- •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.
63.Генетические алгоритмы. Особенности построения и реализации
Одной из наиболее востребованных областей применения генетических алгоритмов являются задачи обучения нейронных сетей, в том числе и нечетких, путем подбора адекватных параметров. Общими этапами такого обучения являются следующие:
ШАГ 1. Выделение управляющих параметров задачи обучения.
ШАГ 2. Получение решения при фиксированных значениях параметров.
ШАГ 3. Определение рассогласованности полученного и требуемого решений.
ШАГ 4. Выбор новых значений параметров на основе работы
генетического алгоритма.
ШАГ 5. Останов в случае получения удовлетворительной рассогласованности решения, иначе - переход к шагу 2.
Генетический алгоритм оптимизации.В качестве управляющих параметров обучения нечетких нейронных сетей, влияющих на качество решения, могут быть выбраны параметры функций принадлежности а также различная формализация логических правил.Генетические алгоритмы базируются на теоретических достижениях синтетической теории эволюции, учитывающей микробиологические механизмы наследования признаков в природных и искусственных популяциях организмов, а также на накопленном опыте в селекции животных и растений.Методологическая основа генетических алгоритмов зиждется на гипотезе селекции, которая в самом общем виде может быть сформулирована так: чем выше приспособленность особи, тем выше вероятность того, что в потомстве, полученном с ее участием, признаки, определяющие приспособленность, будут выражены еще сильнее. Поскольку генетические алгоритмы имеют дело с популяциями постоянной численности, особую актуальность здесь наравне с отбором в родители приобретает отбор на элиминирование. Чаще всего особи, обладающие низкой приспособленностью, не только не участвуют в генерации нового поколения, а элиминируются из популяции на текущем дискретном шаге (эпохе) эволюции.В качестве иллюстрации эффективности примененияГА рассмотрим ставшую уже классической задачу управления перевернутым маятником (invertedpendulum), который представляет собой типичный нелинейный неустойчивый объект. Будем полагать, что перевернутый маятник имеет конструкцию, показанную на рис. 33.6, и состоит из перемещающегося в горизонтальной плоскости рычага, закрепленного в точке О, и прикрепленного к его концу вращающегося маятника. Управление перемещением рычага осуществляется с помощью двигателя постоянного тока путем подачи на его управляющую обмотку соответствующего напряжения с выхода регулятора. Целью управления является балансирование маятника в перевернутом (вертикальном) положении, одновременно удерживая рычаг в некотором заданном положении.
38 Системы искусственного интеллекта с использованием нечеткой логики.
Последние годы характеризуются все более широким внедрением методов искусственного интеллекта в теорию и практику автоматического управления сложными техническими объектами.
Учитывая необычайно сложный характер данной проблемы и пестроту имеющихся на сегодня подходов к ее решению (многие из которых находятся в стадии становления), рассмотрим либо один из возможных подходов, который считается многообещающим с точки зрения создания высокоэффективных систем автоматического управления нового поколения – это управление сложными объектами в условиях неопределенности с использованием алгоритмов нечеткой логики.
Критериями выбора данных алгоритмов явились: наглядность и вместе с тем нетрадиционность, нешаблонность постановки задачи управления; корректность и доступность применяемого математического аппарата, понятная интерпретация и доступная простота реализации полученных результатов.
При этом рассмотрим математические основы принятия решений с использованием нечеткой логики, принципы построения нечетких регуляторов, особенности их аппаратной и программной реализации, преимущества и недостатки применения САУ с нечеткими регуляторами.