systems 2013" (Moscow, Russia, April 24-26, 2013); Russian
conference with international participation "Knowledge - Ontology - Theory"
(Novosibirsk, Russia, October 8-10, 2013) and "Eighth World Conference on
Intelligent Systems for Industrial Automation" (Tashkent, Uzbekistan, November
25-27, 2014 year).

Results publication.

On the topic of the dissertation was published 44

scientific works, including 11 articles in national journals 4 and 4 articles in
foreign scientific journals, 20 papers and abstracts in scientific conferences, one
monograph.

Structure and scope of the dissertation.

The dissertation consists of

introduction, five chapters, conclusion, bibliography and appendices. The total
volume of the dissertation is 194 pages with 9 figures and 14 tables.


background image

61

MAIN CONTENT OF DISSERTATION

In

introduction

is motivated urgency and topicality of subject to thesises, is

worded purpose and problems, is revealled object and subject of the study, is
determined correspondence to of the study to priority directions of the
development of the science and technology of the Republic Uzbekistan, are stated
scientific novelty and practical results of the study, is motivated validity got result,
reveal; open theoretical and practical value got result, is brought list of the
introduction in practical person result studies, results to approbations of the work,
information on published work and structure to thesises.

In the first

chapter

“Problems of construction of models of mining

conditions of weakly formalized processes”

of the dissertation provides an

analytical overview of the evaluation and prediction of model building,
classification of States of weakly formalized processes.

Classification, assessment and prediction of States of weakly formalized

processes using existing methods traditional mathematics difficulties arise, that is,
the results differ by inaccuracy, ambiguity, determinately, dynamic. In this case, to
obtain reliable data it is difficult or impossible to obtain promptly. When solving
practical problems under fuzziness of fuzzy data, i.e. information with
nestokhasticheskaya characteristics, to construct a system of classification,
estimation and prediction, it is necessary to divide into two parts: quantitative
(volumetric) and obtained from the linguistic expert (qualitativeMost fuzzy
systems use the data of the second type based on the basis of the conclusions of the
fuzzy rules are combined in fuzzy conclusions systems (FCS). Incoming data
algorithms for constructing fuzzy logic models, based on the conclusions of the
fuzzy rules under fuzziness play a major role in the classification, estimation and
prediction.

The rules of formation of the conclusions of the fuzzy rules when building

models for classification, estimation and prediction determines the importance of
appropriate abbreviations.

Correct use of current information about the subject of research in the

modeling process of the research subject, determination of the adequacy of the
model is important. This plan formed the main problems in the development of
weakly formalized processors. Traditional fuzzy systems have some
disadvantages, so nebohodimo to involve experts in a particular area for the
formation of rules and functions of prinadlejnosti. This in turn is a factor in the
occurrence of a number of inconveniences. Adaptive fuzzy systems (adaptive
fuzzy systems) reshut this problem. In such systems during the learning process the
experimental data is used to edit the parameters of fuzzy systems. Learning
adaptive fuzzy systems is considered more difficult and complex than the learning
algorithms of neural networks. The process of adaptation of fuzzy systems consists
of two stages: 1.Creation of linguistic rules; 2. Setting the parameters of the model.
To create fuzzy rules are necessary functions, and for making fuzzy inference rule.


background image

62

Construction of fuzzy models for classification, estimation and prediction can

be expressed as optimization problems with four target function.

 

 

 

min,

min,

max,

3

2

1

S

f

S

f

S

f

 

M

j

j

j

y

y

S

f

1

2

4

.

min

ˆ

2

1

Here

 

S

f

1

– number of correctly classified objects using S rules set,

 

S

f

2

–

S

number of fuzzy rules in the set of rules,

 

S

f

3

– total number of

items in the Input in S and

 

S

f

4

- root mean squared error between the

obtained and expected results of the model. Thus, we come to the multicriteria
optimization problems.

In particular, in this Chapter provides analytic review of existing methods

for classification, assessment and prediction of weakly formalized processes and
examines the approaches of fuzzy sets in question multicriteria optimization. As a
result of the analysis identified key issues and tasks that are decision making.

The main task to be solved, is overcome by the construction of a logical

model based on the conclusions of the fuzzy rules using the method of fuzzy
clustering.

A complex of interrelated models gives the possibility of building a software

module and algorithms for classification, estimation and prediction in weakly
formalized systems.

The difference between the proposed approach and the traditional approach

is to use modern technologies data mining (knowledge base, the components of
Soft Computing - neural networks, algorithms colony of bees) to develop
algorithms and software tools for building-based method for fuzzy clustering,
logical models of the classification, estimation and prediction.

In the second

chapter

“Development of methods for mining models able

weakly formalized processes based on the findings of fuzzy rules”

of the

dissertation developed logic models for classification, estimation and prediction of
States of weakly formalized processes on the basis of the conclusions of the fuzzy
rules.

Classification model, assess and predict the States of weakly formalized

processes, which is reflected in the research of scholars such as A. P. Rothstein and
R. A. Aliev, are determined by the following fuzzy rules:

)

,...,

,

(

билан

вазн

,

2

1

1

1

,

n

j

j

k

p

n

i

jp

jp

i

i

x

x

x

f

y

w

a

x

j

 

. (1)

Here

jp

i

a

,

-

jp

expresses linguistic therm variable number of

i

x

.

jp

w

-

jp

– weight of ratio rules.

)

,...,

,

(

2

1

n

j

j

x

x

x

f

y

- conclusion of fuzzy rules.

Developed three types of classification models, estimation and prediction,

characterizing the state of poorly formalized processes using the conclusions of the
fuzzy rules.

1.

Fuzzy classification model, evaluation and prediction of astoni poorly

formalized processes in the form of the output of the nonlinear connection.


background image

63

 

 

.

...

,

1

1

1

1

,

1

)

1

(

0

H

h

h

n

j

h

j

j

j

k

p

n

i

jp

jp

i

i

x

b

x

b

b

y

w

weight

the

with

a

x

hn

n

h

j

 

(2)

2. Fuzzy classification model evaluation and prediction of the processes in

the form of a linear relation output.

n

j

j

j

j

k

p

n

i

jp

jp

i

i

x

b

x

b

b

y

w

weight

the

with

a

x

n

j

...

,

1

1

1

,

1

0

 

. (3)

3.

Fuzzy classification model evaluation and prediction of the processes in

the form of fuzzy inference therm.

,

1

1

,

,

1,

.

j

k

n

i

i jp

jp

j

j

p

i

x

a

with the weight w

y

r j

M

(4)

In constructing a logic model for classification, estimation and prediction of

States of weakly formalized processes created algorithm of fuzzy clustering.

In the process of constructing fuzzy models membership functions may be

different. The advantage of fuzzy logic is the ability to use expert knowledge in the
form of linguistic opinions about the object. But the fuzzy logic has no mechanism
for learning. When building a fuzzy model in the case of different types of
membership functions is used to edit the parameters of the model based on neural
networks and bees, have made the task of solving the problem of learning fuzzy
logic model. The content of the training is to optimize the differences between
these properties of the object and the results of fuzzy approximation.

Setting the parameters of a fuzzy logic model based on neural networks and

algorithms bee swarm is brand new. As a result of this configuration of the
resulting model takes the intellectual characteristics. In the dissertation deals with
the process model tuning of membership functions with networks in the form of a
Gaussian, bell-shaped, parabolic, triangular and trapezoid based on neural
networks And algorithms bee swarm.

1.

