Содержание к диссертации
Введение
Глава 1. Экспертные системы. Представление и вывод знаний 14
1.1. Экспертные системы 14
1.2. Классификация экспертных систем 15
1.3. Структура экспертной системы 17
1.4. Разработка экспертных систем 19
1.5. Преимущества экспертных систем 22
1.6. Модели представления знаний 24
1.6.1. Логическая модель 25
1.6.2. Фреймовая модель 26
1.6.3. Семантические сети 27
1.6.4. Продукционная модель 27
1.7. Нечёткие экспертные системы 30
1.7.1. Нечёткая переменная 31
1.7.2. Лингвистическая переменная 31
1.7.3. Нечёткая база правил экспертной системы 32
1.7.4. Нечёткий логический вывод 33
1.8. Задача ускорения поиска решения в нечётких экспертных системах 34
1.9. Выводы по главе 1 36
Глава 2. Классификация методов ускорения поиска решения в экспертных системах 37
2.1. Классификация методов ускорения обработки правил в экспертных системах 37
2.2. Алгоритм Rete для продукционной базы знаний экспертной системы 40
2.2.1. Альфа сеть 41
2.2.2. Бета сеть 42
2.2.3. Разрешение конфликтов 44
2.2.4. Выполнение продукций 44
2.2.5. Индексация памяти 45
2.2.6. Удаление записей и списки записей 45
2.2.7. Обработка условия ИЛИ 46
2.2.8. Диаграмма 46
2.2.9. Преимущества и недостатки 47
2.3. Сравнение алгоритмов Rete, Treat, Leaps для ускорения поиска решения в продукционной экспертной системе 49
2.3.1. Пример работы алгоритма Rete 52
2.3.2. Алгоритм Treat 56
2.3.3. Алгоритм Leaps 59
2.3.4. Сравнение алгоритмов Rete, Treat, Leaps 62
2.4. Алгоритм Fuzzy Rete для нечётких продукционных экспертных систем 64
2.5. Выводы по главе 2 64
Глава 3. Разработка метода ускорения поиска решения для нечётких экспертных систем 66
3.1. Формальная модель дерева решений алгоритма Fuzzy Rete 66
3.2. Пример представления правила из нечёткой базы правил в виде формальной модели дерева решений алгоритма Fuzzy Rete 69
3.3. Оценка близости одного концевого узла дерева другому узлу 72
3.4. Оценка близости промежуточного узла дерева другому узлу 75
3.5. Алгоритм Fuzzy Rete для формирования дерева решений нечёткой продукционной базы правил 77
3.6. Преимущества алгоритма Fuzzy Rete 79
3.7. Архитектура механизма поиска решения для нечёткой продукционной экспертной системы на основе алгоритма Fuzzy Rete 80
3.8. Выводы по главе 3 82
Глава 4. Разработка и тестирование программного обеспечения нечёткой экспертной системы на основе алгоритма Fuzzy Rete 83
4.1. Применение разработанного алгоритма Fuzzy Rete для формирования рекомендаций экспертной системой 83
4.1.1. Постановка задачи экспертной системы 83
4.1.2. Обработка входных данных 87
4.1.3. Формирование дерева решений и поиск решения 88
4.1.4. Расшифровка результата 90
4.1.5. Анализ полученных результатов 90
4.2. Разработка прототипа экспертной системы 91
4.2.1. База данных 92
4.2.2. Пример работы: редактирование базы правил 94
4.2.3. Пример работы: поиск решения и формирование результата 99
4.3. Применение нечёткой экспертной системы с алгоритмом ускорения поиска решения Fuzzy Rete 102
4.3.1. Постановка задачи создания нечёткой экспертной системы нефте-водо-газового расходомера 102
4.3.2. Нечёткие переменные и правила экспертной системы 105
4.3.3. Формирование дерева решений 107
4.3.4. Работа нечёткой экспертной системы 109
4.4. Оценка сложности поиска решения для нечёткой продукционной экспертной системы на основе алгоритма Fuzzy Rete 109
4.5. Анализ эффективности алгоритма Fuzzy Rete 112
4.6. Выводы по главе 4 113
Заключение 115
Литература 117
Приложение 1. Свидетельство о государственной регистрации программы для ЭВМ 125
Приложение 2. Акты о внедрении результатов работы 126
Приложение 3. Исходный текст основных модулей программы 128
Приложение 4. Правила нечёткой экспертной системы расходомера 152
- Продукционная модель
- Пример работы алгоритма Rete
- Алгоритм Fuzzy Rete для формирования дерева решений нечёткой продукционной базы правил
- Пример работы: редактирование базы правил
Введение к работе
Актуальность темы исследования.
