- •1 Принципы системного анализа
- •2) Классификация проблем по степени их структуризации
- •3) Понятие системы, её структура, классификация
- •4 Типовые постановки задач системного анализа
- •5) Характеристика этапов системного анализа
- •6) Процедуры са.
- •7 Анализ структуры системы
- •7) Анализ структуры системы
- •8) Понятие модели. Построение моделей систем.
- •9) Проверка адекватности моделей, анализ неопределенности и чувствительности
- •10) Формирование критериев
- •11) Генерирование альтернатив
- •12) Реализация выбора и принятия решений
- •13) Оптимизационные методы получения детерминированных оценок. Методы линейного программирования
- •21) Постановка задач лин программирования.
- •22)Канонические задачи лин програм.
- •23.Решение линейного программирования.
- •24) Способы описания систем ( модель чёрного ящика)
- •25)Содержательный этап описания сложной системы.
- •26) Классификация задач пр
- •27) Критерии принятия решений и их шкалы
- •28) Выбор альтернатив в многокритериальных задачах
- •29) Условная максимизация
- •30) Нахождение множества Парето
- •31) Выбор в условиях неопределенности
- •32) Методы выбора оптимальных стратегий
- •1 Принцип Вальда максиминный критерий
- •2 Критерий Лапласа
- •33) Сведение многокритериальной задачи к однокритериальной
- •34) Теория игр. Оптимальность в конфликтных ситуациях.
- •35) Теория игр. Игровые динамические задачи
- •36) Понятие информационной системы. Свойства ис. Предназначение ис.
- •38) Информационные системы также классифицируются:
- •38) Классификация информационных систем
- •40) Алгебра логики. Теоремы алгебры логики.
- •41)Алгебра логики. Упрощение логических выражений.
- •42) Алгебра логики. Функциональные схемы.
- •43) Алгебра логики. Дизюнктивная нормальная форма.
- •44)Алгебра логики. Коньюнкивная нормальная форма
- •45) Алгебра логики. Построение логических схем в базисе и-не
- •46)Алгебра логики. Построение логических схем в базисе или-не
- •47)Алгебра логики. Операция искл-или.
- •48)Алгебра логики. Карты Карно.
- •49)Алгебра логики. Принцип и закон двойственности
- •50)Алгебра логики. Теоремы разложения
- •51) Алгебра логики. Разложение Шеннона
- •52)Алгебра логики. Разложение Рида
- •53Алгебра логики. Решение систем логических уравнений с одним неизвестным.
- •54,Алгебра логики. Решение систем логических уравнений с двумя неизвестнымы.
- •55) Алгебра логики. Доказательство тождеств на основе логических уравнений.
- •56) Модели представления знаний. Сетевые модели.
- •57) Модели представления знаний. Фреймовые модели
- •58. Алгоритмы прогнозирования.
- •59) Типы задач в распознавании
- •60 Распознавание образов. Основные методы.
- •61)Нейронные сети. Однослойные сети.
- •62) Нейронные сети. Многослойные сети.
60 Распознавание образов. Основные методы.
Распознавание – это отнесение конкретного объекта (реализа¬ции), представленного значениями его свойств (признаков), к одному из фиксированного перечня образов (классов) по определённому решающему правилу в соответствии с поставленной целью.
Распознавание может осуществляться любой системой (живой или неживой), выполняющей следующие функции: измерение значений признаков, производство вычислений, реализующих решающее правило. При этом перечень образов, информативных признаков и решающие правила либо задаются распознающей системе извне, либо формируются самой системой. Вспомогательная, но важная функция распознающих систем – оценка риска потерь.
1, Детерминистские методы решения задач распознавания
Метод построения эталонов
Метод дробящихся эталонов
Метод ближайших соседей
Метод потенциальных функций
Структурные (лингвистические) методы
Кластерный анализ
2. Статистические методы распознавания
Метод ближайших соседей
Метод максимума правдоподобия
Аппроксимационный метод оценки распределений по выборке
61)Нейронные сети. Однослойные сети.
Нейронные сети - вычислительные модели, принцип функционирования которых сходен с сетями биологических нейронов головного мозга. Благодаря заимствованию принципов организации у биологических структур мозга, нейросети демонстрируют многие их свойства, такие как обучение на основе предыдущего опыта, извлечение существенных свойств из поступающей
информации, обобщение имеющихся прецедентов на новые случаи. Возможности, предоставляемые нейронными сетями, были использованы для решения задач распознавания и классификации образов во множестве исследований и прикладных разработок.
Один нейрон способен выполнять простейшие процедуры распознавания. Он позволяет выполнять линейное разделение параметрического пространства на два класса. Для достижения возможности разделения пространства на большее количество классов необходимо одновременное функционирование нескольких нейронов, соединённых в сеть. Простейшая сеть состоит из группы нейронов, образующих слой.
62) Нейронные сети. Многослойные сети.
нейронные сети - вычислительные модели, принцип функционирования которых сходен с сетями биологических нейронов головного мозга. Благодаря заимствованию принципов организации у биологических структур мозга, нейросети демонстрируют многие их свойства, такие как
обучение на основе предыдущего опыта, извлечение существенных свойств из поступающей информации, обобщение имеющихся прецедентов на новые случаи. Возможности, предоставляемые нейронными сетями, были использованы для решения задач распознавания и классификации образов во множестве исследований и прикладных разработок.
Более крупные и сложные нейронные сети обладают, как правило, и большими вычислительными возможностями. Хотя созданы сети всех конфигураций, какие только можно себе представить, послойная организация нейронов копирует слоистые структуры определенных отделов мозга. Оказалось, что такие многослойные сети обладают большими возможностями, чем однослойные; были разработаны алгоритмы для их обучения.
В многослойной нейронной сети, по сравнению с однослойной, присутствует один или более дополнительных слоёв нейронов. Причём входы каждого нейрона в следующем слое соединены взвешенными связями с выходами всех нейронов в предыдущем слое. Последний слой, как правило, называют выходным слоем, а все слои между входным и выходным —скрытыми.
Многослойные сети могут привести к увеличению вычислительной мощности по сравнению с однослойной сетью лишь в том случае, если активационная функция между слоями будет нелинейной.