Подсистема приобретения и редактирования знаний является важнейшей частью интеллектуальных информационных систем (экспертных систем) [1]. <...> Экспертная информация, как правило, трудно формализуема в рамках традиционных математических подходов, что обусловило применение в этой области теории нечетких множеств и широкое использование баз знаний, основанных на нечетких знаниях, т. е. нечетких продукционных систем [3 - 4]. <...> Система принятия решений оперирует нечёткими знаниями и понятиями. <...> Это позволяет делать выводы на основе правил нечёткой логики, что делает актуальной задачу адекватного представления нечеткой экспертной информации. <...> Для формирования такой информации (на этапе фаззификации) необходимо определить функции принадлежности (ФП) лингвистических переменных (ЛП) модели предметной области, в том числе установить оптимальное число термов ЛП. <...> При этом возникает вопрос о критериях при оценивании того или иного признака, по которым должен производиться выбор оптимального множества значений лингвистической шкалы. <...> При описании реальных объектов критерий оптимальности выбора термов ЛП должен удовлетворять требованиям минимальной неопределенности для экспертов и максимальной согласованности экспертной информации [5, 6]. <...> С практической точки зрения эта задача сводится к установлению оптимального множества используемой для оценки параметров модели предметной области лингвистической шкалы и оптимального числа термов ЛП. <...> При решении рассматриваемой задачи проводят оценку согласованности нечетких экспертных знаний. <...> Представление экспертных знаний в конкретной предметной области предполагает определение конечного множества ЛП, термов для каждой ЛП, построение ФП и оценку согласованности экспертной информации. <...> Ключевым моментом при построении ФП является определение базового и расширенных терм-множеств. <...> Термы ЛП в соответствии с физическим смыслом определены на действительной <...>