На данный момент экспертные системы (ЭС) стали основным инструментом, который используется для решения различных типов задач (интерпретация, предсказание, диагностика, планирование, конструирование, контроль, отладка, инструктаж, управление) в самых разнообразных проблемных областях. В основе функционирования ЭС лежит модель знаний. Она содержит набор принципов, которые описывают состояние и поведение объекта исследования. Наиболее широко применяемой моделью знаний для экспертных систем является продукционная модель в силу своей простоты, удобства обработки и понятности конечному пользователю.
Однако в последнее время большое распространение приобретают нечёткие экспертные системы (НЭС). Данный тип экспертных систем базируется на наборе правил, в которых используются лингвистические переменные и нечёткие отношения для описания состояния и поведения исследуемого объекта. Правила, представленные в таком виде, наиболее приближены к естественному языку, поэтому нет необходимости использования отдельного специалиста инженера по знаниям для создания и редактирования правил. В большинстве случаев они могут быть отредактированы самим экспертом практически без специальной подготовки.
В связи с увеличением числа правил и масштабов таких нечётких экспертных систем на первый план исследований выдвигаются различные методы ускорения поиска решения в данных системах, а также задачи адаптации моделей знаний систем, для использования таких методов.
Для обеспечения ускорения поиска решения в базах знаний нечётких
экспертных систем в работе предлагается использовать методы
искусственного интеллекта, реализованные для классических экспертных систем, в частности, алгоритм Rete, предусматривающий однократное вычисление одинаковых условий правил, и выполнить его преобразование, позволяющее применить данный алгоритм в нечётких экспертных системах. Также, потребуется создать модель знаний для поиска решения согласно разрабатываемому методу.
Выполненные исследования опираются на результаты работ как в области конструирования ЭС, моделирования алгоритмов поиска решений, так и в области ИИ Д.А. Поспелова, В.К. Финна, В.Н. Вагина, А.П. Еремеева, И.А. Башмакова, А.И. Башмакова, С.М. Ковалёва, О.П. Кузнецова, В.М. Курейчика, А.Н. Аверкина, Г.С. Осипова, Т.В. Рыбиной, В.Б. Тарасова, И.Б. Фоминых, В.Ф. Хорошевского и др., а также зарубежных ученых Л.А. Заде, Ч. Форги (L. Forgy), В. Новака (V. Novak), Р. Ягера (R. Yager) и др.
Объектом исследования являются методы поиска решения в
продукционных экспертных системах. Предметом исследования являются методы ускорения поиска решения в продукционных экспертных системах и методы модификации баз знаний, направленные на ускорения поиска решения.
Целью работы является исследование и разработка методов и программных средств ускорения поиска решения для нечётких экспертных систем.
Для достижения данной цели в работе были поставлены следующие задачи:
исследование и анализ основных характеристик и особенностей ЭС, анализ моделей знаний ЭС;
анализ методов ускорения обработки правил в экспертных системах и разработка их классификации;
разработка алгоритмов для ускорения поиска решения в нечёткой ЭС на основе алгоритма Rete;
разработка модели знаний для обеспечения оптимизации базы правил и поиска решения в нечёткой ЭС, согласно предложенному алгоритму;
разработка архитектуры механизма поиска решения для нечёткой ЭС, на основе предложенного метода;
-программная реализация прототипа нечёткой ЭС, функционирующей на основе предложенного алгоритма.
Методы исследования. Поставленные задачи решаются с использованием методов дискретной математики, математической логики, искусственного интеллекта, методов нечёткой логики, теории программирования.
