Нейрокомпьютинг и его применения в экономике и бизнесе

Скачать в pdf «Нейрокомпьютинг и его применения в экономике и бизнесе»


ЁУ Заметим, что использованные нами ранее функции принадлежности носили достаточно специфический характер (так называемую треугольную форму). Успех же сочетания нечетких моделей существенно зависит от разумного нечеткого разбиения пространств входов и выходов. Вследствие этого, задача адаптации функций принадлежности может быть поставлена как задача оптимизации, для решения которой и могут использоваться нейронные сети. Наиболее простой путь для этого заключается в выборе некоторого вида функции принадлежности, форма которой управляется рядом параметров, точное значение которых находится при обучении нейронной сети.


Рассмотрим соответствующую методику на следующем примере.Обозначим


х, — курс доллара США ($) по отношению к немецкой марке (DM); х2— курс доллара США ($) по отношению к шведской кроне (SK); х3— курс доллара США ($) по отношению к финской марке (FM);


Предположим, что мы имеем три нечетких правила


91 : если $ слаб по отношению к DM и слаб по отношению к SK и слаб по отношению к FM, то величина портфеля очень высока


512: если $ силен по отношению к DM и силен по отношению к SK и слаб по отношению к FM, то величина портфеля высока


913: если $ силен по отношению к DM и силен по отношению к SK и силен по отношению к FM, то величина портфеля мала


Формально, эти правила можно записать следующим образом


51 : если х есть Ц и х, есть L2 и х3есть /_3 ,то Р Vесть VB 5? 2:    если    х есть    и х, есть Н2    и х3есть /_3 ,то    Р Vесть В


5?,:    если    х есть    и х, есть Н2    и х3есть Н3 ,то    Р Vесть S


Для всех нечетких правил L, и Н, используем сигмоидные функции принадлежности

Скачать в pdf «Нейрокомпьютинг и его применения в экономике и бизнесе»