- •Часть 1. Введение в искусственный интеллект §1. История развития искусственного интеллекта как науки Определение искусственного интеллекта
- •История развития искусственного интеллекта
- •Задачи искусственного интеллекта
- •Тест по теме «История развития искусственного интеллекта»
- •Литература по теме «История развития искусственного интеллекта»
- •§2. Направления и подходы к исследованиям в области искусственного интеллекта Основные подходы к исследованию искусственного интеллекта
- •Основные направления исследований в области искусственного интеллекта
- •Тест по теме «Направления и подходы к исследованиям в области искусственного интеллекта»
- •Литература по теме «Направления и подходы к исследованиям в области искусственного интеллекта»
- •§3. Классификация интеллектуальных информационных систем Определение интеллектуальной информационной системы
- •Классификация интеллектуальных систем
- •Тест по теме «Классификация интеллектуальных информационных систем»
- •Литература по теме «Классификация интеллектуальных информационных систем»
- •Часть 2. Основы теории искусственного интеллекта §1. Представление знаний Данные и знания
- •Классификация моделей представления знаний
- •Тест по теме «Представление знаний»
- •Литература по теме «Представление знаний»
- •§2. Нейронные сети
- •Классификация искусственных нейронных сетей
- •Однослойные искусственные нейронные сети
- •Многослойные нейронные сети
- •Задачи, решаемые нейронными сетями
- •Тест по теме «Нейронные сети»
- •Литература по теме «Нейронные сети»
- •§3. Эволюционное моделирование
- •Генетические алгоритмы
- •Виды генетических алгоритмов
- •Тест по теме «Эволюционное моделирование»
- •Литература по теме «Эволюционное моделирование»
- •§4. Нечеткие множества и нечеткая логика
- •Теория нечетких множеств
- •Нечеткая логика
- •Тест по теме «Нечеткие множества и нечеткая логика»
- •Литература по теме «Нечеткие множества и нечеткая логика»
- •Часть 3. Интеллектуальные информационные системы §1. Экспертные системы
- •Модель экспертных систем
- •Классификация экспертных систем и оболочек экспертных систем
- •Средства разработки экспертных систем
- •Тест по теме «Экспертные системы»
- •Литература по теме «Экспертные системы»
- •§2. Системы поддержки принятия решений
- •Структура систем поддержки принятия решений
- •Классификация систем поддержки принятия решений
- •Тест по теме «Системы поддержки принятия решений»
- •Литература по теме «Системы поддержки принятия решений»
- •Глоссарий Основные определения по теме «История развития искусственного интеллекта»
- •Основные определения по теме «Направления исследований в области искусственного интеллекта»
- •Основные определения по теме «Представление знаний»
- •Основные определения по теме «Нейронные сети»
- •Основные определения по теме «Эволюционное моделирование»
- •Основные определения по теме «Нечеткие множества и нечеткая логика»
- •Основные определения по теме «Экспертные системы»
- •Основные определения по теме «Системы поддержки принятия решений»
- •Рекомендованная литература
- •А.А. Смагин, с.В. Липатова, а.С. Мельниченко интеллектуальные информационные системы Учебное пособие
- •432000, Г. Ульяновск, ул. Л. Толстого, 42
Основные определения по теме «Нечеткие множества и нечеткая логика»
Нечеткая логика (Fuzzy logic) – умозаключение с использованием нечетких множеств или множеств нечетких правил. Это направление восходит к первым работам по нечетким множествам, выполенным Лофти Заде (Lofti Zaden) в 1960-1970 гг.
Неопределенность является неотъемлемой частью процессов принятия решений. Неопределенности принято разделять на три класса:
-
неопределенность, связанная с неполнотой наших знаний о проблеме, по которой принимается решение;
-
неопределенность, которая возникает в связи с непредсказуемостью реакции окружающей среды на наши действия;
-
неопределенность, связанная с неточным пониманием цели непосредственно самим ЛПР.
Нечеткое множество А Х представляет собой набор пар , где х Х и – функция принадлежности, то есть , которая представляет собой некоторую субъективную меру соответствия элемента нечеткому множеству и может принимать значения от нуля, который обозначает абсолютную непринадлежность, до единицы, которая, наоборот, говорит об абсолютной принадлежности элемента х нечеткому множеству А.
Нечетким числом называется выпуклое нормальное нечеткое множество с кусочно-непрерывной функцией принадлежности, заданное на множестве действительных чисел.
Лингвистическую переменную можно определить как переменную, значениями которой являются не числа, а слова или предложения естественного (или формального) языка.
Терм-множеством (term set) называется множество всех возможных значений лингвистической переменной.
Термом (term) называется любой элемент терм-множества. В теории нечетких множеств терм формализуется нечетким множеством с помощью функции принадлежности.
Дефаззификацией (defuzzification) называется процедура преобразования нечеткого множества в четкое число.
Фаззификацией (fuzzification) называется процедура преобразования четких значений в степени уверенности.
Нечетким логическим выводом называется получение заключения в виде нечеткого множества, соответствующего текущим значениям входов, с использованием нечеткой базы знаний и нечетких операций.
Нечеткой базой знаний называется совокупность нечетких правил «если… то…», определяющих взаимосвязь между входами и выходами исследуемого объекта. Обобщенный формат нечетких правил такой: если <посылка правила>, то <заключение правила>.
Посылка правила, или антецедент, представляет собой утверждение типа «x есть низкий», где «низкий» – это терм (лингвистическое значение), заданный нечетким множеством на универсальном множестве лингвистической переменной x. Квантификаторы «очень», «более-менее», «не», «почти» и т.п. могут использоваться для модификации термов антецедента.
Заключение, или следствие, правила представляет собой утверждение типа «y есть d», в котором значение выходной переменной d может задаваться:
-
нечетким термом: «y есть высокий»;
-
классом решений: «y есть бронхит»;
-
четкой константой: «y=5»;
-
четкой функцией от входных переменных: «y=5+4*x».
Нечеткая система – множество нечетких правил, преобразующих входные данные в выходные. В простейшем случае эти правила устанавливает эксперт, в более сложном – например, нейросеть.
Нечеткое правило – условное высказывание вида «если X есть A, то Y есть B», где A и B – нечеткие множества.