Научная новизна исследования состоит в следующем:
-
предложена формальная модель знаний для поиска решения согласно разработанному алгоритму Fuzzy Rete, которая позволяет оптимизировать и сократить объём базы правил нечёткой экспертной системы;
-
разработан алгоритм FuzzyRete для ускорения поиска решения в базах знаний нечётких экспертных систем, созданный на основе алгоритма Rete, и заключающийся в сокращении объёма вычислений за счёт объединения нечётких условий в нечёткой базе правил, представленной в формате разработанной формальной модели;
-
предложена архитектура решателя нечёткой ЭС, функционирующего на основе разработанного подхода;
-
разработан алгоритм преобразования знаний из базы знаний экспертной системы в формат предложенной формальной модели для обеспечения работы алгоритма Fuzzy Rete. Также данный алгоритм позволяет оценивать степени близости нечётких условий в нечёткой базе правил и выполнять их объединение. Предложенный алгоритм позволяет сокращать объём нечёткой базы правил без существенной потери точности вычисления нечётких условий.
Практическая значимость работы заключается в создании программных средств для реализации ускорения поиска решения на основе алгоритма Fuzzy Rete для нечётких ЭС и реализации прототипа нечёткой ЭС, повышающих эффективность и расширяющих интеллектуальные возможности компьютерных систем.
Практическая значимость работы подтверждается использованием
разработанных в диссертации программных модулей, в том числе модуля
ускорения поиска решения для нечётких экспертных систем,
зарегистрированного в государственном реестре программ для ЭВМ (2016 свидетельство № 2016613791 от 16 февраля 2016 г.), в НИР кафедры ПМ, выполняемой по гранту РФФИ №15-07-04574, и государственному заданию Минобрнауки РФ №2.737.2014/К, а также в учебно-научном процессе кафедры ПМ НИУ «МЭИ», о чем имеется акт о внедрении.
Достоверность научных результатов подтверждена теоретическими выкладками, данными компьютерного моделирования, а также сравнением полученных результатов с результатами, приведенными в научной литературе.
Апробация работы. Основные положения и результаты диссертации докладывались и обсуждались на 19-ой, 20-ой, 21-ой научных конференциях аспирантов и студентов «Радиотехника, электроника, энергетика» в МЭИ (г. Москва, 2013 – 2015 г.), на XXI,XXII Международной научно-технической конференции «Информационные средства и технологии »в МЭИ (г. Москва, 2013 – 2014 г.), на Международной конференции "Инновационные подходы к решению технико-экономических проблем "в МИЭТ(г. Зеленоград, 2014 г.), на четырнадцатой национальной конференции по искусственному интеллекту с международным участием КИИ-2014 (г. Казань, 2014 г.).
Публикации. Основные результаты, полученные при выполнении диссертационной работы, опубликованы в 10 печатных работах и из них три в журнале из перечня ВАК.
Структура и объем работы. Диссертация состоит из введения, 4 глав, заключения, списка использованной литературы (82 наименования) и 4 приложений. Диссертация содержит 124 страницы машинописного текста (без приложений), 35 рисунков и 1 таблицу.
Продукционная модель
В настоящее время экспертными системами наиболее широко применяемого типа являются системы, основанные на правилах. В системах, основанных на правилах, знания представлены не с помощью относительно декларативного, статического способа (как ряд истинных утверждений), а в форме многочисленных правил, которые указывают, какие заключения должны быть сделаны или не сделаны в различных ситуациях. Система, основанная на правилах, состоит из правил IFHEN, фактов и интерпретатора, который управляет тем, какое правило должно быть вызвано в зависимости от наличия фактов в рабочей памяти.
Если обнаруживается факт, что на светофоре горит красный свет, то этот факт согласуется с шаблоном "на светофоре горит красный свет". Условие правила удовлетворяется и выполняется обусловленное в нем действие "стоять".
Классическая экспертная система воплощает в себе неформальные знания, которые должны быть получены от эксперта. Такой процесс создания экспертной системы называется инженерией знаний и осуществляется инженером по знаниям.
Системы, основанные на правилах, относятся к двум главным разновидностям: системы с прямым логическим выводом и системы с обратным логическим выводом. Система с прямым логическим выводом начинает свою работу с известных начальных фактов и продолжает работу, используя правила для вывода новых заключений или выполнения определенных действий. Система с обратным логическим выводом начинает свою работу с некоторой гипотезы, или цели, которую пользователь пытается доказать, и продолжает работу, отыскивая правила, которые позволят доказать истинность гипотезы. Для разбиения крупной задачи на мелкие фрагменты, которые можно будет более легко доказать, создаются новые подцели. Системы с прямым логическим выводом в основном являются управляемыми данными, а системы с обратным логическим выводом -управляемыми целями.
