Add figures

Jenkinsfile

@@ -16,7 +16,7 @@ pipeline {
                 script {
                     docker.image('aergus/latex').inside {
                         sh 'latexmk -pdf paper.tex'
-                        sh 'git add paper.pdf'
+                        sh 'git add -f paper.pdf'
                         sh 'git commit -a -m "add pdf"'
                         sh 'git push origin master'
                     }

paper.tex

@@ -179,6 +179,7 @@ $Y=\{y^i\}, i = [1,n], n \in N$,  -- $n$ состояний интегрируе
 Состояние системы $y^i$ определяется вектором входных значений $\{v_1^i, ..., v_m^i\}$,
 Таким образом, для формирования правила управления системы для перевода ее в состояние (выдачи управляющих воздействий) $y^i$ необходимо в антецедент правила включить сравнение вектора параметров $X$ со значениями $\{v_1^i, ..., v_m^i\}$:
 \begin{equation}
+	\label{eq:comparison}
 	p^i (X, \{v_1^i, ..., v_m^i\}) \rightarrow y^i.
 \end{equation}
 
@@ -186,6 +187,34 @@ $Y=\{y^i\}, i = [1,n], n \in N$,  -- $n$ состояний интегрируе
 
 Для учета неопределенности во входных значениях будем использовать нечеткие функции принадлежности треугольной формы $\mu_(y^i ) (x^i)$ \cite{Mamdani-1974}. Данная функция значений входных параметров $x^i$, присущих состоянию системы $i$ позволяет выполнять логический вывод даже в том случае, когда вектор входных значений содержит значения, не совпадающие в точности со значениями, использующимися в антецедентах правил.
 
+\section{Алгоритм формирования выходных данных на основе иерархической базы правил}
+На рисунке \ref{fig:algorithm} представлен алгоритм принятия решения с использованием иерархической нечеткой базы правил с нечетким логическим выводом, основанном на подходе Мамдани \cite{Mamdani-1974}.
+
+\begin{figure}
+	\centering
+	\includegraphics[width=1.0\linewidth]{figures/li}
+	\caption{Алгоритм принятия решений}
+	\label{fig:algorithm}
+\end{figure}
+
+Предварительно на основе метамодели формируется первый уровень базы правил (generate abstract level rule base), который не будет изменяться до тех пор, пока не произойдут изменения в самой метамодели интегрируемой ИС.
+
+Алгоритм, представленный на рисунке \ref{fig:algorithm}, состоит из нескольких шагов:
+\begin{itemize}
+	\item Входные данные (input data), представленные в виде кортежа данных ключ-значение ($inp1 = 7$) разного типа (целочисленные, строковые, дата и логические переменные типа boolean), преобразуются в лингвистические термы (transfer to terms), представленные в виде $INP=\{INP_1, INP_2, ..., INP_z\}, z \in N$.
+	
+	\item Используя базу правил первого уровня (abstract level rule base) и преобразованные входные данные ($INP$), осуществляется логический вывод (search in abstract level rule base), представленный в виде $\{\{INP^{OUT_s}\}, OUT_s\}, s \in N$.
+	
+	\item Результат выполнения правила первого уровня ($\{INP^{OUT_s}\}, OUT_s$), исходные входные данные (input data), представленные в виде кортежа данных ключ-значение ($inp1 = 7$) разного типа (целочисленные, строковые, дата и логические переменные типа boolean), и база данных интегрируемой ИС (data base) участвуют в динамическом формировании правил второго уровня (generate key level rule base), математическое представление которых представлено в формуле \ref{eq:comparison}.
+	
+	\item В процессе нечеткого логического вывода (logic inference by Mamdani), основанного на подходе Мамдани, получается результат выполнения правила ($y^i$) на основе базы правил второго уровня.
+	
+	\item На заключительном этапе (generate out) формируются подходящие выходные данные (output data), представленные в виде картежа данных ключ-значение ($out1 = 7$) разного типа (целочисленные, строковые, дата и логические переменные типа boolean). Заключительный этап использует в качестве входных данных базу данных интегрируемой ИС (data base) и результат выполнения правила ($y^i$) на основе базы правил второго уровня.	
+\end{itemize}
+
+Таким образом, происходит процесс принятия решений на основе  иерархической нечеткой базы правил с нечетким логическим выводом.
+ 
+
 \begin{credits}
 \subsubsection{\ackname} This study was supported the Ministry of Science and Higher Education of Russia in framework of project No. 075-03-2023-143 "The study of intelligent predictive analytics based on the integration of methods for constructing features of heterogeneous dynamic data for machine learn-ing and methods of predictive multimodal data analysis".
 \end{credits}