СПОСОБИ УРАХУВАННЯ НЕВИЗНАЧЕНОСТІ ПРИ ПОБУДОВІ ЛІНГВІСТИЧНИХ ШКАЛ

Автор(и)

  • Н. А. Яремчук Національний Технічний Університет України «Київський політехнічний інститут імені Ігоря Сікорського» Київ, 03056, проспект Перемоги, 37, Ukraine
  • Р. С. Семенюк Національний Технічний Університет України «Київський політехнічний інститут імені Ігоря Сікорського» Київ, 03056, проспект Перемоги, 37, Ukraine

DOI:

https://doi.org/10.24027/2306-7039.3А.2020.217969

Ключові слова:

невизначеність вимірювання, лінгвістична шкала, метрична класифікація

Анотація

У доповіді наведено основні аспекти проблеми побудови лінгвістичних шкал при застосуванні метричної класифікації в інтелектуальних вимірювальних системах. Результати вимірювання, які отримують на виході вимірювальних каналів системи, перетворюють в форму, що може бути застосована надалі при нечітких обчисленнях, прийнятті рішень, отриманні діагнозу про стан об’єктів, а також при необхідності регулювання параметрів об’єктів. Для отримання кінцевого результату використовується метрична класифікація, за якої на метричному носієві будується шкала з нечіткою лінгвістичною змінною, що дозволяє визначити клас еквівалентності якому відповідає результат вимірювання.

Показано, що при встановленні лінгвістичних шкал необхідно враховувати наступні складові невизначеності: невизначеність від нечіткості семантичного правила, за яким визначаються границі терм-множини лінгвістичної змінної, невизначеність від неповної ідентифікації об’єкта вимірювання (дефініціальна невизначеність); невизначеність від нестабільності латентного параметра, що підлягає вимірюванню; інструментальна невизначеність.

Встановлено, що при побудові лінгвістичних шкал може бути використано два способи врахування невизначеності, що відповідають в свою чергу двом алгоритмам роботи нечіткого класифікатора. Перший спосіб полягає в тому, що складові невизначеності, які стосуються шкали і об’єкту вимірювання, використовуються для побудови шкали, а інструментальна складова невизначеності використовується при оформленні результату вимірювання як нечіткого числа. Тоді за алгоритмом роботи нечіткого класифікатора знаходять композицію функцій приналежності терм-множини лінгвістичної змінної і нечіткого числа, а за центром ваги результату композиції знаходять необхідний клас еквівалентності. Другий спосіб полягає в знаходженні сумарної невизначеності за всіма складовими і її врахуванні при побудові лінгвістичної шкали. Тоді клас еквівалентності визначають за максимумом перерізу функцій приналежності терм-множини лінгвістичної шкали з результатом вимірювання, або за максимумом і мінімумом перерізу. Найчастіше для вирішення подібної задачі використовують нечіткий додаток до пакету MatLab, за яким визначають саме активовані класи еквівалентності, функції приналежності яких модифікують у відповідності з максимумом і мінімумом перерізу. Тому авторами доповіді був обраний другий спосіб урахування невизначеності і проаналізований зв’язок між індексом нечіткості функцій приналежності окремих термів лінгвістичної змінної і сумарною невизначеністю.

Посилання

Kendall, Stuart 1973 – The Advanced Theory of Statistics, 723 p.

Kazuo Tanaka, Hua O. Wang Fuzzy Control Systems Design and Analysis: A Linear Matrix Inequality Approach. 2001. John Wiley &Sons, INC. ISBNS: 0-471-32324-1 (Hardback).-305p.

Enrique H. Ruspini, A new approach to clustering, Information and Control, Volume 15, Issue 1, 1969, Pages 22-32, ISSN 0019-9958. DOI: https://doi.org/10.1016/S0019-9958(69)90591-9.

Семенюк Р.С., Яремчук Н.А. Основні етапи встановлення лінгвістичних шкал при вимірюваннях і діагностиці. Матеріали VII Міжнародної науково-технічної конференції «Метрологія, інформаційно-вимірювальні технології та системи (МІВТС)», лютий 18, 19 2020, Харків.

Piegat, Andrzej. (2001). Fuzzy Modeling and Control. 10.1007/978-3-7908-1824-6. (Пегат А. Нечеткое моделирование и управление. Пер. с англ. М.: БИНОМ. Лаборатория знаний, 2009. 798 с).

JCGM 200: 2008. International vocabulary of metrology – Basic and general concepts and associated terms (VIM). JCGM 2008

Zak Yu. A. (2013), Decision-making under fuzzy and blurry data: Fuzzy-technology, Librokom, Moscow, 352 p. (rus).

Konysheva L.K. Osnovy teorii nechetkih mnozhestv: Uchebnoe posobie [Fundamentals of the theory of fuzzy sets: a Training manual] / L.K.Konysheva, D.M.Nazarov. - SPb.: Piter, 2011. - 192 p. [in Russian]

Mauris G. Representing and Approximating Symmetric and Asymmetric Probability Coverage Intervals by Possibility Distributions. IEEE Transactions on Instrumentation and Measurement. Vol. 58, N1 2009. pp. 41-45. DOI: https://doi.org/10.1109/tim.2008.2004980

Ferrero A., Prioli M., Salicone S. Conditional Random-Fuzzy Variables Representing Measurement Results. IEEE Transactions on Instrumentation and Measurement. Vol. 64. N5, 2015 pp. 1170-1178. DOI: https://doi.org/10.1109/tim.2014.2357581

Tóth-Laufer E., Várkonyi-Kóczy A. A Soft Computing-Based Hierarchical Sport Activity Risk Level Calculation Model for Supporting Home Exercises. IEEE Transactions on Instrumentation and Measurement. Vol. 63, N6, 2014 pp. 1400. DOI: https://doi.org/10.1109/tim.2014.2299523

Shtovba S.D., Shtovba O.V., Pankevich O.D. Accuracy and compactness criteria for evaluating the quality of fuzzy knowledge bases in identification problems // Scientific Works of Vinnytsia National Technical University. – 2012. – №4.

##submission.downloads##

Опубліковано

2020-11-30