- •1 Основные понятия и структурная схема приборного комплекса.
- •17 Принципы построения измерителей навигационных параметров в живом организме.
- •2.Комплексы оборудования самолетов.
- •10 . Основные направления развития исследований и систем искусственного интеллекта
- •4. Основные характеристики и требования, предъявляемые к системам отображения информации.
- •5. Навигационные комплексы. Общие сведения и классификация.
- •11.Диалоговые системы искусственного интеллекта.
- •12 Бионика, как наука.
- •6.Основные закономерности построения навигационных комплексов.
- •7.Навигационные комплексы на базе микропроцессоров.
- •8.Иерархические структуры навигационных комплексов. Системы искусственного интеллекта в навигационных комплексах.
- •18 Общие принципы построения биологических навигационных комплексов.
- •22 Интеллектуальный биологический навигационный комплекс.
- •9.Понятие об искусственном интеллекте. Интеллектуальные системы.
- •13 Обобщенная модель живого организма.
- •14 Основные функции живого организма.
- •15 Навигационная бионика. Общность задач и основных принципов навигации в живой природе и технике.
- •16 Общая характеристика методов навигации.
- •19 Информационное обеспечение пространственной навигации животных.
- •20 Обеспечение точности и надежности функционирования навигационных биосистем.
- •21 .Накопление априорной информации в биологических навигационных комплексах при обучении.
- •23 Основные особенности биологических навигационных комплексов.
- •24 Системы искусственного интеллекта – системы, базирующиеся на знаниях.
- •25 Основные структуры систем искусственного интеллекта.
- •26 Представление знаний.
- •27. Семантические сети.
- •28 Фреймовые модели.
- •29 Логические модели знаний и системы логического вывода.
- •30 Продукции и продукционные системы.
- •31. База знаний систем искусственного интеллекта.
- •32 Стратегия управления и механизм вывода в системах искусственного интеллекта.
- •33 Прямая цепочка рассуждений. База знаний. Обобщенный алгоритм работы.
- •34 Обратная цепочка рассуждений. Дерево решений. База знаний. Обобщенный алгоритм работы.
- •35 Общие методы поиска решений в пространстве состояний.
- •41)Нечеткие множества и лингвистические переменные.
- •42)Операции с нечеткими множествами.
- •37 Особенности разработки баз знаний бортовых экспертных систем.
- •43)Нечеткие алгоритмы.
- •47) Программная и аппаратная реализация нечетких регуляторов.
- •44)Общие принципы построения интеллектуальных систем управления на основе нечеткой логики.
- •45) Процедура синтеза нечетких регуляторов.
- •46) Синтез адаптивной сау с эталонной моделью на основе нечеткой логики.
- •48)Общая характеристика проблемы построения искусственных нейронных сетей. История проблемы.
- •49)Моделирование механизмов человеческого мышления. Модели нейронов.
- •50_Реализация логических функций на формальных нейронах. Проблема «Исключающего или».
- •51 .Искусственные нейронные сети. Общие положения.
- •52 . Персептрон ф. Розенблатта.
- •53 .Адаптивный пороговый элемент.
- •55. Общие принципы построения интеллектуальных сау с использованием нейронных сетей.
- •39 Нечеткая логика: история проблемы, практические приложения.
- •54. Многослойные персептроны. Алгоритм обратного распространения.
- •57 Применение нейронных сетей в задачах адаптации алгоритмов управления нелинейными объектами.
- •62. Нейрокомпьютер фирмы аас.
- •61. Способы реализации нейронных сетей. Примеры реализации нейрокомпьютеров.
- •1. Нейрокомпьютеры на базе транспьютеров.
- •58. Применение нейронных сетей в задачах идентификации математических моделей динамических объектов.
- •59 Обзор возможных вариантов построения нейронных сетей.
- •63.Генетические алгоритмы. Особенности построения и реализации
- •38 Системы искусственного интеллекта с использованием нечеткой логики.
- •36.Проблемы разработки бортовых оперативно-советующих экспертных систем.
43)Нечеткие алгоритмы.
Понятие нечеткого алгоритма, впервые введенное Л.А.Заде , является важным инструментом для приближенного анализа сложных систем и процессов принятия решений. Под нечетким алгоритмом (fuzzy algorithm) понимается упорядоченное множество нечетких инструкций (правил), в формулировке которых содержатся нечеткие указания (термы).
Например, нечеткие алгоритмы могут включать в себя инструкции типа:
а) «х = очень малое»;
б) «х приблизительно равно 5»;
в) «слегка увеличить х»;
г) «ЕСЛИ х - в интервале [4,9; 5,1], ТО выбрать у в интервале [9,9; 10,1]»;
д) «ЕСЛИ х - малое, ТО у - большое, ИНАЧЕ у - не большое». Использованные здесь термы «очень малое», «приблизительно равно», «слегка увеличить», «выбрать в интервале» и т.п. отражают неточность представления исходных данных и неопределенность, присущую самому процессу принятия решений.