Рабочая память может содержать факты, касающиеся текущего состояния объекта. Правило, все шаблоны которого удовлетворены, называется активизированным, или реализованным. В рабочем списке правил может одновременно присутствовать несколько активизированных правил. В этом случае машина логического вывода должна выбрать одно из правил для запуска.
Вслед за частью THEN правила находится список действий, которые должны быть выполнены после запуска правила. Машина логического вывода работает в режиме осуществления циклов проверки и выполнения правил. В течение каждого цикла могут быть активизированы и помещены в рабочий список правил многочисленные правила.
В рабочем списке правил возникают конфликты, если различные активизированные правила имеют одинаковый приоритет, и машина логического вывода должна принять решение о том, какое из этих правил необходимо запустить. После завершения выполнения всех правил управление возвращается к интерпретатору команд, чтобы пользователь мог выдать командному интерпретатору экспертной системы дополнительные инструкции.
Также особенностью экспертной системы является предусмотренное в ней средство объяснения, которое дает возможность пользователю задавать вопросы о том, как система пришла к определенному заключению и для чего ей требуется определенная информация. Система, основанная на правилах, способна легко ответить на вопрос о том, как было получено определенное заключение, поскольку хронология активизации правил и содержимое рабочей памяти можно сохранять в стеке.
Широкое применение систем, основанных на правилах, обусловлено описанными ниже причинами.
Модульная организация. Благодаря такой организации упрощается представление знаний и расширение экспертной системы по методу инкрементной разработки.
Наличие средств объяснения. Такие экспертные системы позволяют легко создавать средства объяснения с помощью правил, поскольку антецеденты правила точно указывают, что необходимо для активизации правила. Средство объяснения позволяет следить за тем, запуск каких правил был осуществлен, поэтому дает возможность восстановить ход рассуждений, которые привели к определенному заключению.
Наличие аналогии с познавательным процессом человека. Согласно результатам, полученным Ньюэллом и Саймоном, правила представляют собой естественный способ моделирования процесса решения задач человеком. А при осуществлении попытки выявить знания, которыми обладают эксперты, проще объяснить экспертам структуру представления знаний, поскольку применяется простое представление правил.
Пример работы алгоритма Rete
Алгоритм Rete основывается на сети потока данных, у которой есть две основные функции: сохранение состояний и распределённое использование узлов между продукциями. Сохранение состояния позволяет вычислять только новые или обновленные элементы рабочей памяти, что экономит время вычисления, при этом совместное использование узлов продукциями экономит память и снижает сложность сети [27, 28, 22]. Пример сети приведён на рисунке 2.7, где зеленые узлы образуют альфа-память (АП), синие узлы - бета-память, круглые узлы -соединительные узлы. Альфа-сеть повторно использует альфа-память, которая соответствует C1 для C6 и C2 для C7, так как они одинаковы.
Данная сеть состоит из двух подсетей: альфа- и бета-сетей. Каждая сеть имеет свою задачу и предоставляет средства сохранения состояния в виде узлов альфа-памяти альфа-сети, а также узлов бета-памяти для бета-сети. Цель альфа-сети-проверить элемент рабочей памяти на наличие отдельных условий и хранить их в альфа-памяти.
Бета - сеть соединяет узлы альфа-памяти со своими узлами бета-памяти, чтобы сформировать части продукций и, в конечном счете, построить продукцию. Формируемые продукции называют экземплярами, а части условий в продукции называются маркерами. Некоторые узлы являются общими между условиями.
Когда элемент рабочей памяти добавляется в рабочую память, он сначала проходит через альфа-сеть, где выполняются необходимые проверки. На рисунке 2.8 показана альфа-сеть. Вначале выполняется проверка того, какой атрибут имеет элемент рабочей памяти, и если нужно, то проверка его значения. Если условие более сложное, то добавляется новый уровень в альфа-сеть.
Узлы, выполняющие проверку, называются узлами с одним входом или постоянными проверочными узлами. Они выполняют фиксированные тесты и не проверяют согласованность привязки переменных.
Рассмотрим добавление элемента рабочей памяти W9. Вначале он проходит через верхний узел, который не выполняет никаких тестов и просто передает элемент рабочей памяти всем своим дочерним элементам. На уровне атрибута W9 тестируется во всех трех узлах и проходит только через соответствующий ему узел: цвет. На уровне значения W9 проходит только через проверку цвета на красный, а затем сохраняется в альфа-памяти, которая соответствует C1 и C6.
