Аннотация
Прецедентный подход (Case-Based Reasoning, CBR) является полезным инструментом представления знаний в социально-экономических системах, так как использует рассуждения по аналогии, свойственные человеческому интеллекту. Традиционный подход к оценке подобия прецедентов заключается в вычислении взвешенной метрики – расстояния в многомерном пространстве. В статье вместо подобия прецедентов рассматривается их релевантность на основе нечеткой логики. Нечеткие лингвистические правила используются в качестве инструмента для представления знаний о релевантности прецедентов. Рассматривается процедура настройки нечетких правил на основе обучения по выборкам прецедентов. Исследуются треугольные и квадратичные функции принадлежности. Проведенные исследования показывают приемлемую точность классификации прецедентов даже для малой обучающей выборки. При этом более гладкие (квадратичные) функции принадлежности показывают в среднем большую точность предсказания. Введение нечетких правил в качестве критериев оценки подобия привносит следующие существенные преимущества в прецедентную модель: нечеткие правила «если-то» представляют собой более общую и гибкую платформу для описания знаний о сходстве между прецедентами, чем расстояние в многомерном пространстве; сущность базы знаний, содержащей нечеткие правила, позволяет приобретать и интегрировать знания из различных источников; нечеткая база знаний является хорошо понятной за счет интерпретации отдельных языковых правил, следовательно, пользователи могут легко понять, как и почему прецедент был выбран для поиска, содержательно подтвердив нечеткие правила, полученные в результате обучения. Это создает возможность динамического участия человека во взаимодействии с системой, основанной на прецедентах, для адаптации поведения системы к конкретным требованиям.
Ключевые слова: прецедентный подход, база знаний, нечеткая логика, нечеткое множество, лингвистическая переменная, нечеткие правила, рассуждения по аналогии, функция принадлежности
Список литературы
1. Карпов Л.Е., Юдин В.Н. Методы добычи данных при построении локальной метрики в системах вывода по прецедентам. – М.: Питер, 2007.
2. Bonzano A., Cunningham P., Smith B. Using introspective learning to improve retrieval in CBR: a case study in air traffic control // Case-based reasoning: research and development: Second International Conference on Case-Based Reasoning, ICCBR-97, Providence, RI, USA, 25–27 July 1997: Proceedings. – Berlin; New York: Springer, 1997. – P. 291–302.
3. Cercone N., An A., Chan C. Rule-induction and case-based reasoning: hybrid architectures appear advantageous // IEEE Transactions on Knowledge and Data Engineering. – 1999. – Vol. 11. – P. 166–174.
4. Coyle L., Cunningham P. Improving recommendation ranking by learning personal feature weights // Advances in Case-Based Reasoning: 7th European Conference, ECCBR 2004, Madrid, Spain, 30 August – 2 September 2004: Proceedings. – Berlin; New York: Springer, 2004. – P. 560–572.
5. Jarmulak J., Craw S., Rowe R. Genetic algorithms to optimize CBR retrieval // Advances in Case-Based Reasoning: 5th European Workshop, EWCBR 2000, Trento, Italy, 6–9 September 2000: Proceedings. – Berlin; Heidelberg: Springer, 2000. – P. 136–147.
6. Xiong N., Funk P. Building similarity metrics reflecting utility in case-based reasoning // Intelligent & Fuzzy Systems. – 2006. – Vol. 17. – P. 407–416.
7. Xiong N., Funk P. Combined feature selection and similarity modeling in case-based reasoning using hierarchical memetic algorithm // Proceedings IEEE World Congress on Computational Intelligence, 2010. – Barcelona, Spain, 2010. – P. 1537–1542.
8. Нечеткие множества и теория возможностей: последние достижения / под ред. Р.Р. Ягера; пер. с англ. В.Б. Кузьмина; под ред. С.И. Травкина. – М.: Радио и связь, 1986. – 408 с.
9. Dubois D., Prade H. Fuzzy sets and systems theory and applications. – London: Academic Press, 1980. – 411 p.
10. Marques V., Farinha J.T., Brito A. Case-based reasoning and fuzzy logic in fault diagno-
sis // WSEAS Transactions on Computers. – 2009. – Vol. 8. – P. 1408–1417.
11. Xiong N., Funk P. Construction of fuzzy knowledge bases incorporating feature selection // Soft Computing. – 2006. – Vol. 10. – P. 796–804.
12. Xiong N. Fuzzy rule-based similarity model enables learning from small case bases // Applied Soft Computing. – 2013. – Vol. 13. – P. 2057–2064.
13. Xiong N. Learning fuzzy rules for similarity assessment in case-based reasoning // Expert Systems and Applications. – 2011. – Vol. 38. – P. 10780–10786.
14. Нечипоренко О.А. Использование технологии Case-Based Reasoning в проектировании программных систем // Перспективные информационные технологии и информационные среды. – 2002. – № 3. – С. 27–32.
15. Aamodt A., Plaza E. Case–Based Reasoning: foundational issues, methodological variations, and system approaches // AI Communications. – 1994. – Vol. 7, N 1. – P. 39–59.
16. Nilsson M., Sollenborn M. Advancements and trends in medical case-based reasoning: an overview of systems and system development // Proceedings of the 17th International FLAIRS Conference. – Menlo Park, California, 2004. – P. 178–183.
17. Штовба С.Д. Введение в теорию нечетких множеств и нечеткую логику [Электронный ресурс]. – URL: http://matlab.exponenta.ru/fuzzylogic/book1 (дата обращения: 14.04.2016).
18. Kablan A. Adaptive neuro fuzzy inference systems for high frequency financial trading and forecasting // Third International Conference on Advanced Engineering Computing and Applications in Sciences. – Los Alamitos, California: IEEE Computer Society, 2009. – P. 105–110.
19. Massie S., Craw S., Wiratunga N. When similar problems don’t have similar solutions // Case-Based Reasoning Research And Development: 7th International Conference on Case-Based Reasoning, ICCBR 2007, Belfast, Northern Ireland, 13–16 August 2007: proceedings. – Berlin: Springer, 2007. – P. 92–106.
20. Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы / пер. с пол. И.Д. Рудинского. – 2-е изд., стер. – М.: Горячая линия–Телеком, 2013. – 384 с.