Две последние инструкции (г-д) представляют собой правила (или нечеткие высказывания), построенные по схеме логической импликации «ЕСЛИ - ТО», где условие «ЕСЛИ» соответствует принятию лингвистической переменной х некоторого значения А, а вывод (действие) «ТО» означает необходимость выбора значения В для лингвистической переменной у:
(х=А) (у=В).
Указанные правила получили широкое распространение в технике. Механизм построения правил принятия решений в конкретной задаче выглядит при этом следующим образом. На основе заданной цели (рис. 27.3) с помощью механизма упрощения, позволяющего выделить наиболее существенные и отсечь второстепенные факторы, определяется начальное состояние системы, желаемое конечное состояние и правила действий, переводящих систему в желаемое конечное состояние.
Рис 27.3. Построение правил принятия решений.
Набор таких правил, обеспечивающих получение «хорошего», как правило, приближенного решения поставленной задачи, реализуется с помощью механизма вывода.
На практике часто используется еще один метод построения функции принадлежности выходного нечеткого множества, получивший название метода Максимума-Произведения (MAX-Product-Inference). Суть этого метода заключается в следующем. При вычислении функций принадлежности вывода (заключения) «ТО» для каждого из правил осуществляется не ограничение их на уровне выполнения соответствующего условия «ЕСЛИ» (как это делалось в методе Максимума-Минимума), а пропорциональное уменьшение их значений в соответствии с уровнем выполнения указанного условия (рис. 27.7,а) с последующим использованием операции «ИЛИ» (рис. 27.7,б).
Важно отметить, что при использовании любого из указанных выше методов вывода (рис. 27.6, 27.7) результатом выполнения правил 1-2 является не конкретное число вых, а некоторое нечеткое множество, описываемое функцией принадлежности (вых). В то же время данное решение не может считаться окончательным, поскольку сохраняется неопределенность выбора значения искомой переменной вых внутри рассматриваемого интервала - носителя нечеткого множества В1В2. Переход от полученного нечеткого множества к единственному четкому значению (вых)0, которое и признается затем в качестве решения поставленной задачи, называется дефаззификацией (defuzzyfication).
Перечислим некоторые из наиболее известных методов дефаззификации :
1. Метод Максимума - выбирается тот элемент нечеткого множества, который имеет наивысшую степень принадлежности этому множеству.
Если такой элемент не является единственным, т.е. функция принадлежности В(у) имеет несколько локальных максимумов у1, у2,...,уm со значениями В(у1)=В(у2)=...=В(уm), или если имеется максимальное «плато» между у1 и уm, то выбор среди элементов, имеющих наивысшую степень принадлежности множеству, осуществляется на основе определенного критерия.
2. Метод левого (правого) максимума - выбирается наименьшее (наибольшее) из чисел у1, у2,...,уm, имеющих наивысшую степень принадлежности нечеткому множеству.
3. Метод среднего из максимумов - в качестве искомого «четкого» значения уо принимается среднее арифметическое координат локальных максимумов yo=.
Рис. 27.7. Построение механизма вывода спомощью метода Максимума-Произведения
4. Метод Центра Тяжести (Center-of-Area) - в качестве выходного значения yo выбирается абсцисса центра тяжести площади, расположенной под функцией принадлежности В(у), уY:
. При необходимости вычисления yo на ЭВМ в реальном времени, с учетом реальных вычислительных затрат, обычно операцию интегрирования в (27.15) заменяют суммированием.
Существует простая возможность использования для этих целей взвешенного среднего значения
, где , (i=1,2,...,n) - центральные значения нечетких подмножеств Bi(y) выходной переменной y; i - веса, учитывающие уровень выполнения условия «ЕСЛИ» i-го правила, называемые также уровнями активности соответствующих правил; n - число правил вывода.
5. Модифицированный метод центра тяжести - интегрирование (27.15) производится только в тех областях, где В(y), (0,1), yY. Параметр используется здесь для подавления шумов, отсеивания влияния малосущественных для процедуры вывода факторов (на практике можно применять =0,050,1 ).
На рис.27.6 и 27.7 жирными стрелками выделены результаты процедуры дефаззификации, полученные соответственно методом центра тяжести и методом максимума. Незначительное различие полученных значений указывает на то, что выбор механизма вывода и метода дефаззификации может быть, вообще говоря, достаточно произвольным и во многом определяется соображениями простоты их вычислительной реализации.
В тех случаях, когда имеется несколько измеряемых входных переменных, механизм вычисления управляющих воздействий в принципе остается неизменным. Так, на рис. 27.8 показан процесс вычисления единственного управляющего воздействия (открытия охлаждающего вентиля вых) в зависимости от измеряемых четких значений температуры Твх и относительной влажности воздуха Fвх с помощью метода Максимума- Минимума.