Information Technology Reference
In-Depth Information
Regeln und/oder Zugehörigkeitsfunktionen zu „erlernen“ oder bereits bestehende zu opti-
mieren. „Erlernen“ bedeutet in diesem Zusammenhang die vollständige Erzeugung einer
Regelbasis bzw. von Zugehörigkeitsfunktionen, die die entsprechenden linguistischen
Terme auf der Grundlage von Beispieldaten modellieren. Die Erzeugung einer Regelbasis
setzt eine zumindest vorläufige Definition von Zugehörigkeitsfunktionen voraus und ist
auf drei verschiedene Arten möglich:
• Das System beginnt ohne Regeln und bildet solange neue Regeln, bis die Lernauf-
gabe erfüllt ist. Die Hinzunahme einer neuen Regel wird dabei durch ein Musterpaar
ausgelöst, das durch die bisherige Regelbasis überhaupt noch nicht oder nicht ausrei-
chend erfasst wird. Diese Vorgehensweise kann zu großen Regelbasen führen, wenn die
verwendeten Zugehörigkeitsfunktionen ungünstig gewählt sind, d. h. sich nur wenig
überdecken. Dies ist vergleichbar mit einer schlechten Generalisierungsleistung eines
artifiziellen neuronalen Netzes. Weiterhin ist es in Abhängigkeit von der Lernaufgabe
möglich, dass eine inkonsistente Regelbasis entsteht. Das System muss daher nach Ab-
schluss der Regelgenerierung gegebenenfalls mühevoll erlernte Regeln wieder löschen.
• Das System beginnt mit allen Regeln, die aufgrund der Partitionierung der beteiligten
Variablen gebildet werden können und entfernt ungeeignete Regeln aus der Regelbasis.
Für dieses Verfahren ist ein Bewertungsschema notwendig, das die Leistungsfähig-
keit der Regeln ermittelt. Das Verfahren kann bei der Anwendung auf physikalische
Systeme mit vielen Variablen und feiner Partitionierung zu Komplexitätsproblemen in
Hinsicht auf Laufzeit und Speicherbedarf führen. Dieser Ansatz vermeidet jedoch in-
konsistente Regelbasen, da die entsprechende Überprüfung in das Bewertungsschema
integriert ist. Dieses Verfahren kann im Gegensatz zum ersten Ansatz zu Regelbasen
mit zu wenigen Regeln führen.
• Das System beginnt mit einer eventuell zufällig gewählten Regelbasis, die aus einer
festen Anzahl von Regeln besteht. Im Laufe des Lernvorgangs werden Regeln ausge-
tauscht. Dabei muss bei jedem Austauschvorgang die Konsistenz der Regelbasis neu
überprüft werden. Der Nachteil dieser Vorgehensweise liegt in der festen Anzahl von
Regeln. Weiterhin müssen ein Bewertungsschema zur Entfernung von Regeln und eine
Datenanalyse zur Hinzunahme von Regeln implementiert sein. Ist dies nicht der Fall,
entspricht der Lernvorgang einer stochastischen Suche. Bei einer Verschlechterung der
Leistung müssen dann gegebenenfalls Austauschvorgänge rückgängig gemacht wer-
den.
Die Optimierung einer Regelbasis entspricht einem teilweisen Erlernen. Das bedeutet,
dass ein Teil der benötigten linguistischen Regeln bereits bekannt ist, während die rest-
lichen noch erzeugt bzw. überzählige Regeln noch entfernt werden müssen. In diesem
Sinne stellt der dritte oben genannte Ansatz eher eine Optimierung als ein Erlernen einer
Regelbasis dar. Es sei denn, die Initialisierung des Systems geschieht rein stochastisch
und repräsentiert kein a-priori-Wissen. Das Erlernen oder Optimieren von Zugehörig-
keitsfunktionen ist weniger komplex als die Anpassung einer Regelbasis. Die Zugehörig-