В бета-сети существует в основном два типа узлов: узлы бета-памяти и соединительные узлы. Как мы уже видели, каждая бета-память содержит набор маркеров, которые являются частичными наборами условий продукций и имеют один родительский элемент родителя и один или несколько дочерних элементов. Соединительные узлы связывают переменные между маркерами и элементами рабочей памяти двух родителей (бета-памяти слева и альфа-памяти справа). Объединение приводит к получению новых маркеров, которые добавляются как дочерний элемент в бета-память.
Соединительный узел может быть активирован либо родительской альфа-памятью, либо родительской бета-памятью. Эти активации соответственно называются правой и левой активацией и происходят, когда один из родительских узлов добавляет маркер или элемент рабочей памяти в свою память. При активации с одной стороны соединительный узел выполняет поиск родительских элементов другой стороны, имеющих переменные, соответствующие новому элементу, и присоединяет их, если они найдены.
В каждом узле бета-памяти имеется набор маркеров, к которым присоединились родительские узлы. R1 и R2 совместно используют один и тот же путь в начале, так как их два первых условия идентичны.
Алгоритм Fuzzy Rete для формирования дерева решений нечёткой продукционной базы правил
Разработанный алгоритм состоит из трёх этапов.
На первом этапе алгоритм обрабатывает правила нечёткой базы правил и преобразует их в формат разработанной формальной модели.
На втором этапе работы алгоритма Fuzzy Rete выполняется поиск близких концевых троек во всех правилах продукционной базы знаний. Найденные соответствия между концевыми тройками помечаются. В правилах устанавливаются ссылки такие концевые тройки для обеспечения их однократной обработки.
На третьем этапе выполняется рекурсивная процедура проверки близости промежуточных узлов деревьев решений. Данная процедура обеспечивает укрупнения соответствий между условиями в правилах базы знаний.
Рассмотрим данный алгоритм.
Алгоритм поиска соответствий концевых троек дерева решения Fuzzy Rete.
Входные данные: MDB - база правил, представленная в виде дерева решений.
Выходные данные: MDB - сокращённая база правил, представленная в виде дерева решений.
Промежуточные данные: FCi и FCj - текущие концевые тройки.
Шаг 1. Вначале работы алгоритма все концевые тройки не отмечены (не проверены), m - количество концевых троек. Установить i=1.
Шаг 2. Если i m, то к шагу 10.
Шаг 3. Если FCi отмечена, то i=i+1 и к шагу 2.
Шаг 4. Выбрать FCi. Установить j=i+1.
Шаг 5. Если j m, то отметить FCi, как просмотренную концевую тройку и перейти к шагу 2.
Шаг 6. Если FCj отмечена, то j=j+1 и к шагу 5.
Шаг 7. Выбрать FCj. Выполнить процедуру проверки близости концевых узлов для концевых троек FCi и FCj.
Шаг 8. Если результат успешен (FCj=FCi), то, добавить FCj в список соответствий для FCi, отметить FCj, как просмотренную концевую тройку.
Шаг 9. Перейти к шагу 2.
Шаг 10. Конец (завершение алгоритма).
Далее рассмотрим алгоритм поиска возможностей укрупнения найденных соответствий.
Алгоритм укрупнения соответствий в дереве решений Fuzzy Rete.
Входные данные: MDB - сокращённая база правил, представленная в виде дерева решений, с объединёнными одинаковыми концевыми тройками. Sp -список концевых троек, для которых найдены соответствия; k - количество элементов в списке Sp. Spi - список концевой тройки FCi, содержащий соответствующие ей концевые тройки с индексами; ki - количество элементов в списке Spi.
Выходные данные: MDB - сокращённая база правил, в которой объединены все одинаковые условия.
Промежуточные данные: FCi и FCj - текущие концевые тройки, Ci и Cj родительские узлы для FCi и FCj
Шаг 1. Установить i=1.
Шаг 2. Выбрать в дереве решений FCi, содержащуюся на i-м месте в списке Sp.
Шаг 3. Установить j=1.
Шаг 4. Выбрать из списка Spi концевую тройку FCj, содержащуюся на j-м месте. Извлечь родительские узлы Ci и Cj для FCi и FCj.
