- •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.
39 Нечеткая логика: история проблемы, практические приложения.
Стремление получить точную, исчерпывающую модель для достаточно сложного объекта (процесса) не имеет смысла, поскольку сложность такого описания становится соизмеримой со сложностью самого объекта. Следовательно, использование такой модели не позволяет просто и наглядно объяснить механизм его функционирования, воспользоваться какими-либо стандартными математическими процедурами для исследования характеристик объекта и синтеза системы управления им. Это особенно относится к таким объектам управления, как производственные процессы, организационные, транспортные, биологические системы и др.
Наш мир состоит не из одних нулей и единиц - нам нужна более гибкая логика для того, чтобы представлять реальные взаимосвязи ... Нужны подходы, для которых точность, строгость и математический формализм не являются чем-то абсолютно необходимым и в которых используется методологическая схема, допускающая нечеткости и частичные истины».
Первой работой в указанном направлении, заложившей основы нового подхода к анализу сложных систем и процессов принятия решений, была опубликованная в 1964 г. статья американского профессора Л.А.Заде, за которой последовал ряд других основополагающих публикаций этого же автора. Суть данного подхода, получившего название «нечеткой логики» (Fuzzy Logic), заключается в следующем: 1) в нем используются так называемые «лингвистические» переменные вместо обычных числовых переменных или в дополнение к ним; 2) простые отношения между переменными описываются с помощью нечетких высказываний; 3) сложные отношения описываются нечеткими алгоритмами.
Предложенные идеи, в силу своей нацеленности на моделирование процессов принятия решений в условиях неопределенности, нашли много сторонников и получили широкое распространение в качестве инструмента для построения реальных систем ИИ. Так, на вопрос «Что такое нечеткая логика?» дается следующий ответ: «Это технология, которая обеспечивает разработку систем с помощью интуиции и инженерных знаний «know-how». Нечеткая логика использует понятия повседневной речи для определения поведения системы. Она дает возможность построения отказоустойчивых систем».
Общеизвестно, что практика - критерий истины. Еще в 1983 г. японская фирма «Фуджи Электрик» реализовала на основе нечетких алгоритмов управления установку для обработки питьевой воды. В 1987 г. запущена в производство система управления новым метро в г. Сендаи, около Токио, предложенная на аналогичных принципах фирмой «Хитачи». В 1991 г. Япония экспортировала в общей сложности более чем на 25 млрд. долларов товаров, в которых тем или иным образом использовались компоненты нечеткой логики. Это, в первую очередь, товары культурно-бытового назначения - фотоаппараты, видеокамеры, стиральные машины, холодильники, пылесосы, микроволновые печи и многое другое. Таким образом, технология, почти не замеченная всем миром, в Японии превратилась в одну из ключевых технологий, что сразу привлекло к себе огромное внимание. Сегодня уже многие ведущие компании США, Германии, Франции и ряда других стран предлагают самые разнообразные товары и системы с использованием принципов нечеткой логики, осваивая все новые и новые области применения. Вместе с тем, по оценкам европейских ученых, Япония опережает в развитии своих ближайших конкурентов в этом направлении на два года.