Setting the parameters of the model based on neural networks:

minimizing the criterion used in the theory of neural networks for learning

min

ˆ

2

1

1

2

M

j

j

j

y

y

E

(5)

uses a system of recurrence relations for different types of membership functions
(table 1).










background image

64

Table 1

The recurrence relations of setting model parameters of different types of

membership functions

Membership function

Recurrence relations

Gauss form:



 

2

exp

)

(

c

x

x

,

)

(

)

(

)

(

2

)

(

)

(

)

(

)

(

)

(

ˆ

)

(

)

1

(

2

*

*

2

1

1

1

1

jp

i

i

jp

i

jp

i

i

m

j

d

m

j

d

j

m

j

d

j

i

jp

n

i

i

jp

jp

t

t

jp

i

jp

i

x

с

x

y

y

d

y

d

x

x

w

y

y

t

c

t

c

j

j

j

.

)

(

)

(

)

(

2

)

(

)

(

)

(

)

(

)

(

ˆ

)

(

)

1

(

3

*

2

*

2

1

1

1

1

jp

i

i

jp

i

jp

i

i

m

j

d

m

j

d

j

m

j

d

j

i

jp

n

i

i

jp

jp

t

t

jp

i

jp

i

x

с

x

y

y

d

y

d

x

x

w

y

y

t

t

j

j

j

Bell-shape:

2

1

1

)

(

 

с

x

x

 

,

)

(

)

(

)

(

2

)

(

)

(

)

(

)

(

)

(

ˆ

)

(

)

1

(

2

2

*

2

*

2

2

1

1

1

1

jp

i

i

jp

i

jp

i

i

jp

i

m

j

d

m

j

d

j

m

j

d

j

i

jp

n

i

i

jp

jp

t

t

jp

i

jp

i

c

x

c

x

y

y

d

y

d

x

x

w

y

y

t

c

t

c

j

j

j

.

)

(

)

(

)

(

2

)

(

)

(

)

(

)

(

)

(

ˆ

)

(

)

1

(

2

2

*

2

2

*

2

1

1

1

1

jp

i

i

jp

i

jp

i

i

jp

i

m

j

d

m

j

d

j

m

j

d

j

i

jp

n

i

i

jp

jp

t

t

jp

i

jp

i

c

x

c

x

y

y

d

y

d

x

x

w

y

y

t

t

j

j

j

In the form of a parabola:

2

1

)

(

 

с

x

x

,

)

(

)

(

2

)

(

)

(

)

(

)

(

)

(

ˆ

)

(

)

1

(

2

*

2

1

1

1

1

jp

i

jp

i

i

m

j

d

m

j

d

j

m

j

d

j

i

jp

n

i

i

jp

jp

t

t

jp

i

jp

i

с

x

y

y

d

y

d

x

x

w

y

y

t

c

t

c

j

j

j






background image

65

.

)

(

)

(

2

)

(

)

(

)

(

)

(

)

(

ˆ

)

(

)

1

(

3

2

*

2

1

1

1

1

jp

i

jp

i

i

m

j

d

m

j

d

j

m

j

d

j

i

jp

n

i

i

jp

jp

t

t

jp

i

jp

i

с

x

y

y

d

y

d

x

x

w

y

y

t

t

j

j

j





In the form of a triangle:

,

,

( )

,

,

0, in other cases.

x a

a

x

b

b а

x c

х

b x c

b c

 

 

 

 



,

)

(

)

(

)

(

)

(

)

(

)

(

ˆ

)

(

)

1

(

2

2

1

1

1

1

jp

i

jp

i

jp

i

i

m

j

d

m

j

d

j

m

j

d

j

i

jp

n

i

i

jp

jp

t

t

jp

i

jp

i

a

b

b

x

y

y

d

y

d

x

x

w

y

y

t

a

t

a

j

j

j





,

)

(

)

(

)

(

)

(

)

(

)

(

ˆ

)

(

)

1

(

2

2

1

1

1

1

jp

i

jp

i

jp

i

i

m

j

d

m

j

d

j

m

j

d

j

i

jp

n

i

i

jp

jp

t

t

jp

i

jp

i

c

b

b

x

y

y

d

y

d

x

x

w

y

y

t

c

t

c

j

j

j





if

b

x

a

, then

,

)

(

)

(

)

(

)

(

)

(

)

(

ˆ

)

(

)

1

(

2

2

1

1

1

1

jp

i

jp

i

i

jp

i

m

j

d

m

j

d

j

m

j

d

j

i

jp

n

i

i

jp

jp

t

t

jp

i

jp

i

а

b

x

a

y

y

d

y

d

x

x

w

y

y

t

b

t

b

j

j

j





if

c

x

b

, then

.

)

(

)

(

)

(

)

(

)

(

)

(

ˆ

)

(

)

1

(

2

2

1

1

1

1

jp

i

jp

i

i

jp

i

m

j

d

m

j

d

j

m

j

d

j

i

jp

n

i

i

jp

jp

t

t

jp

i

jp

i

c

b

x

c

y

y

d

y

d

x

x

w

y

y

t

b

t

b

j

j

j






background image

66

n

i

i

jp

jp

m

j

d

m

j

d

j

m

j

d

j

t

t

jp

jp

x

w

y

y

d

y

d

y

y

t

w

t

w

j

j

j

1

2

1

1

1

)

(

)

(

)

(

)

(

ˆ

)

(

)

1

(

.

2. We configure the parameters of the generated fuzzy model-based

evolutionary algorithm - bee swarm. This algorithm was developed by analogy
with the behavior of wasps in a colony of bees. The main content of the settings of
the model parameters on the basis of the bees algorithm is to choose the parameter
values that minimize the difference between the real properties of the object and
output results of the model. This algorithm can be expressed incrementally in the
following form:

Step 1. The initialization. Here totalNumberBees - the number of bees,

numberInactive - the number of inactive bees, numberScout - number of bees-
scouts (scouts - scout), maxNumberVisits - the number of visits sources of nectar,
maxNumberCycles - the number of iterations is determined by the intervals of
values of the parameters a, b, c and w.

Step 2. Scouts examine the area around the hive in search of new food

sources. In this case determined by the initial values of the parameters, and the
results are stored in the matrix BS.

Step 3. Waggle dance is watching the bees. Here from found sources of

nectar the most optimal (in which a lot of nectar or the next) are transferred from
the matrix BS in the matrix WG.

The duration of the Waggle dance is determined by the formula

A

d

D

i

i

.

Here A is the coefficient of scalability; the value indicates the relative usefulness,
quality and volume of nectar found

i

d

- dancing

i

– bee-scout.

After selecting the desired source of nectar, the worker bee starts flying to the

nectar.

On the basis of the matrix WG obtained from bees-scouts, worker bees carry

nectar and around the source of this nectar finding new sources (parameter values).
Information is entered into the matrix NW.

Step 5. Scout bees on the basis of information WG carry nectar, the result is

determined, which gives the optimal value, which is assigned to the variable at
best. The results obtained are included in the NB matrix.

Step 6. Record of decisions on the basis of existing matrices NW, NB, WG.

Step 7. Under the terms of the criterion

min

)

)

,

,

,

,

(

(

2

1

2

t

t

t

y

d

c

b

a

w

f

E

or

implementation of a specific iteration to maxNumberCycles and determine the
optimal values of the parameters from W.

Step 8. When the requirements of the relevant criterion, go to Step 2.
Here

d

c

b

a

w

f

j

,

,

,

,

- output of the model,

w –

rule weight

,

j

y

ˆ - these

characteristics of the object, a, b and c are the parameters of membership functions.
These parameters are defined according to the type of the membership function. If
the membership function in the form of Gauss, parabola, bell shaped, the options


background image

67

are a and b. If the membership function in the form of a trapezoid, the options are
in the form of a, b, c and d.

