Аннотация 2
ВВЕДЕНИЕ 5
1 АНАЛИЗ БИБЛИОТЕК НА ЯЗЫКЕ ПРОГРАММИРОВАНИЯ PYTHON ПО МАШИННОМУ ОБУЧЕНИЮ 6
2 МАТЕМАТИЧЕСКАЯ МОДЕЛЬ СЕТИ ANFIS 9
2.1 Адаптивная нейро-нечеткая система логического вывода ANFIS 9
2.2 Пример корректирования параметров сети 15
3 РАЗРАБОТАННОЕ ПРОГРАММНОЕ ОБЕСПЕЧЕНИЕ ДЛЯ МОДЕЛИРОВАНИЯ СЕТИ ANFIS 26
3.1 Описание разработанного программного обеспечения 26
3.2 Пример работы 40
ЗАКЛЮЧЕНИЕ 44
СПИСОК ИСПОЛЬЗУЕМОЙ ЛИТЕРАТУРЫ 45
Исследования в области искусственного интеллекта динамично развиваются, это приводит к появлению новых алгоритмов машинного обучения основанных на комбинировании технологий. Примером, объединения нескольких технологий является нейро-нечеткая сеть ANFIS, объединяющая в себе теорию нечетких множеств и нейросетевые технологии. Для того, чтобы изучать особенности сети ANFIS необходимо сначала ее реализовать на каком либо языке программирования.
В данной бакалаврской работе был проведен анализ библиотек на языке Python по машинному обучению: Scikit-learn, Tensorflow, Keras и pyTorch. Анализ показал, что в этих библиотеках нет реализации сети ANFIS. Поэтому целью данной работы была определена следующим образом - разработка на языке Python класса, позволяющего моделировать работу, обучение и тестирование ANFIS сети.
При выполнении бакалаврской работы решались следующие задачи:
1. Анализ библиотек на языке программирования Python по машинному обучению.
2. Математическое моделирование адаптивной нейро-нечеткой системы логического вывода ANFIS.
3. Разработка класса на языке Python, позволяющего моделировать работу, обучение и тестирование ANFIS сети.
При выполнении бакалаврской работы на языке Python был реализован класс, позволяющий моделировать работу, обучение и тестирование ANFIS сети. Описание программного кода, пример использования класса представлены в третьей главе.
Также в ходе выполнения исследований была изучены отечественные [1-10] и зарубежные [11-20] статьи об особенностях работы нейро-нечетких сетей ANFIS.
Исследования, проведенные в рамках данной бакалаврской работы, позволяют сделать следующие выводы:
1. Обзор отечественных и зарубежных источников литературы показывает, что одним из перспективных направлений развития искусственного интеллекта является комбинирование технологий с целью получения новых алгоритмов машинного обучения. Так комбинирование теории нечетких множеств и нейросетевых технологий привело к появлению нейро-нечетких сетей ANFIS.
2. Результаты сравнительного анализа библиотек Python по машинному обучению (Scikit-learn, Tensorflow, Keras, pyTorch), показал, что в них реализован функционал по работе с нейронными сетями прямого распространения, но отсутствует реализация функций для моделирования нейро-нечетких сетей ANFIS.
3. Был рассмотрен математический аппарата нейро-нечетких сетей ANFIS, описаны принципы их работы, а также показана процедура настройки сети.
4. На языке Python был реализован класс, позволяющей моделировать работу, обучение и тестирование ANFIS сети. Данный класс можно подключать к другим проектам, написанным на языке Python или использовать его независимо при проведении научно-исследовательских работ.
5. Проведенное тестирование на имеющейся выборке данных подтвердило работоспособность разработанного программного обеспечения. А по графикам представленным в третье граве можно определить насколько точно сеть ANFIS описывает данные обучающей выборки с двумя независимыми переменными.
Таким образом, цель данной бакалаврской работы была достигнута, а все поставленные задачи успешно решены.