Шаг 5. Выполнить рекурсивную процедуру проверки промежуточных узлов Ci и Cj.
Шаг 6. Если результат функции успешен, установить соответствие между узлами Ci и Cj, иначе перейти к шагу 7.
Шаг 7. j=j+1. Если j ki, то к шагу 8, иначе к шагу 4. Шаг 8. i=i+1. Если i k, то к шагу 9, иначе к шагу 2. Шаг 9. Конец (завершение алгоритма).
В результате работы алгоритма формируется сокращённая модель дерева решений для исходной базы нечётких правил. Преимуществом данной модели является меньший объём занимаемой памяти, так как вместо одинаковых условий правил используются ссылки на них. Также при выполнении поиска решения одинаковые условия вычисляются однократно, что обеспечивает ускорение прохождения цикла просмотра правил.
В дальнейшем работа экспертной системы заключается в фаззификации входных данных и получении значений лингвистических переменных. Затем выполняется подстановка полученных значений в сформированное сокращённое дерево решений, которое формирует результат работы экспертной системы [73,75]. Далее может быть выполнена дефаззификация результата для получения числовых характеристик.
Пример работы: редактирование базы правил
Разработанная программная система позволяет пользователю выполнять редактирование нечёткой базы правил, осуществлять ввод исходных данных, выполнять визуализацию дерева решений, и выполнять поиск решения согласно разработанному алгоритму Fuzzy Rete для нечётких экспертных систем [82].
В начале работы с программой пользователь выбирает один из интересующих его пунктов главного меню, представленного на рисунке 4.6.
Для редактирования базы правил, используемых для поиска решения, пользователь выбирает пункт меню: "Редактирование правил нечёткой базы правил" (рис. 4.7.).
В появившемся окне отображается полный список всех правил, содержащихся в нечёткой базе правил.
При выборе пользователем одного из правил, программа выполняет его расшифровку и отображает содержание правила в трёх таблицах. В первой таблице отображаются элементы выбранного правила. На примере показаны три условия и одно следствие выбранного правила. Далее в таблице "Условия правил" отображаются расшифрованные условия правил со всеми их идентификаторами, содержащимися в базе правил. Если пользователь уже осуществил ввод исходных данных, то программа также отображает текущие значения условий. В последней таблице "Следствия правил" отображаются следствия, извлечённые из выбранного правила.
Пользователь может создать новое правило или удалить выбранное правило, а также добавить или удалить элемент из выбранного правила.
Дополнительно программа позволяет пользователю редактировать выбранную лингвистическую переменную. При нажатии на данную кнопку отображается окно "Редактирование лингвистической переменной" (рис. 4.8.).
В данном окне отображается список всех лингвистических переменных.
Пользователь может создавать, редактировать и удалять лингвистические переменные. При удалении переменной программа запросит подтверждение удаления переменной, и, в случае получения положительного ответа от пользователя, удалит данную переменную из базы правил, а также удалит её из всех правил базы, в которых она присутствует. Для редактирования определённой переменной пользователь может выбрать её из указанного списка. При этом в таблице отображается терм-множество данной лингвистической переменной. Для создания, удаления или редактирования нечёткой переменной, являющейся элементом терм-множества, пользователь нажимает соответствующую кнопку.
При редактировании нечёткой переменной появляется окно, представленное на рисунке
В левой части окна отображается список всех нечётких переменных с указанием лингвистических переменных, в терм-множестве которых они состоят. Пользователь может создавать, удалять и редактировать выбранную нечёткую переменную. Предполагается, что все нечёткие переменные описываются функциями принадлежности вида:
В данной функции: n - функция принадлежности переменной x нечёткому множеству n, A, B, C - коэффициенты. Коэффициент A задаёт экстремум функции. Коэффициенты B и C позволяют регулировать изгиб данной функции. При этом пользователь должен определить левую и правую границы области определения указанной функции.
В том случае, если пользователь определит коэффициент B = 0, программа распознает данную ситуацию и определит функцию принадлежности как константу, равную A. Данный элемент определения функции был добавлен, в частности, для удобства задания постоянных значений функции принадлежности на границах всей области определения функции.
После нажатия кнопки "Визуализировать", будет выполнено построение графика выбранной функции принадлежности. На примере показана функция принадлежности для значения "Температура пациента нормальная".