With each iteration of the algorithm the values of the model parameters

close to the optimum.

In the process of building a model, you need to meet a number of criteria

that meet the requirements of creating an optimal model.

In the third chapter

“Development of the algorithm for solving multi-

criteria optimization problem that arises when building fuzzy models”

of the

dissertation discusses the issues multicriteria fuzzy optimization arising in the
process of setting the parameters of the membership functions, build the model and
create a model using fuzzy clustering logic model, based on the conclusions of the
fuzzy rules for the classification, assessment and forecasting of States of weakly
formalized processes.

Setting the parameters of a fuzzy logic model consists of two stages. The

first step is to define the values of the model (

y

), conform to a given network

architecture output. The second stage is determined by the value of error (

E

) and

calculated

values

of

the

parameters

of

membership

functions.

In this process, using functions that result in the highest values, create a model that
consists of the conclusions of the fuzzy model (2)-(4). Here you want to find the
coefficients

b

ji

(i=0,1,2,…,t; j=1,2,…,m)

.

If the model is linear type , and when the nonlinearity of the model.
Obtained coefficients (5) are considered to be values that minimizes the

square error.Input vector

)

,...,

,

(

,

2

,

1

,

n

r

r

r

r

x

x

x

X

has the following fuzzy output:

m

j

r

d

m

j

j

r

d

r

x

у

x

y

j

j

1

1

)

(

)

(

. Level of implementation of the conclusions of the rules

j is determined by using the expression

)

(

...

)

(

)

(

)

(

2

1

rn

k

j

r

k

j

r

k

j

r

y

x

x

x

x

j

j

j

j

.

.

By means of the expression

m

k

r

y

r

y

jr

x

x

j

j

1

)

(

)

(

for input vector

r

X

is

determined by the relative level of implementation of the conclusions of the rules j.
Then:
(a) at the output as a linear relationship:

)

...

(

1

1

0

1

1

n

n

j

j

j

r

j

r

r

j

m

j

m

j

r

j

r

j

r

r

x

b

x

b

b

y

y

.

b) when the output is in the form of nonlinear dependencies:

).

...

...

...

(

1

)

1

(

1

)

1

(

1

1

0

1

1

H

H

j

n

h

n

h

j

n

n

j

j

j

r

j

r

r

j

r

r

j

r

r

j

m

j

m

j

r

j

r

j

r

r

x

b

x

b

x

b

x

b

b

y

y


background image

68

Value of the parameter

j

r

determined in accordance with the form of the

membership function (table 2):

Table 2

Definition of the parameter

j

r

at the various types of membership functions

Membership functions

Value of the parameter

j

r

Gaussian:



 

2

exp

)

(

c

x

x

.

2

1

exp

/

2

1

exp

1

2

1

1

2











m

k

t

i

ik

ik

ri

t

i

ij

ij

r

r

c

x

c

x

i

j

Bell-shape:

2

1

1

)

(

 

с

x

x

.

1

1

/

1

1

1

1

2

1

2



 







m

k

t

i

ik

ik

ri

t

i

ij

ij

r

r

c

x

c

x

i

j

In the form of a parabola:

2

1

)

(

 

с

x

x

.

1

/

1

1

1

2

1

2



 











m

k

t

i

ik

ik

ri

t

i

ij

ij

r

r

c

x

c

x

i

j

In the form of a triangle:

,

,

( )

,

,

0, in other cases.

x a

a

x

b

b а

x c

х

b x c

b c

 

 

 

 



1

1

1

1

1

1

/

, if

,

/

, if

.

i

i

j

i

i

t

t

m

r

ij

r

ik

k

i

i

ij

ij

ik

ik

r

t

t

m

r

ij

r

ik

k

i

i

ij

ij

ik

ik

x

a

x

a

a

x

b

b

а

b

а

x

с

x

с

b

x

c

b

с

b

с

 

 

 


Let’s

introduce

the

following

notation:

T

M

y

y

y

Y

,...,

,

2

1

,

T

M

y

y

y

Y

ˆ

,...,

ˆ

,

ˆ

ˆ

2

1

,

m

M

t

M

M

n

M

m

M

M

m

M

M

m

t

n

m

m

x

x

x

x

x

x

x

x

A

,

,

1

,

,

,

1

1

,

1

,

1

1

,

,

1

,

,

1

,

1

1

,

1

,

1

,

1

1

,

1

1

,

1

1

,

1

,

1

1

,

1

,...,

...,

,

,...,

,

,...,

,...,

...,

,

.

,...,

,

,...,

.

In this case, (5) the task is given in the following matrix: find the vector In

meeting the following requirements:

min

)

ˆ

(

)

ˆ

(

Y

Y

Y

Y

E

T

. (6)

This task (6) is expressed as the following equation:

B

A

Y

.

In the process ofconstructing a model, there arises the problem of

multicriteria optimization.In General, the multi-objective optimization problem as
follows:


background image

69

 

   

 

X

x

x

f

x

f

x

f

x

f

T

q

min,

,...,

,

2

1

(7)

here

  

n

j

j

kj

k

x

c

x

f

1

,

.

0

,

|

,

,...,

2

,

1

x

K

Ax

R

x

x

q

Q

k

n

K={y

b

y

R

y

m

,

}

The multi-objective optimization problem with fuzzy objective involves

finding such х, meet the following condition:
here

k

g

~

- is fuzzy set.

k

g

~

={z

k

Q

g

z

R

z

,

}

 

,

,

,...,

2

,

1

,

~

X

x

Q

k

g

x

f

k

k

(8)

 

 

 

 

 



.

,

0

,

,

1

,

,

1

k

k

k

k

k

k

k

k

k

k

k

k

k

k

t

g

x

f

t

g

x

f

g

t

g

x

f

g

x

f

x

f

(9)

The fuzzy decision problem (8) can be converted to a clear solution of the
problem:

 

.

,

max,

X

x

x

f

k

k

Solution

X

x

0

is called a Pareto optimal solution if for all y, the following

inequality holds:

 

 

0

x

f

y

f

k

k

k

k

and at least one of the condition

 

 

0

x

f

y

f

S

S

S

S

.

Solution

X

x

0

is called optimal according to the criterion of Pareto-type if

not exists

X

y

, best on the criterion of Pareto-type than

0

x

.

We introduce the notion of improvement solutions

X

y

according to the

criterion of Pareto-type in fuzzy environment: decision

X

y

let's call are

improving, if there is a solution

X

x

0

, which is better than on the criterion of

Pareto type.

Assertion 1. The solution

X

x

0

improving in situation of the decion

making of fuzzy multi-purpose solutions

 

   

 

x

f

,...,

x

f

,

x

f

x

f

p

2

1

then, and

only then, when there is a vector

Q

R

, for which the inequality

 

 

s

0

0

,

c

x

f

c

x

f

s

s

k

k

k

For all

Q

,...,

k

1

and at least one

Q

s

,...,

1

,


background image

70

where

k

k

c

c

,

 

.

min

max

k

k

k

k

y

y

f

c

Assertion 2. Let

 

y

f

k

k

membership function

 

y

f

k

, defined as in (9).

0

x

the optimal solution of improval tasks:

max

1

Q

k

k

,

 

.

0

,

,

,...,

1

,

*

k

k

k

k

X

x

Q

k

x

f

Then solution

X

x

0

Pareto - optimal solution of the task (8).

In the fourth chapter

“Solution of the problem of optimization algorithms

based on parallel computing”

discusses the process of developing algorithms

based on the technologies of parallel computing for solving optimization problems.
In this problem optimization using parallel computing technologies to solve the
algorithms based on the example of a colony of bees, modified by neural networks
and recurrent neural networks - Hopfield network.

