Оценка стоимости земельного участка, зданий, сооружений. определение стоимости машин и оборудования

— терм-множество переменной в ; где — р й лингвистический терм переменной — j й лингвистический терм переменной в , а m — число входов переменной в . Названия отдельных термов могут для различных лингвистических переменных отличаться друг от друга. Например, Почвы западного региона Украины: дерново-подзолистые, дерново-подзолистые оглеенные, оподзоленные, черноземы типичные, черноземы и дерновые почвы щебнистыми, лугово-черноземные, луговые, дерновые. Лингвистические термы рассматривать как нечеткие множества, которые заданы на универсальных множествах и Y , которые определены соотношениями (2-3). Вернемся снова к соотношению (1). Здесь предполагается, что выход в может быть: а) непрерывным, то есть б) дискретным, то есть где — классы возможных значений входной переменной в . Дискретизация непрерывного выхода может происходить по правилу: (4) Поэтому для сбора экспертной информации об объектах обоих видов используется нечеткая матрица знаний. Слабый матрица знаний







Номер правила Входные переменные Выход ( в )
Jk j


ВЧЕРА БЫЛ ЗАМЕЧАТЕЛЬНЫЙ ДЕНЬ…
Этой матрицы соответствует система высказываний: если и и ... (с весом) или и и ... (с весом ) ... или и и ... (с весом), тогда (5) где — нечеткий терм для оценки переменной в строке с номером jp , — количество строк-конъюнкций, соответствующих решению — число из интервала, которое характеризует субъективную меру уверенности эксперта в правиле с номером jp . Тогда с использованием теории нечетких множеств и системы экспертных высказываний (5) может быть получена следующая модель нечеткой аппроксимации объекта (6): (6) где — функция принадлежности выхода в к классу, — функция принадлежности входа нечетким терма,. Для формализации нечетких термов, которыми оцениваются входы объекта, можно, например, использовать функции принадлежности (7) где — функция принадлежности переменной х к терму Т , b — координата максимума функции, с — параметр сжатия-растяжения. Класс, к которому попадает вход объекта (1) в случае вектора входов, определяется согласно (6) так: . (8) Слабый аппроксимация объекта с непрерывные входом осуществляется с помощью операции дефаззификации, которая превращает то результат логического вывода (6) в четкое число . (9) Если интервал разбить на m равных частей, то есть то формула (9) упрощается и принимает вид, удобный для расчетов . (10) Итак, при такой постановке вопроса, возникает задача нахождения как параметров w в (5), так и значений b и с функции (7). Такая задача соответствует этапу параметрической идентификации. Модель объекта с непрерывным выходом имеет вид: (11) где — вектор входных переменных, — вектор весов в (5), и — векторы параметров функций принадлежности согласно (7), N — общее число строк в матрице знаний, F — оператор «входы-выход», что определяется (5-9). Обучающая выборка определяется как М пар экспериментальных данных «вход-выход»: . (12) Согласно методу наименьших квадратов задача оптимальной настройки нечеткой базы знаний формулируется следующим образом: найти такой вектор ( А , B , C ), который удовлетворяет ограничениям (13) и обеспечивает минимум величине . (14) Модель объекта с дискретным входом — это вектор мер принадлежности к каждому классу: