20. Индуктивные системы (основные понятия). Системы, основанные на прецедентах (общая характеристика)

Индуктивные системы позволяют обобщать примеры на основе принципа индукции «от частного к общему». Процедура обобщения сводится к классификации примеров по значимым признакам. Алгоритм классификации примеров включает следующие основные шаги.

1. Выбор классификационного признака из заданного множества.

2. Разбиение множества примеров на подмножества по значению выбранного признака.

3. Проверка принадлежности каждого подмножества примеров одному из классов.

4. Проверка окончания процесса классификации. Если какое-то подмножество примеров принадлежит одному подклассу, то есть у всех примеров этого подмножества совпадает значение классификационного признака, то процесс классификации заканчивается.

5. Для подмножеств примеров с несовпадающими значениями классифика-ционных признаков процесс распознавания продолжается, начиная с первого шага. При этом каждое подмножество примеров становится классифици-руемым множеством.

В системах, основанных на прецедентах, БЗ содержит описания конкретных ситуаций (прецеденты). Поиск решения осуществляется на основе аналогий и включает следующие этапы:

• получение информации о текущей проблеме;

• сопоставление полученной информации со значениями признаков прецедентов из базы знаний;

•  выбор прецедента из базы знаний, наиболее близкого к рассматриваемой проблеме;

•  адаптация выбранного прецедента к текущей проблеме;

•  проверка корректности каждого полученного решения;

•  занесение детальной информации о полученном решении в БЗ.

Прецеденты описываются множеством признаков, по которым строятся индексы быстрого поиска. В системах, основанных на прецедентах, до пускается нечеткий поиск с получением множества допустимых альтернатив, каждая из которых оценивается некоторым коэффициентом уверенности. Наиболее эффективные решения адаптируются к реальным ситуациям с помощью специальных алгоритмов. Системы, основанные на прецедентах, применяются для распространения знаний и в системах контекстной помощи.

21.Нейронные сети (основные понятия)

Иску́сственные нейро́нные се́ти (ИНС) — математические модели, а также их программные или аппаратные реализации, построенные по принципу организации и функционирования биологических нейронных сетей — сетей нервных клеток живого организма

Классы задач решаемые при помощи ИНС : если пространство дискретно ,то решает задачи классификации, в непрерывном пространстве это универсальный аппроксиматор

Задачи: 1) распознование и классификация образов (букв, речи и т.д.) 2)кластеризация – множество классов заранее не задают 3) аппроксимация функций (прогноз) 4) оптимизация нахождение лучшего решения проимеющихся возможностях 5)ассоциативная память 6) управление

Схема простой нейросети. Зеленым цветом обозначены входные нейроны, голубым скрытые нейроны, жёлтым — выходной нейрон.

ИНС представляют собой систему соединённых и взаимодействующих между собой простых процессоров (искусственных нейронов). Такие процессоры обычно довольно просты, особенно в сравнении с процессорами, используемыми в персональных компьютерах. Каждый процессор подобной сети имеет дело только с сигналами, которые он периодически получает, и сигналами, которые он периодически посылает другим процессорам. И тем не менее, будучи соединёнными в достаточно большую сеть с управляемым взаимодействием, такие локально простые процессоры вместе способны выполнять довольно сложные задачи.

Нейронные сети не программируются в привычном смысле этого слова, они обучаются. Возможность обучения — одно из главных преимуществ нейронных сетей перед традиционными алгоритмами. Технически обучение заключается в нахождении коэффициентов связей между нейронами. В процессе обучения нейронная сеть способна выявлять сложные зависимости между входными данными и выходными, а также выполнять обобщение. Это значит, что в случае успешного обучения сеть сможет вернуть верный результат на основании данных, которые отсутствовали в обучающей выборке, а также неполных и/или «зашумленных», частично искаженных данных.

Вычислительные системы, основанные на искусственных нейронных сетях, обладают рядом качеств, которые отсутствуют в машинах с архитектурой фон Неймана (но присущи мозгу человека):

Массовый параллелизм;

Распределённое представление информации и вычисления;

Способность к обучению и обобщению;

Адаптивность;

Свойство контекстуальной обработки информации;

Толерантность к ошибкам;

Низкое энергопотребление.