All methods for solving optimization problems can be divided into two

groups: exact and heuristic.

Heuristic methods can provide the most optimal solution, but the quality of

solutions, the importance of the result is close to the global optimum. Exact
methods are based on a complete enumeration of all possible solutions that, in turn,
makes them ineffective.

Solved the issue of constructing of a logical model based on the findings of

fuzzy rules and multicriteria optimization in the process of configuring their
settings. The process solution of the multiobjective optimization problem is
considered for some of the test task.

Currently, a significant part of optimization problems, in particular

combinatorial optimization issues are considered NP-complete problems. While
solving the questions of optimization using neural networks approach increases the
probability of the optimal solution. As a test optimization problem we consider the
task of a salesman. To solve this problem created by the objective function neural
network Hopfield.

In many cases, in solving optimization problems requires numerous

computations and computation time. In this case, in order to improve performance
and increase the speed of the program there are cases impractical to purchase
additional software and tools, the integration of additional services. Assessment at
the level of intuition does not always bring the desired result. In these cases, the
use of technology parallel computing is a factor that gives an effective result. But
parallelisierung desired solution, while the parallel calculation of the required
extended period of time, that is, for large problems, is effective. Parallelisierung on
many processors can only be effective when large tasks.

In the program solving a particular optimization task from the main CPU sent

in parallel at the same time on N processors. These processors independently from
each other determine the optimal (local) solution. The results are found in all the
processors re-gather in the main processor, among them is one solution with the
minimum value and consistency of the cities, which gave this result is selected as
the most optimal. In this case, increasing the number of processors that provide the


background image

71

probability of the optimal solution, can simultaneously increase the length of time
of calculation.

On the basis of the developed algorithms conducted a series of

computational experiments. Analysis of the results showed that the results of the
proposed algorithms are very close to the global optimum. But it should be noted
that when solving problems on the basis of this algorithm requires many iterative
calculations. In order to eliminate this problem for parallel calculation developed
by modifying the neural network algorithm.

To solve this optimization problem proposed recurrent neural network,

expressed in the following differential equation:

 

 

,

exp

2

)

(

1

1



t

r

t

x

t

x

t

t

u

ij

n

k

n

l

lj

ik

ij

(10)

here

)

exp(

1

1

)

(

)),

(

(

u

u

f

t

u

f

x

ij

ij

.

Obviously, in this case, as the example of a Hopfield network occurs matrix

n

n

. But, then the neurons communicate, not on the principle of “each with each,

as in rows and columns. It is known that the solution to this problem can be done
using the Hopfield network iterative calculations to

4

n

. Using of the proposed

modification of the neural network reduces the number of iterative calculations
concerning the Hopfield network to

2

n

.

Difference variant of equation (10) has the form:

 

,

exp

2

1

1

1







t

r

x

t

x

t

u

u

ij

n

k

n

l

lj

ik

t

ij

t

ij

(11)

here

t

- step in time and the value of this parameter [0,1], we can take

intermediate values. Parameters

,

,

,

obtained on the basis of experiments

and the speed of solving the problem, and this has a serious impact on the quality

of solutions. According to the observations at

t

1

chances of obtaining effective

results increase. In this case t – number of iterative steps.

Analysis of the results showed that the results of our proposed algorithms,

artificial neural networks in comparison with algorithms developed on the basis of
neural networks Hopfield, have low resource consumption and efficiency in terms
of high speed operation. But, it should be noted that if the volume of tasks is very
large, the algorithms of neural networks may become less effective due to longer
computation. Usually in such cases it is advisable to use heuristic algorithms. In
particular, the study examines the use of bees algorithm for parallel computing
technologies.

In parallel computing technologies the solution of optimization problems

using the bees algorithm can be greatly efficient and fast.

In order to assess the effectiveness of the algorithm is executed a process of

testing the optimization algorithm. To map the processes solutions in technologies


background image

72

of parallel computing problems of a salesman by means of neural network
algorithms Hopfield and bee swarm.

Solving problems using parallel computing technologies can pursue two

objectives: a) increase the speed of computation, in this case, one problem is
divided into several separate parts and to calculate independently from each other
on parallel distributed processors. In the end obtained from the different
processors, the results are summarized. b) the quality and reliability of the solution,
in this case usually one program, the problem completely goes to multiple
processors. Among the obtained results for multiple processors is selected to be the
best.

To solve this problem use a library FMPJ in the programming language

Java. For solutions have been used 15 dual processor and dual core computers (60
processors).

In this problem when the number of nodal points in 10 for the neural

network Hopfield, while the number of nodal points in 1000 for the bees algorithm
computational experiments.

In the following figures 2, 3 shows the results obtained using the algorithms

of a Hopfield network and bee swarm:

Figure 2. Results obtained using the Hopfield network – a graph of long optimal

directions

Figure 3. Results obtained using the algorithm of bees colony – a graph of long

optimal directions

In the fifth chapter

“Implementation of computational experiments based

on a program of building a mining model based on the findings of fuzzy rules”

of the dissertation summarizes the results of the computational experiment with the
program of building a logic model, based on the findings of classification rules,
assess and predict the States of poorly formalized processes.


background image

73

Solved the problem of classification and evaluation with the developed

program, a comparative analysis between the results of the algorithms and other
existing one.

For the pilot study as the main purpose selected using fuzzy approach and

performed the following tasks:

Creating a database of fuzzy rules and sets of reduction rules by
setting the parameters of a fuzzy model of the fuzzy rules using neural
networks and the bees algorithm and the construction of a fuzzy
model high-performance evaluations (high recognition rate).

Undertake a comparative analysis of the results of the different tasks
in the form of tables and graphics.

As an example, take widely distributed and located via email:

http://www.ics.uci.edu/~mlearn/databases/, various tasks. These include the
following tasks: the task of Iris (Iris Data Set), glass (glass Identification Data Set),
the task of diagnosis of diabetes (Pima Indians Diabetes), the task environment
(Ecoli Data Set), the task of Haberman (Haberman''s Survival Data Set), the task of
the wine (wine Data Set), the task of the liver (Liver).

Below listed table 3, in which the parameters are given these tasks model.

Table 3

Parameters of the model tasks

Name of the task

Number of

classes

number of signs

number of

objects

Glass

7

9

214

Haberman

2

4

306

Iris

3

4

150

Ecoli

8

7

336

Pima

2

8

768

Wine

3

13

178

Liver

2

6

345

To match when solving the tasks used different algorithms. In table 4 the

results were compared in various ways on the basis of the proposed method.

Table 4

Comparative results between the proposed and existing methods

Task

Proposed
method

GBC SGF

SVM 1NN

KNN

Conventional
RBF
network

Glass

87.85

84.27 75.74 71.50 72.01 72.01

69.16

Iris

98.3

98.00 97.33 97.33 96.00 95.33

95.33

Wine

98.88

100

99.44 99.44 95.52 96.07

98.89


Here it is seen that the best results of the considered algorithms. The best

results for a specific task allocated separately.


background image

74

In addition, Table 5 compares the different results of our proposed method

and algorithm GBC (Gravitation Based Classification), SVM algorithm.

Table 5

Comparative results of the proposed and existing methods

Proposed method

Gravitational
potential method

SVM

V

er

y

b

ad

V

er

y

g

o

o

d

Bad

V

er

y

b

ad

V

er

y

g

o

o

d

Bad

V

er

y

b

ad

V

er

y

g

o

o

d

Bad

Haberman

82.7 87.5 85.1 75.2 86.7

81.5 72.3 82.1 78.8

Liver

78.4 86

82.3 63.5 72.8

67.1 60.4 68.3 65.5

Ecoli

88.5 94.2 91.8 89.7 98.5

95.5 89.4 94.4 92.3

In order to show the effectiveness of the proposed method were compared to

the results of the proposed and existing methods to the problem of diabetes. As a
result our proposed fuzzy model the solution of these tasks gave better results than
other methods.

