У дисертації наведено нове вирішення наукової задачі оптимального синтезу та тонкої настройки баз нечітких знань, призначених для ідентифікації багатовимірних нелінійних об’єктів, частина параметрів яких не мають кількісних оцінок. Основні наукові і практичні результати роботи полягають у наступному: 1. Проаналізовано традиційні методи розв’язання задачі ідентифікації багатовимірних нелінійних об’єктів на предмет їх придатності до формалізації нечіткої експертної інформації про об’єкт або його нечітко чи лінгвістично заданих параметрів. Показано, що за допомогою класичних методів, основаних на застосуванні рівнянь - як правило, диференційних та різницевих, неможливо адекватно відтворити характеристики такого об’єкта моделювання. Показано також, що при моделюванні досить складних або недостатньо освоєних об’єктів базами нечітких знань виникає проблема отримання знань із наявних експериментальних даних, оскільки відомі на сьогодні методи розв’язання відповідної задачі не пристосовані до того, щоб працювати суто зі статистикою, оскільки в більшій чи меншій мірі орієнтуються на знання, отримані від експертів. 2. Вперше запропоновано метод синтезу баз нечітких знань, що моделюють багатовимірні нелінійні об’єкти, виключно на основі обробки експериментальних даних про досліджуваний об’єкт без участі експертів. Метод передбачає цілеспрямований пошук сукупності оптимальних параметрів бази нечітких знань, які б забезпечували найкраще відтворення характеристик досліджуваного об’єкта і на основі яких здійснювалася б інтерпретація отриманої моделі. 3. Розроблено математичні моделі отримання баз нечітких знань, призначених для ідентифікації багатовимірних нелінійних залежностей з неперервним та дискретним виходом, за допомогою генетичних алгоритмів. Застосування генетичних алгоритмів при розв’язанні відповідних задач оптимізації дає можливість уникнути проблем локального екстремуму і «прокляття розмірності». Крім того, застосування запропонованих генетичних та еволюційних операцій не виводить розв’язок задачі за межі області допустимих розв’язків. В результаті такого підходу до процесу автоматизованого проектування баз нечітких знань є можливість одержувати моделі складних нелінійних об’єктів досить високого рівня оптимальності - як щодо структури, так і стосовно їх змінних параметрів. 4. Розроблено метод тонкої настройки синтезованих баз нечітких знань шляхом навчання відповідних їм математичних конструкцій у вигляді нейронних мереж. Одержану на етапі грубої настройки базу нечітких знань пропонується втілювати у нейро-нечітку мережу, і етап тонкої настройки проводити шляхом її навчання аналогічно до звичайної нейронної мережі. Представлення баз нечітких знань у вигляді нейро-нечіткої мережі сприяє їх більшій наочності, тобто наочно відтворює зв’язки між структурними елементами нечіткої моделі і організацію проміжних розрахунків при проходженні сигналу з входу на вихід. Для навчання нейро-нечіткої мережі застосовується аналог алгоритму зворотного поширення помилки, дієздатність якого доведено на практиці. Запропонована математична конструкція як нечітка модель певного об’єкта має можливість коригувати власні параметри при поповненні навчальної вибірки новими статистичними даними. 5. Розроблено спеціалізоване програмне забезпечення та проведено комп’ютерні експерименти по перевірці запропонованих методів отримання баз нечітких знань і їх тонкої настройки. В якості тестового матеріалу для даних експериментів було використано нелінійні об’єкти як з неперервним, так і дискретним виходом, що описуються відомими аналітичними залежностями. Шляхом порівняння отриманих моделей з їх відповідними еталонами доведено дієздатність розроблених методів отримання і настройки баз нечітких знань. Створено методику розв’язання задачі прогнозування добових графіків
споживання електричної потужності в умовах нечітких факторів впливу, таких як середньодобова температура навколишнього середовища, середньодобова хмарність, день тижня і сезон. Методика передбачає аналіз статистики за минулий період і синтез на її основі оптимальних за структурою і значеннями змінних параметрів баз нечітких знань, які слугуватимуть основою для розрахунку погодинних показників споживання електричної потужності. Синтез баз нечітких знань пропонується здійснювати шляхом отримання знань із експериментальних даних, використовуючи генетичні алгоритми оптимізації. 7. Розроблено автоматизовану систему прогнозування добових графіків споживання електричної потужності - програмний засіб автоматизації отримання баз нечітких знань як моделей прогнозування на основі запропонованих математичних моделей і методів. Синтезована прогнозуюча система здатна самонавчатись, тобто підлаштовуватись під нові статистичні дані, що надходять з плином часу, і відповідним чином здійснювати перебудову існуючих матриць знань, усуваючи таким чином їх «моральне старіння». Використання розробленого програмного забезпечення дасть змогу прогнозувати можливі тенденції споживання електричної потужності, що має велике значення для вжиття тих чи інших заходів в плані енергозбереження в системі електропостачання. | 