Формирование структуры и состава многоуровневых нечетких диагностических систем с использованием стохастической модели

Проводится анализ эффективности работы многоуровневых диагностических систем без ограничений на размерность (число неисправностей или патологий) и число признаков. Системы базируются на нечетком логическом выводе. Исследования проводятся с применением стохастической модели объекта. Показывается, что многоуровневые диагностические системы во многих практических случаях имеет более высокую эффективность по сравнению с диагностическими системами полной размерности. Предлагается методика формирования структуры и состава многоуровневых диагностических систем.

нечеткая логика, многоуровневая диагностическая система, методика построения, диагностическая подсистема нижнего уровня, стохастическая модель диагностируемого объекта, fuzzy logic, multi-level diagnostic system, method of construction, the diagnostic subsystem of the lower level, a stochastic model of the diagnosed object

1. Мелихов А. Н., Бернштейн Л. С., Коровин С. Я. Ситуационные советующие системы с нечеткой логикой. М.: Наука, 1990. 272 с.

2. Прикладные нечеткие системы / Асаи К., Ватада Д., Иваи С: Пер. с япон. / Под ред. Т. Тэрано, К. Асаи, М. Сугэно. М.: Мир, 1993. 368 с.

3. Zadeh L. A. Fuzzy Logic, Neural Networks, and Soft Computing // Communications of the ACM. 1994. Vol. 37, N. 3. P. 77-84.

4. Аверкин А. Н., Батыршин И. З. Мягкие вычисления // Новости искусственного интеллекта. 1996. № 3. С. 161-164.

5. Ежов А., Чечеткин А. Нейронные сети в медицине // Открытые системы. 2007. № 4. С. 34-37.

6. Еремеев А. П., Хазиев Р. Р., Зуева М. В., Цапенко И. В. Прототип диагностической системы поддержки принятия решений на основе интеграции байесовских сетей доверия и метода Демпстера-Шефера // Программные продукты и системы. 2013. № 1. С. 11-16.

7. Eremeev A. P., Vagin V. N. Methods and tools for modeling reasoning on diagnostic systems // ICEIS 2009 - 11th International Conference on Enterprise Information Systems. Milan, 2009. P. 271-276.

8. Анисимов Д. Н., Вершинин Д. В., Колосов О. С., Хрипков А. В., Зуева М. В., Цапенко И. В. Использование подстраиваемой динамической модели сетчатки глаза в компонентном анализе для диагностики патологий методами искусственного интеллекта // Вестник МЭИ. 2008. № 5. С. 70-74.

9. Анисимов Д. Н., Вершинин Д. В., Колосов О. С., Зуева М. В., Цапенко И. В. Диагностика текущего состояния динамических объектов и систем сложной структуры методами нечеткой логики с использованием имитационных моделей // Искусственный интеллект и принятие решений. 2012. № 3. С. 39-50.

10. Колосов О. С., Анисимов Д. Н., Хрипков Д. В. Исследование многоуровневых нечетких диагностических систем с использованием стохастической модели. // Мехатроника, автоматизация, управление. Т. 16. 2015. № 4. С. 254-261.

11. Анисимов Д. Н. Формализация процедуры исключения транзитивно замыкающих дуг при организации иерархической структуры на множестве нечетких ситуаций // Вестник МЭИ. 2011. № 4. С. 34-40.

12. Заде Л. А. Понятие лингвистической переменной и его применение к принятию приближенных решений. М.: Мир, 1976. 165 с.

13. Анисимов Д. Н., Астахова Ю. Ю., Вершинин Д. В., Колосов О. С., Зуева М. В., Цапенко И. В. Дифференциация патологий сетчатки глаза на основе нечеткой логики // Мехатроника, автоматизация, управление. 2010. № 2. С. 56-61.

14. Норвич А. М., Турскен И. Б. Построение функций принадлежности // Нечеткие множества и теория возможностей. М.: Радио и связь, 1986. С. 64-71.

15. Zimmermann H. J., Zysno P. Quantifying vagueness in decision models // Europian Journal of Operational Research. 1985. N. 22. P. 148-158.

16. Макаров И. М., Лохин В. М., Манько С. В., Романов М. П. Искусственный интеллект и интеллектуальные системы управления. М.: Наука, 2006.

17. Pedrycz W. Fuzzy Control and Fuzzy Systems. New York: John Wiley and Sons, 1993.

18. Анисимов Д. Н. Использование нечеткой логики в системах автоматического управления // Приборы и системы. Управление, контроль, диагностика. 2001. № 8. С. 39-42.