Table 6

Comparative results of the proposed and existing methods

Task


Proposed
method

DGC

Fuzzy
integral-
based
perceptron

SAMGA

Pima

87.2

81.82

74.81

73.00


Test processes are performed using 10-fold cross-validation for each model.
The results of the proposed method compared with other classification

methods (in particular, the classifiers CBA, DGC, QPL, SAMGA, C4.5-type, NN
and SVM) were more accurate.

The program construct the model on the basis of the conclusions of the fuzzy

rules solved a practical problem “deaths among mothers in the antenatal and
postnatal period”. In this problem solved the problems of classification, evaluation
and forecasting of the state of mothers in the antenatal and postnatal period, based
on the 67 signs.

As a result, in the classification process made the error of 12.5-3%. When

solving the same task using traditional fuzzy model error rate is considerably high.
In the following Table 7 shows the comparative analysis of the results obtained by
the proposed method and the fuzzy model:






background image

75

Table 7

Comparative analysis of the results obtained by proposed method and the fuzzy

model

lower

average

good

Proposed

method

87.5%

93.75%

96.9%

fuzzy

54%

57%

75%

Usually in medicine classes overlap or interpenetrate. In such cases, the

application of specific methods in the classification may not give the expected
result. So, the challenge to Lethal cases among mothers in the antenatal and
postnatal period” can be solved by a k-closest neighbors gives the result
correctness 31.25% (error - 68.75%).


background image

76

CONCLUSION

Analysis of the main results of the thesis allowed us to make several

conclusions.

1.

A systematic analysis of the problem of constructing models of fuzzy

classification problems, estimation and forecasting in weakly formalized systems,
as well as the urgency of the development of methods for their solution.

2.

On the basis of mathematical analysis shows that important to ensure the

adequacy of the model, that is, how to properly use the current information about
the subject of research in the modeling process.

3.

Analysis of the fuzzy multi-criteria optimization problems generated by

the construction of fuzzy model predictive analysis of poorly formalized processes,
allows us to solve the problem of multicriteria optimization, resulting in the
construction of classification models, estimation and forecasting processes in a
fuzzy information.

4.

An algorithm for constructing a fuzzy model predictive analysis of the

process allows us to solve the problem of classification, estimation and forecasting
processes in weakly formalized and the nature of the uncertainty of information
about them.

5.

The experimental studies have shown a higher efficiency of the developed

algorithms in comparison with known algorithms for solving model problems
classification, estimation and forecasting.

6.

Analysis of the results obtained in the construction of classification

models, estimation and forecasting of mining processes in the states of fuzzy
information based on fuzzy clustering method showed that the fuzzy approach
makes it possible to obtain adequate fuzzy decision based on any a priori
information and the level of certainty.

7.

Determine the properties be improved for solving the problem of fuzzy

multi-criteria optimization, formed by the construction of fuzzy model, and this
property contributes to obtaining effective results in addressing a number of
practical problems.

8.

The possibility of obtaining effective solutions for solving practical

problems of classification, estimation and forecasting based on the development of
algorithms for constructing models of mining state weakly formalized processes.


background image

77

ЭЪЛОН ҚИЛИНГАН ИШЛАР РЎЙХАТИ

СПИСОК ОПУБЛИКОВАННЫХ РАБОТ

LIST OF PUBLISHED WORKS

I бўлим (I часть; I part)

1.

Mingliqulov Z. Method of solving multi-objective optimization problem

in the presence of uncertainty // International Journal of Research in Engineering
and Technology (IJRET). – India, 2014. Vol-03 Iss-01, Jan-2014. –рр. 496-500.
(№ 5) Global Impact Factor, IF= 3.127.

2.

Мухамедиева Д.Т.,Мингликулов З.Б. Решение задачи оптимального

исследования рынка с применением нейронных сетей // Актуальные
проблемы современной науки. – Москва, 2010. - №5(55). – С. 131-134. (№ 39)
Impact Factor Search, IF= 0.018.

3.

Мингликулов

З.Б.

Алгоритм

решения

задачи

нечёткой

кластеризации// Проблемы информатики. – Новосибирск, 2014. -№ 1. – С. 10-
14. (05.00.00; № 67)

4.

Камилов М.М., Мингликулов З.Б. Алгоритм решения задачи

нечёткой кластеризации, основанный на учёте нечётких отношеий между
объектами // ДАН РУз. – Ташкент, 2014. - №4. – С. 18-21. (05.00.00; № 9)

5.

Мингликулов З.Б. Алгоритмы принятия диагностических решений с

использованием нейронечетких технологий // Проблемы информатики и
энергетики. – Тошкент, 2011. - №1. – С. 71-76. (05.00.00; № 5)

6.

Мингликулов З.Б. Решение многокритериальной задачи оптимизации

при построение нечеткой модели // Проблемы информатики и энергетики. –
Тошкент, 2012. - №6. – С. 42-47. (05.00.00; № 5)

7.

Мухамедиева

Д.Т.,

Мингликулов

З.Б.

Разработка

мнрогокритериальных

моделей

оптимизации

с

использованием

нейронечетких подходов // Химическая технология. Контроль и управление. -
Ташкент, 2012. -№4. – С. 66-69. (05.00.00; № 12)

8.

Мухамедиева

Д.Т.,

Мингликулов

З.Б.

Решение

задачи

многокритериальной маршрутизации в телекоммуникационных сетях //
Химическая технология. Контроль и управление. – Ташкент, 2012. -№5. – С.
62-65. (05.00.00; № 12)

9.

Мингликулов З.Б. Норавшан қоида хулосаларига асосланган

асосланган мантиқий модел қуриш муаммолари // Информатика ва
энергетика муаммолари. – Тошкент, 2013. -№1-2. – С. 36-40. (05.00.00; № 5)

10.

Мухамедиева Д.Т., Мингликулов З.Б. Обучение нейро-нечеткой сети

при разных функциях принадлежности // Химическая технология. Контроль
и управление. – Ташкент, 2013. -№2. – С. 68-75. (05.00.00; № 12)

11.

Мингликулов З.Б. О нелинейной модели классификации состояний

слабоформализуемых процессов с использованием нечетких правил вывода//
Химическая технология. Контроль и управление. – Ташкент, 2013.-№3. –
С.82-85. (05.00.00; № 12)


background image

78

12.

Мингликулов З.Б. Параллел ҳисоблаш алгоритми асосида

комбинаторли оптималлаштириш масаласини Хопфилд тўри ёрдамида ечиш
// Информатика ва энергетика муаммолари. – Тошкент, 2014. - №3-4. – С. 40-
48. (05.00.00; № 5)

13.

Мингликулов

З.Б.,

Мамаев

Э.Ш.

Сравнение

результатов

эвристических алгоритмов при решении задачи комбинаторной оптимизации
// Вестник ТУИТ. - Ташкент, 2014. - №3, – С. 9-14. (05.00.00; № 10)

14.

Минглиқулов З.Б. Параллел ҳисоблаш технологиялари ёрдамида

комбинаторли оптималлаштириш масаласини ечишда арилар колонияси
алгоритмини қўллаш // Информатика ва энергетика муаммолари. – Тошкент,
2014. - №5. – С. 41-48. (05.00.00; № 5)

II бўлим (II часть; II part)

15.

