Синтез експертних матриць в індуктивних системно-аналітичних дослідженнях на основі алгоритму нечіткої логіки

Автор(и)

  • Володимир Васильович Осипенко Київський національний університет технологій та дизайну, Україна https://orcid.org/0000-0002-1077-1461
  • Ганна Олександрівна Корогод Київський національний університет технологій та дизайну, Україна https://orcid.org/0000-0003-1670-3125
  • Борис Миколайович Злотенко Київський національний університет технологій та дизайну, Україна https://orcid.org/0000-0002-0870-8535
  • Наталія Вікторівна Чупринка Київський національний університет технологій та дизайну, Україна https://orcid.org/0000-0002-8952-7567
  • Володимир Михайлович Яхно Київський національний університет технологій та дизайну, Україна https://orcid.org/0000-0001-6129-4178

DOI:

https://doi.org/10.15587/1729-4061.2024.310326

Ключові слова:

індуктивний підхід, нечітка логіка, критерій релевантності, критерій корелевантності, експертні оцінки

Анотація

Об’єктом дослідження є процес індуктивного моделювання складних систем. Проведені дослідження стосувалися застосування алгоритмів теорії фазілогіки для узгодження висновків експертів верхнього рівня в системних інформаційно-аналітичнних дослідженнях (SIAR) в задачах інноваційного проектування. Визначені можливості конструювання елементів експертних матриць результатів, а також оцінки ефективності такого застосування. Завдяки цьому стало можливим отримання формальних експертних оцінок у числовому виді. Експериментальними дослідженнями підтверджено, що запропонований підхід до застосування алгоритмів фазілогіки до побудови матриць експертних оцінок результатів SIAR є досить ефективним і простим у реалізації. Крім того, цей підхід добре вписується в загальну парадигму методу групового урахування аргументів (GMDH). Зокрема встановлено, що можливість «перенавчати» такий блок без значних зусиль професійних експертів може мати позитивний результат, а також добре впливати на економічні і часові параметри дослідницького проекту. Наведено основні розрахункові формули для алгоритму побудови нечіткої системи за допомогою нейронної мережі в системі з двома правилами. Показано побудову системи виведення нечіткої інформації, навченої на експертних оцінках в системі Matlab. В результаті отримано технологічно допустиме стандартне відхилення на рівні 0,28268 мг/л. Встановлено, що, накопичуючи базу даних (знань) та/або використовуючи систему інформаційного моніторингу, можна періодично або за встановленим критерієм якості у програмному режимі «додатково навчати» нечітку систему, не залучаючи до цього процесу експертів. Таким чином, є підстави стверджувати важливість використання нечіткої системи як одного з інструментів в індуктивних процедурах SIAR

Біографії авторів

Володимир Васильович Осипенко, Київський національний університет технологій та дизайну

Доктор технічних наук, професор

Кафедра комп’ютерних наук

Ганна Олександрівна Корогод, Київський національний університет технологій та дизайну

Кандидат технічних наук, доцент

Кафедра комп'ютерних наук

Борис Миколайович Злотенко, Київський національний університет технологій та дизайну

Доктор технічних наук, професор

Декан факультету мехатроніки та комп’ютерних технологій

Кафедра комп’ютерної інженерії та електромеханіки

Наталія Вікторівна Чупринка, Київський національний університет технологій та дизайну

Кандидат технічних наук, доцент, завідувач кафедри

Кафедра комп’ютерних наук

Володимир Михайлович Яхно, Київський національний університет технологій та дизайну

