Articolul precedent |
Articolul urmator |
459 0 |
SM ISO690:2012 РЕШЕТНИКОВ, А.. Программный инструментарий для проектирования интеллектуальных систем управления на основе мягких вычислениях. In: Tendinţe contemporane ale dezvoltării ştiinţei: viziuni ale tinerilor cercetători, Ed. 4, 10 martie 2015, Chișinău. Chișinău, Republica Moldova: Universitatea Academiei de Ştiinţe a Moldovei, 2015, Ediția 4, T, p. 25. |
EXPORT metadate: Google Scholar Crossref CERIF DataCite Dublin Core |
Tendinţe contemporane ale dezvoltării ştiinţei: viziuni ale tinerilor cercetători Ediția 4, T, 2015 |
|||||
Conferința "Tendinţe contemporane ale dezvoltării ştiinţei: viziuni ale tinerilor cercetători" 4, Chișinău, Moldova, 10 martie 2015 | |||||
|
|||||
Pag. 25-25 | |||||
|
|||||
Descarcă PDF | |||||
Teza |
|||||
Разработка, развитие и реализация эффективных высоких наукоемких информационных технологий (ИТ) (создаваемых в различных областях науки и техники) неразрывно связаны с необходимостью разработки и повышения уровня интеллектуальности используемых процессов и систем управления, объективно учитывающие в законах управления контекстуально-зависимые физические эффекты, ограничения и информационные границы, реально существующие в конкретных моделях объекта управления (ОУ). Важную роль при формировании уровня интеллектуальности системы автоматического управления (САУ) играет выбор используемого инструментария технологии интеллектуальных вычислений (ИВ) для проектирования соответствующей базы знаний (БЗ) при заданной цели управления. Проблемы эффективного применения технологии мягких вычислений в задачах управления были решены и апробированы на основе Оптимизатора Баз Знаний (ОБЗ). Разработанный интеллектуальный инструментарий позволил проектировать робастные БЗ на основе решения одной из алгоритмически трудно решаемых задач теории искусственного интеллекта – извлечения, обработки и формирования объективных знаний без использования экспертных оценок. В данном оптимизаторе используются три генетических алгоритма, которые позволяют спроектировать оптимальную структуру нечеткого регулятора (вид и число ФП, их параметры, а также число самих правил нечеткого вывода), аппроксимирующей обучающий сигнал с требуемой ошибкой. При этом автоматически проектируется оптимальная структуры нечеткой нейронной сети и универсального аппроксиматора в виде нечеткого регулятора. |