Бекмуратов Т.Ф., Мухамедиева Д.Т., Мингликулов З.Б. Решение

интегральных уравнений Фредгольма 1-го рода рекуррентными нейронными
сетями // Интегральные уравнения – 2009: Материалы международной
научной конференции. – Киев, 2009. – С. 47-49.

16.

Мухамедиева Д.Т., Мингликулов З.Б. Генетический алгоритм

решения задачи о назначениях // Актуальные вопросы в области технических
и социально-экономических наук: Межвузовский сборник. – Ташкент, 2009.
– С.101-103.

17.

Мухамедиева Д.Т., Мингликулов З.Б. Динамическая модель эколого-

экономических процессов // Социально-экологические проблемы развития
интеграционных процессов в условиях глобализации экономике: Сборник
научных трудов. – Москва, 2009. –С. 267-269.

18.

Бобомурадов О.Ж., Мингликулов З. Б., Хамроев А.Ш. Задачи оценки

состояния объекта с использованием нейронечетких технологий // Знания-
Онтологии-Теории (ЗОНТ-2011): Материалы Всероссийской конференции с
международным участием. – Новосибирск, 2011. –Т. 1. – С. 60-65.

19.

Мингликулов З.Б. Турли тегишлилик функцияларида нейроноравшан

тўрни ўқитиш ва синфлаштириш масалаларини ечиш // Современное
состояние и перспективы развития информационных технологий: Материалы
Республиканской научно-технической конференции. – Ташкент, 2011. –Т. 2.
–С. 347-352.

20.

Мухамедиева Д.Т., Бобомурадов О.Ж., Минглиқулов З.Б. Алгоритм

построения базы нечетких правил. // Проблемы оптимизации сложных
систем: Тез. докл. Международной Азиатской школы – семинар. 17-27
октября 2011. – Ташкент, 2011. – С. 164-168.

21.

Камилов М.М., Хамроев А.Ш., Мингликулов З.Б. Решение задачи

нечеткой многокритериальной маршрутизации в мультисервисных сетях //
Актуальные проблемы развития инфокоммуникационного общества: Тез.
докл. межд. конф. 26-26 октября 2012. – Ташкент, 2012. – С. 23-28.


background image

79

22.

Mingliqulov Z.B. Development of algorithms for diagnostic decisions

using neuro-information technology // In Proceedings of WCIS-2012. November
25-27, 2012. - Tashkent, –pр. 275-278.

23.

Kamilov M.M., Hudayberdiev M.Kh., Khamroev A.Sh., Mingliqulov Z.B.

To the separation of strong mixing of partition of classes // In Proceedings of
WCIS-2012. November 25-27, 2012. - Tashkent, 2012. –рp. 24-26.

24.

Мингликулов З.Б., Хамроев А.Ш. Применение многокритериальных

моделей оптимизации для решения задач нечеткой параметрической
идентификации // Инженерные системы–2013: Труды VI Международная
научно-практическая конференция. –Москва, 2013. – С. 160-165.

25.

Минглиқулов З.Б., Хамроев А.Ш. Норавшан қоида хулосаларига

асосланган ташхислаш алгоритми // Ахборот технологиялари ва
телекоммуникация муаммолари: Ёш олимлар, тадқиқотчилар, магистрант ва
талабаларнинг Республика илмий-техник конференцияси. 14-15 март. –
Тошкент, 2013. 1-қисм. – С. 52-53.

26.

Камилов М.М., Хамроев А.Ш., Минглиқулов З.Б. Баҳоларни

ҳисоблаш алгоритмлари ёрдамида кластеризация масаласини ечиш
процедураси // Ахборот технологиялари ва телекоммуникация муаммолари:
Ёш олимлар, тадқиқотчилар, магистрант ва талабаларнинг Республика
илмий-техник конференцияси. 14-15 март. – Тошкент, 2013. 1-қисм. – С. 53-
55.

27.

Мингликулов

З.Б.

Нечёткие

модели

оценки

состояния

слабоформализуемого процесса // Знания-Онтологии-Теории (ЗОНТ-2013):
Материалы Всероссийской конференции с международным участием. –
Новосибирск, 2013. –Т.2. – С. 45-51.

28.

Мингликулов З.Б. Алгоритм синтеза систем нечеткого вывода и

нейронных сетей // Естественные и технические науки. – Москва, 2013. –№3.
–С. 306-308.

29.

Минглиқулов З.Б., Сапаров С.Х. Суст шаклланган объектларни

моделлаштиришда

норавшан

тўпламлар

назарияси

элементларидан

фойдаланиш // Ахборот технологиялари ва телекоммуникация тизимларини
самарали ривожлантириш истиқболлари: Республика илмий-техник
конференцияси. 13-14 март. – Тошкент. 2014. 1-қисм. – С. 161-164.

30.

Минглиқулов З.Б., Мамаев Э.Ш. Норавшан тўпламли ёндашув

асосида модел қуришда тегишлилик функцияларининг роли // Ахборот
технологиялари

ва

телекоммуникация

тизимларини

самарали

ривожлантириш истиқболлари: Республика илмий-техник конференцияси.
13-14 март. – Тошкент. 2014. 1-қисм. – С. 164-166.

31.

Худайбердиев М.Х. Мингликулов З.Б. Масофавий таълим жараёнида

норавшан идентификация масаласи // Инновацион ғоялар, технологиялар ва
лойиҳаларни амалиётга татбиқ этиш муаммолари: Республика илмий-техник
анжумани тўплами. 16-17 май. –Жиззах, 2014. – С. 438-440.

32.

Камилов М.М., Мингликулов З.Б. Многокритериальный подход для

решения

задачи

нечеткого

линейного

программирования

//


background image

80

Интеллектуальные

системы

(INTELS'2014):

Труды

Одиннадцатого

международного симпозиума. – Нижний Новгород, 2014. – С. 52-55.

33.

Kamilov M.M., Mingliqulov Z.B., Akbaraliev B.B. Using heuristic

algorithms for solving the task of combinatorial optimization // In Proceeding of
WCIS-2014, November 25-27, - Tashkent, Uzbekistan, –pр. 9-12.

34.

Kamilov M.M., Mingliqulov Z.B., Khamroev A.Sh. Application of

genetic algorithm for determining

i

- thresholds in the algorithms for calculating

estimates // In Proceeding of WCIS-2014, November 25-27, - Tashkent,
Uzbekistan, –рp. 27-30.

35.

Камилов М.М., Худайбердиев М.Х., Минглиқулов З.Б. Ўсимликлар

дунёси объектларини идентификациялаш масалалари // Иқтисодиёт
тармоқлари

ривожланишини

таъминловчи

фан,

таълим

ҳамда

модернизациялашган энергия ва ресурс тежамкор технологиялар, техника
воситалари: муаммолар, ечимлар, истиқболлар: Республика илмий-техник
анжумани тўплами. 17-18 апрел 2015 й. –Жиззах, 2015.–С. 188-190.

36.

Минглиқулов З.Б. Суст шаклланган жараёнлар ва объектларни

идентификациялаш ва оптималлаштиришнинг норавшан моделлари. -
Тошкент: Наврўз, 2015. – 132 с.

37.

Мухамедиева Д.Т, Мингликулов З.Б., Агзамходжаева М.Р.

Программа решения систем алгебраических уравнений нейронной сетью //
ЎзР Патент идораси. Дастурий гувоҳнома. DGU 01997, Берилган санаси
23.07.2010й.

38.

Мухамедиева Д.Т, Мингликулов З.Б., Агзамходжаева М.Р.