Кандидат технічних наук, старший викладач

Кафедра комп’ютерних наук

Посилання

  1. Ivakhnenko, A. G. (1970). Heuristic self-organization in problems of engineering cybernetics. Automatica, 6 (2), 207–219. https://doi.org/10.1016/0005-1098(70)90092-0
  2. Madala, H. R., Ivakhnenko, A. G. (2019). Inductive Learning Algorithms for Complex Systems Modeling. CRC Press. https://doi.org/10.1201/9781351073493
  3. Osypenko, V. (2013). Info-logical structure of inductive technologies of the searching system-information-analytical researches. Visnyk Natsionalnoho universytetu «Lvivska politekhnika». Ser. "Komp. nauky ta informatsiyni tekhnolohiyi", 751, 315–319.
  4. Osypenko, V. (2012). The Results Estimation in the Integrated System-Analytical Investigations Technologies. Control systems and computers, 1, 26–31. Available at: http://usim.org.ua/arch/2012/1/6.pdf
  5. Seno, P. S. (2007). Teoriya ymovirnostei ta matematychna statystyka. Kyiv: Znannia, 556.
  6. Wackerly, D., Mendenhall, W., Scheaffer, R. (2007). Mathematical Statistics with Applications. Brooks/Cole.
  7. Dalkey, N., Helmer, O. (1963). An Experimental Application of the DELPHI Method to the Use of Experts. Management Science, 9 (3), 458–467. https://doi.org/10.1287/mnsc.9.3.458
  8. Saaty, T. L. (2008). Relative measurement and its generalization in decision making why pairwise comparisons are central in mathematics for the measurement of intangible factors the analytic hierarchy/network process. Revista de La Real Academia de Ciencias Exactas, Fisicas y Naturales. Serie A. Matematicas, 102 (2), 251–318. https://doi.org/10.1007/bf03191825
  9. Andrieu, P., Cohen-Boulakia, S., Couceiro, M., Denise, A., Pierrot, A. (2023). A unifying rank aggregation framework to suitably and efficiently aggregate any kind of rankings. International Journal of Approximate Reasoning, 162, 109035. https://doi.org/10.1016/j.ijar.2023.109035
  10. Osypenko, V. (2011). Syntez ekspertnoi matrytsi za metrykoiu Kemeni v induktyvnykh tekhnolohiyakh informatsiyno-analitychnykh doslidzhen. Naukovyi visnyk NUBiP Ukrainy: Seriya «Enerhetyka i avtomatyzatsiya v APK», 166 (3), 119–127.
  11. Bury, H., Wagner, D. (2003). Application of Kemeny’s Median for Group Decision Support. Applied Decision Support with Soft Computing, 235–262. https://doi.org/10.1007/978-3-540-37008-6_10
  12. Davenport, A., Kalagnanam, J. (2004). A Computational Study of the Kemeny Rule for Preference Aggregation. AAAI’04, 697–702. Available at: https://cdn.aaai.org/AAAI/2004/AAAI04-110.pdf
  13. Zadeh, L. A. (1965). Fuzzy sets. Information and Control, 8 (3), 338–353. https://doi.org/10.1016/s0019-9958(65)90241-x
  14. Zadeh, L. A. (1994). Fuzzy logic, neural networks, and soft computing. Communications of the ACM, 37 (3), 77–84. https://doi.org/10.1145/175247.175255
  15. Bede, B. (2013). Mathematics of Fuzzy Sets and Fuzzy Logic. In Studies in Fuzziness and Soft Computing. Springer Berlin Heidelberg. https://doi.org/10.1007/978-3-642-35221-8
  16. Pal, N. R., Saha, S. (2008). Simultaneous Structure Identification and Fuzzy Rule Generation for Takagi–Sugeno Models. IEEE Transactions on Systems, Man, and Cybernetics, Part B (Cybernetics), 38 (6), 1626–1638. https://doi.org/10.1109/tsmcb.2008.2006367
  17. Yadav, O. P., Singh, N., Chinnam, R. B., Goel, P. S. (2003). A fuzzy logic based approach to reliability improvement estimation during product development. Reliability Engineering & System Safety, 80 (1), 63–74. https://doi.org/10.1016/s0951-8320(02)00268-5
  18. Mehmanpazir, F., Asadi, S. (2016). Development of an evolutionary fuzzy expert system for estimating future behavior of stock price. Journal of Industrial Engineering International, 13 (1), 29–46. https://doi.org/10.1007/s40092-016-0165-7
  19. Sonbol, A. H., Fadali, M. S., Jafarzadeh, S. (2012). TSK Fuzzy Function Approximators: Design and Accuracy Analysis. IEEE Transactions on Systems, Man, and Cybernetics, Part B (Cybernetics), 42 (3), 702–712. https://doi.org/10.1109/tsmcb.2011.2174151
  20. Alcala-Fdez, J., Alcala, R., Herrera, F. (2011). A Fuzzy Association Rule-Based Classification Model for High-Dimensional Problems With Genetic Rule Selection and Lateral Tuning. IEEE Transactions on Fuzzy Systems, 19 (5), 857–872. https://doi.org/10.1109/tfuzz.2011.2147794
  21. Adriaenssens, V., Baets, B. D., Goethals, P. L. M., Pauw, N. D. (2004). Fuzzy rule-based models for decision support in ecosystem management. Science of The Total Environment, 319 (1-3), 1–12. https://doi.org/10.1016/s0048-9697(03)00433-9
  22. Osypenko, V. V. (2014). Dva pidkhody do rozviazannia zadachi klasteryzatsiyi u shyrokomu sensi z pozytsiy induktyvnoho modeliuvannia. Energy and Automation, 1, 83–97. Available at: https://journals.nubip.edu.ua/index.php/Energiya/article/view/3433
  23. Ross, T. J. (2010). Fuzzy Logic with Engineering Applications. Wiley. https://doi.org/10.1002/9781119994374
  24. Passino, K. M., Yurkovich, S. (1997). Fuzzy Control. Addison-Wesley.
  25. Shi, Y., Mizumoto, M. (2000). A new approach of neuro-fuzzy learning algorithm for tuning fuzzy rules. Fuzzy Sets and Systems, 112 (1), 99–116. https://doi.org/10.1016/s0165-0114(98)00238-3
  26. Osypenko, V. V., Shtepa, V. N. (2010). Alhorytmy syntezu ekspertnoi matrytsi informatsiyno-analitychnykh doslidzhen na osnovi fazilohiky. Systemni tekhnolohiyi, 6 (71), 154–165. Available at: https://journals.nmetau.edu.ua/index.php/st/issue/view/76/51
  27. Shtepa, V. N., Donchenko, M. I., Sribnaya, O. G. (2007). Ochistka rastvorov ot dispersnyh primesey metodom elektrokoagulyatsii. 1. Elektrohimicheskoe poluchenie koagulyanta. Vistnyk NTU «KhPI». Khimiya, khimichna tekhnolohiya ta ekolohiya, 9, 86–94.
Синтез експертних матриць в індуктивних системно-аналітичних дослідженнях на основі алгоритму нечіткої логіки

##submission.downloads##

Опубліковано

2024-08-30

Як цитувати

Осипенко, В. В., Корогод, Г. О., Злотенко, Б. М., Чупринка, Н. В., & Яхно, В. М. (2024). Синтез експертних матриць в індуктивних системно-аналітичних дослідженнях на основі алгоритму нечіткої логіки. Eastern-European Journal of Enterprise Technologies, 4(4 (130), 54–62. https://doi.org/10.15587/1729-4061.2024.310326

Номер

Том 4 № 4 (130) (2024): Математика та кібернетика - прикладні аспекти

Розділ

Математика та кібернетика - прикладні аспекти

Ліцензія

Авторське право (c) 2024 Volodymyr Osypenko, Hanna Korohod, Borys Zlotenko, Nataliia Chuprynka, Volodymyr Yakhno

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.

Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.