Необходимость уменьшения размерности больших массивов данных при сохранении логической структуры, а также, выявление скрытых закономерностей и удаление информационных шумов и избыточности в описании объектов диагностики (распознавания) приводит к необходимости построения эффективного метода классификации объектов в слабо формализуемых областях знаний. Логические функции, описывающие объекты при помощи переменнозначных предикатов, позволяют выявить скрытые закономерности и устранить избыточность в описании объектов. Упорядоченные при помощи переменнозначных логических функции классы объектов являются основой для формирования структуры когнитивных карт. Целью настоящего исследования является создание алгоритма для построения логической нейронной сети на основе переменнозначной логической функции и обоснование возможности применения полученных результатов при построении когнитивных карт. Обоснована теоретическая возможность и приведены алгоритмы, позволяющие осуществить переход от переменнозначных логических функций к когнитивным картам при помощи нейросетевого подхода. Результатом данной работы является процедура построения когнитивной карты с применением логических нейронных сетей, построенных на основе переменнозначных логических функции. Преимуществом полученной когнитивной карты является возможность функционирования в рамках нечеткой логики.
1. Axelrod R., The structure of Decision: Cognitive Maps of Political Elites.
Princeton University Press, 1976. — 321 с.
2. Carvahlo J.P., Tome J.A.B., Rule Based Cognitive Maps — A
comparison with fuzzy Cognitive Maps//Proceedings of the NAFIPS99,
1999. — 32 с
3. Лютикова Л.А., Тимофеев А.В., Сгурев В.В., Йоцов В.И Развитие и
применение многозначных логик и сетевых потоков в интеллектуальных
системах. // Труды СПИИРАН, вып. 2, 2005. С. 114–126.
4. Лютикова Л.А. Моделирование и минимизация баз знаний в терминах
многозначной логики предикатов. Нальчик. – Препринт, 2006. 33 с.
5. Тимофеев А.В., Косовская Т.М. Нейросетевые методы логического
описания и распознавания сложных образов // Труды СПИИРАН. 2013.
Вып. 27. C. 144-155.
6. Шибзухов З.М. Конструктивные методы обучения нейронных сетей. М.:
Наука, 2006. 159 с.
7. Jürgen Schmidhuber Deep learning in neural networks: An overview Neural
Networks Volume 61, January 2015, Pages 85–117
8. Барский А.Б. Логические нейронные сети. ИНТУИТ; БИНОМ, 2007. 352 с
9. Димитриченко Д. П. Применение переменнозначных логических функций
и нейронных сетей в системах принятия решений // Вестник КРАУНЦ.
Физ.-мат. науки. 2016. № 4-1(16). C. 93-100.
10. Димитриченко Д.П. Использование нейронных сетей для повышения
эффективности переменнозначных логических функций // Вестник
ИрГТУ. №10 (105), 2015. С. 12-16.
11. Жилов Р.А., Оптимизация когнитивной карты для задач прогнозирования.
// Кибернетика и программирование. 2015. № 5. С.128-135
Димитриченко Дмитрий Петрович
кандидат технических наук
Email: dimdp@rambler.ru
Институт прикладной математики и автоматизации – филиал Федерального государственного бюджетного научного учреждения «Федеральный научный центр «Кабардино-Балкарский научный центр Российской академии наук»
Нальчик, Российская Федерация
Жилов Руслан Альбердович
Email: zhilov91@gmail.com
Институт прикладной математики и автоматизации – филиал Федерального государственного бюджетного научного учреждения «Федеральный научный центр «Кабардино-Балкарский научный центр Российской академии наук»
Нальчик, Российская Федерация