Программа решения задач оптимизации с помощью генетических алгоритмов
// ЎзР Патент идораси. Дастурий гувоҳнома. DGU 02241, Берилган санаси
07.07.2011й.

39.

Мухамедиева Д.Т, Примова Х.А., Мингликулов З.Б., Агзамходжаева

М.Р. Программа решения плохо обусловленных систем линейных
алгебраических уравнений // ЎзР Патент идораси. Дастурий гувоҳнома. DGU
02242, Берилган санаси 07.07.2011й.

40.

Бобомуродов О.Ж., Мухамедиева Д.Т, Мингликулов З.Б., Хамроев

А.Ш. Программа классификации сложных объектов, основанной на нечетких
правилах принятия решений // ЎзР Патент идораси. Дастурий гувоҳнома.
DGU 02243, Берилган санаси 07.07.2011й.

41.

Мухамедиева Д.Т., Минглиқулов З.Б. Программа построения

нейронечеткой модели идентификации // ЎзР Патент идораси. Дастурий
гувоҳнома. DGU 02316, Берилган санаси 08.09.2011 й.

42.

Мухамедиева Д.Т., Агзамходжаева М.Р. Минглиқулов З.Б.

Программа построения нечеткой модели оптимизации с использованием
генетического алгоритма // ЎзР Патент идораси. Дастурий гувоҳнома. DGU
02317, Берилган санаси 08.09.2011 й.

43.

Камилов М.М., Мингликулов З.Б., Хамроев А.Ш. Программное

средство поддержки процесса принятия решений в задачах анализа сложных


background image

81

объектов в условиях неопределенности // ЎзР Патент идораси. Дастурий
гувоҳнома. DGU 02578, Берилган санаси 24.08.2012 й.

44.

Камилов М.М., Худайбердиев М.Х., Мингликулов З.Б. Программное

средство

поддержки

процесса

принятия

решений

в

условиях

неопределенности // ЎзР Патент идораси. Дастурий гувоҳнома. DGU 02969,
Берилган санаси 19.12.2014 й.

Библиографические ссылки

Mingliqulov Z. Method of solving multi-objective optimization problem in the presence of uncertainty // International Journal of Research in Engineering and Technology (IJRET). - India, 2014. Vol-03 Iss-01, Jan-2014, -pp. 496-500. (№ 5) Global Impact Factor, IF= 3.127.

Мухамедиева Д.Т.,Мингликулов З.Б. Решение задачи оптимального исследования рынка с применением нейронных сетей // Актуальные проблемы современной науки. - Москва, 2010. - №5(55). - С. 131-134. (№ 39) Impact Factor Search, IF= 0.018.

Мингликулов З.Б. Алгоритм решения задачи нечёткой кластеризации// Проблемы информатики. - Новосибирск, 2014. -№ 1. - С. 10-14. (05.00.00; №67)

Камилов М.М., Мингликулов З.Б. Алгоритм решения задачи нечёткой кластеризации, основанный на учёте нечётких отношеий между объектами // ДАН РУз. - Ташкент, 2014. - №4. - С. 18-21. (05.00.00; № 9)

Мингликулов З.Б. Алгоритмы принятия диагностических решений с использованием нейронечетких технологий И Проблемы информатики и энергетики. - Тошкент, 2011. - №1. - С. 71-76. (05.00.00; № 5)

Мингликулов З.Б. Решение многокритериальной задачи оптимизации при построение нечеткой модели // Проблемы информатики и энергетики. -Тошкент, 2012. - №6. - С. 42-47. (05.00.00; № 5)

Мухамедиева Д.Т., Мингликулов З.Б. Разработка мнрогокритериальных моделей оптимизации с использованием нейронечетких подходов // Химическая технология. Контроль и управление. -Ташкент, 2012. -№4. - С. 66-69. (05.00.00; № 12)

Мухамедиева Д.Т., Мингликулов З.Б. Решение задачи многокритериальной маршрутизации в телекоммуникационных сетях // Химическая технология. Контроль и управление. - Ташкент, 2012. -№5. - С. 62-65. (05.00.00; № 12)

Мингликулов З.Б. Норавшан қоида хулосаларига асосланган асосланган мантикий модел куриш муаммолари // Информатика ва энергетика муаммолари. - Тошкент, 2013. -№1-2. - С. 36-40. (05.00.00; № 5)

Мухамедиева Д.Т., Мингликулов З.Б. Обучение нейро-нечеткой сети при разных функциях принадлежности // Химическая технология. Контроль и управление. - Ташкент, 2013. -№2. - С. 68-75. (05.00.00; № 12)

Мингликулов З.Б. О нелинейной модели классификации состояний слабоформализуемых процессов с использованием нечетких правил вывода// Химическая технология. Контроль и управление. - Ташкент, 2О13.-№3. -С.82-85. (05.00.00; № 12)

Мингликулов З.Б. Параллел хисоблаш алгоритми асосида комбинаторли оптималлаштириш масаласини Хопфилд тўри ёрдамида ечиш И Информатика ва энергетика муаммолари. - Тошкент, 2014. - №3-4. - С. 40-48. (05.00.00; № 5)

Мингликулов З.Б., Мамаев Э.Ш. Сравнение результатов эвристических алгоритмов при решении задачи комбинаторной оптимизации И Вестник ТУИТ. - Ташкент, 2014. - №3, - С. 9-14. (05.00.00; № 10)

Мингликулов З.Б. Параллел хисоблаш технологиялари ёрдамида комбинаторли оптималлаштириш масаласини ечишда арилар колонияси алгоритмини қўллаш // Информатика ва энергетика муаммолари. - Тошкент, 2014. - №5. - С. 41-48. (05.00.00; № 5)

Бекмуратов Т.Ф., Мухамедиева Д.Т., Мингликулов З.Б. Решение интегральных уравнений Фредгольма 1-го рода рекуррентными нейронными сетями // Интегральные уравнения - 2009: Материалы международной научной конференции. - Киев, 2009 - С 47-49.

Мухамедиева Д.Т., Мингликулов З.Б. Генетический алгоритм решения задачи о назначениях // Актуальные вопросы в области технических и социально-экономических наук: Межвузовский сборник. - Ташкент, 2009. -С.101-103.

Мухамедиева Д.Т., Мингликулов З.Б. Динамическая модель экологоэкономических процессов // Социально-экологические проблемы развития интеграционных процессов в условиях глобализации экономике: Сборник научных трудов. - Москва, 2009. -С. 267-269.

Бобомурадов О.Ж., Мингликулов 3. Б., Хамроев А.Ш. Задачи оценки состояния объекта с использованием нейронечетких технологий // Знания-Онтологии-Теории (ЗОНТ-2011): Материалы Всероссийской конференции с международным участием. - Новосибирск, 2011. -Т. 1. - С. 60-65.

Мингликулов З.Б. Турли тегишлилик функцияларида нейроноравшан тўрни ўқитиш ва синфлаштириш масалаларини ечиш // Современное состояние и перспективы развития информационных технологий: Материалы Республиканской научно-технической конференции. - Ташкент, 2011. -Т. 2. -С. 347-352.

Мухамедиева Д.Т., Бобомурадов О.Ж., Мингликулов З.Б. Алгоритм построения базы нечетких правил. // Проблемы оптимизации сложных систем: Тез. докл. Международной Азиатской школы - семинар. 17-27 октября 2011. - Ташкент, 2011. - С. 164-168.

Камилов М.М., Хамроев А.Ш., Мингликулов З.Б. Решение задачи нечеткой многокритериальной маршрутизации в мультисервисных сетях // Актуальные проблемы развития инфокоммуникационного общества: Тез. докл. межд. конф. 26-26 октября 2012. - Ташкент, 2012. - С. 23-28.

Mingliqulov Z.B. Development of algorithms for diagnostic decisions using ncuro-information technology // In Proceedings of WCIS-2012. November 25-27, 2012. - Tashkent, -pp. 275-278.

Kamilov M.M., Hudayberdiev M.Kh., Khamrocv A.Sh., Mingliqulov Z.B. To the separation of strong mixing of partition of classes // In Proceedings of WCIS-2012. November 25-27, 2012. - Tashkent, 2012. -pp. 24-26.

Мингликулов З.Б., Хамроев А.Ш. Применение многокритериальных моделей оптимизации для решения задач нечеткой параметрической идентификации // Инженерные системы-2013: Труды VI Международная научно-практическая конференция. -Москва, 2013. - С. 160-165.

Мингликулов З.Б., Хамроев А.Ш. Норавшан қоида хулосаларига асосланган ташхислаш алгоритми // Ахборот технологиялари ва телекоммуникация муаммолари: Ёш олимлар, тадкиқотчилар, магистрант ва талабаларнинг Республика илмий-техник конференцияси. 14-15 март. -Тошкент, 2013. 1-кисм. - С. 52-53.

Камилов М.М., Хамроев А.Ш., Мингликулов З.Б. Бахоларни хисоблаш алгоритмлари ёрдамида кластеризация масаласини ечиш процедураси // Ахборот технологиялари ва телекоммуникация муаммолари: Ёш олимлар, тадқиқотчилар, магистрант ва талабаларнинг Республика илмий-техник конференцияси. 14-15 март. - Тошкент, 2013. 1-кисм. - С. 53-55.

Мингликулов З.Б. Нечёткие модели оценки состояния слабоформализуемого процесса // Знания-Онтологии-Теории (ЗОНТ-2013): Материалы Всероссийской конференции с международным участием. -Новосибирск, 2013. -Т.2. - С. 45-51.

Мингликулов З.Б. Алгоритм синтеза систем нечеткого вывода и нейронных сетей // Естественные и технические науки. - Москва, 2013. -№3. -С. 306-308.

Мингликулов З.Б., Сапаров С.Х. Сует шаклланган объектларни моделлаштиришда норавшан тўпламлар назарияси элементларидан фойдаланиш И Ахборот технологиялари ва телекоммуникация тизимларини самарали ривожлантириш истиқболлари: Республика илмий-техник конференцияси. 13-14 март. - Тошкент. 2014. 1-қисм,-С. 161-164.

Мингликулов З.Б., Мамаев Э.Ш. Норавшан тўпламли ёндашув асосида модел куришда тегишлилик функцияларининг роли // Ахборот технологиялари ва телекоммуникация тизимларини самарали ривожлантириш истиқболлари: Республика илмий-техник конференцияси. 13-14 март. -Тошкент. 2014. 1-қисм.-С. 164-166.

Худайбердиев М.Х. Мингликулов З.Б. Масофавий таълим жараёнида норавшан идентификация масаласи // Инновацион гоялар, технологиялар ва лойихаларни амалиётга татбик этиш муаммолари: Республика илмий-техник анжумани тўплами. 16-17 май. -Жиззах, 2014. - С. 438-440.

Камилов М.М., Мингликулов З.Б. Многокритериальный подход для решения задачи нечеткого линейного программирования //Интеллектуальные системы (INTELS'2014): Труды Одиннадцатого международного симпозиума. - Нижний Новгород, 2014. - С. 52-55.

Kamilov М.М., Mingliqulov Z.B., Akbaralicv В.В. Using heuristic algorithms for solving the task of combinatorial optimization // In Proceeding of WCIS-2014, November 25-27, - Tashkent, Uzbekistan, -pp. 9-12.

Kamilov M.M., Mingliqulov Z.B., Khamrocv A.Sh. Application of genetic algorithm for determining £. - thresholds in the algorithms for calculating estimates // In Proceeding of WCIS-2014, November 25-27, - Tashkent, Uzbekistan, -pp. 27-30.

Камилов M.M., Худайбердиев M.X., Мингликулов З.Б. Ўсимликлар дунёси объектларини идентификациялаш масалалари // Иқтисодиёт тармоқлари ривожланишини таъминловчи фан, таълим хамда модернизациялашган энергия ва ресурс тежамкор технологиялар, техника воситалари: муаммолар, ечимлар, истикболлар: Республика илмий-техник анжумани тўплами. 17-18 апрел 2015 й.-Жиззах, 2015.-С. 188-190.

Мингликулов З.Б. Сует шаклланган жараёнлар ва объектларни идентификациялаш ва оптималлаштиришнинг норавшан моделлари. -Тошкент: Наврўз, 2015. - 132 с.

Мухамедиева Д.Т, Мингликулов З.Б., Агзамходжаева М.Р. Программа решения систем алгебраических уравнений нейронной сетью // ЎзР Патент идораси. Дастурий гувоҳнома. DGU 01997, Берилган санаси 23.07.2010Й.

Мухамедиева Д.Т, Мингликулов З.Б., Агзамходжаева М.Р. Программа решения задач оптимизации с помощью генетических алгоритмов И ЎзР Патент идораси. Дастурий гувоҳнома. DGU 02241, Берилган санаси 07.07.2011й.

Мухамедиева Д.Т, Примова Х.А., Мингликулов З.Б., Агзамходжаева М.Р. Программа решения плохо обусловленных систем линейных алгебраических уравнений // УзР Патент идораси. Дастурий гувоҳнома. DGU 02242, Берилган санаси 07.07.2011й.

Бобомуродов О.Ж., Мухамедиева Д.Т, Мингликулов З.Б., Хамроев А.Ш. Программа классификации сложных объектов, основанной на нечетких правилах принятия решений // УзР Патент идораси. Дастурий гувохнома. DGU 02243, Берилган санаси 07.07.2011й.

Мухамедиева Д.Т., Мингликулов З.Б. Программа построения нейронечеткой модели идентификации // ЎзР Патент идораси. Дастурий гувохнома. DGU 02316, Берилган санаси 08.09.2011 й.

Мухамедиева Д.Т., Агзамходжаева М.Р. Мингликулов З.Б. Программа построения нечеткой модели оптимизации с использованием генетического алгоритма // ЎзР Патент идораси. Дастурий гувохнома. DGU 02317, Берилган санаси 08.09.2011 й.

Камилов М.М., Мингликулов З.Б., Хамроев А.Ш. Программное средство поддержки процесса принятия решений в задачах анализа сложных объектов в условиях неопределенности // ЎзР Патент идораси. Дастурий гувохнома. DGU 02578, Берилган санаси 24.08.2012 й.

Камилов М.М., Худайбердиев М.Х., Мингликулов З.Б. Программное средство поддержки процесса принятия решений в условиях неопределенности // ЎзР Патент идораси. Дастурий гувохнома. DGU 02969, Берилган санаси 19.12.2014 й.

inLibrary — это научная электронная библиотека, построенная на парадигме открытой науки (Open Science), основными задачами которой является популяризация науки и научной деятельности, общественный контроль качества научных публикаций, развитие междисциплинарных исследований, современного института научной рецензии, повышение цитируемости узбекской науки и построение инфраструктуры знаний.

КОНТАКТЫ:

Республика Узбекистан, г. Ташкент, ул.Паркент 51, этаж 2

(+998) 99-006-61-10

info@inscience.uz

НАВИГАЦИЯ:

Журналы
Конференции
Организации
Авторы
Блог
Контакты
© Copyright 2025 in Science All Rights Reserved | Developed by in Science | Site create by in Designer