- •1).Теоретико-множественные операции над расплывчатыми множествами
- •2)Расплывчатое включение и расплывчатое равенство множеств
- •5). Расплывчатые высказывания и операции над ними.
- •6) . Расплывчатые логические формулы и их свойства
- •7) . Сложные нечеткие высказывания
- •8) . Нечеткая и лингвистическая переменные
- •9) Построение функций принадлежности нечетких множеств.
- •10) Задача о нечетких интервалах.
- •11). Данные и знания.
- •12). Исчисление высказываний. Синтаксис и семантика.
- •13) .Вывод в логике предикатов
- •14) .Методы решения задач исчисления предикатов
- •15). Сетевые модели представления данных
- •16). Продукционные модели представления знаний
- •17). Вывод на знаниях.
- •18). Онтологии. Модель онтологии.
- •19). Задачи, решаемые с помощью онтологии.
- •20). Основные технологии баз знаний. Система операция для работы со знаниями
- •21) Комплексные операции для работы со знаниями. Анализ структурной семантики.
- •Анализ семантических зависимостей.
- •22) Структура экспертной системы. Экспертные системы
- •Структура экспертной системы
- •Диалоговый компонент экспертной системы
- •23) Интерпретатор экспертной системы
- •24) Компонент приобретения знаний экспертной системы. Когнитивные карты.
- •27). Экспертные оценки. Основные типы шкал и методы проведения экспертизы.
- •(3) Методы экспертного оценивания
- •28). Методы обработки экспертной информации.
- •29.) Структура системы нечеткой логики
- •30). Нечеткий вывод на основе правила композиции.
- •31). Модель нейрона Мак-Каллока и Питтса. Модель формального нейрона.
- •32).Модель персептрона Розенблата.
- •33) Линейные многослойные нейронные сети
- •34). Радиальные нейронные сети
- •Решение проблемы линейности
- •Обобщенная структура радиальной сети рбф
- •35.Дискретная (Рекурентная) сеть Хопфилда
- •36). Двунаправленная ассоциативная память
- •37) Сеть Хэмминга.
- •38) .Рекурентная сеть Эльмана
- •39). Персептронная сеть с обратной связью rmlp.
- •40).Гибридные нейронные сети. Нейросетевые элементы нечетких систем.
- •Нейросетевая реализация нечетких отношений
- •41). Нейросетевая модель нечеткого композиционного вывода.
- •42). Нечеткие элементы нейросетевых систем
- •43). Семантическое эквивалентирование.
- •44). Задача о диверсификации портфеля ценных бумаг
- •45). Элементы характеризационного анализа
- •Преобразование графа в двудольный
21) Комплексные операции для работы со знаниями. Анализ структурной семантики.
Взаимосвязь разных терминов:
Включает контроль синтаксиса, предоставления информации на входе системы и проверку выполнения фиксированного множества ограничений целостности.
Анализ позволяет выявлять и оценивать допустимую сомнительность семантических структур в БЗ. В БЗ м/д давать определения в виде понятий.
Рефлексия: объект А выражается через объект А.
Симметрия: А выражается через В, а В выражается через А.
Круг: А описывается через В, В описывается через С, а С описывается через А.
Анализ семантических зависимостей.
-
Противоречие X и Y
1:Небо голубое 1: Небо серое
2: Железо-металл 2:Железо-не химический элемент
-
Избыточность описания вещи
1:Небо голубое 1: Небо цветное (избыточность)
-
Условное противоречие X и Y
X—не проводник Y—не диэлектрик
либо Z—полупроводник, либо Z—«противоречие»
Тогда X и Y исследуют по различным правилам.
22) Структура экспертной системы. Экспертные системы
PS=(R,B,I)
R—рабочая память или БД, которая содержит её текущие данные.
B—база знаний, содержащая множество продукций, правил вида условия-действия.
I—интерпретатор, который реализует процесс вывода.
I=(V,S,K,W)
V—выбор данных из БД в БЗ, множество активных продукций.
S—процесс сопоставления, определяющий множество ########
K—процесс разрешения конфликтов или процесс планирования, который говорит, какое правило будет выполняться.
W—процесс осуществления выполнения выбранного правила.
Структура экспертной системы
Диалоговый компонент экспертной системы
Лингвистический процессор—программно-аппаратное средство для взаимодействия пользователей с системой путем трансляции конвертирования на проблемном языке, на машинный язык.
23) Интерпретатор экспертной системы
Опр. Интерпретатор экспертной системы – интерпретатор, реализующий процесс вывода. Используя исходные данные из рабочей памяти и знания из базы знаний(БЗ), формирует такую последовательность правил, которые, будучи применённые к исходным правилам, приводят к решению задачи.
I = (V, S, K, W)
где
V – выбор данных из БД в БЗ, множество активных продукций,
S – процесс сопоставления, определяющий множество означиваний, т.е. надо каждому правилу найти данные,
K – процесс разрешения конфликтов или процесс планирования, определяющий которое правило будет выполняться,
W – процесс осуществления выполнения выбранного правила.
Схема интерпретатора экспертной системы
(пояснение R – рабочая память или база данных, которая содержит все текущие данные, которые необходимы на данный момент)
24) Компонент приобретения знаний экспертной системы. Когнитивные карты.
Компонент приобретения знаний автоматизирует процесс наполнения ЭС знаниями, осуществляемый пользователем-экспертом.
Опр. Когнитивная карта(карта познаний) – вид математической модели, представленный в виде графа и позволяющий описать субъект восприятия человеком или группой людей какого – то сложного объекта или функций системы. Она предназначена для выявления структуры причинных связей между элементами систем.
Опр. Сценарий – последовательность выполнения набора операций, полученных в результате когнитивного анализа, либо в результате работы экспертной системы.
Схема когнитивной карты
Вершины графа – концепты
Дуги – причинно – следственные связи
Концепты – переменные когнитивной карты
Причинные связи – отношения между каждой парой переменных
При составлении когнитивных карт возникает противоречие, которые заключаются в следующем:
1. Согласование списка концептов
2. Согласование числа причинно – следственных связей
3. Согласование значений отношений причинности
25). Прямой и обратный вывод в экспертных системах
Если
ЕСЛИ — решаемая задача, задача оптимизации и без ограничений
И — n=2
ТО — какой-то метод.
Если имеется множество фактов , A0-неоднозначное множество,A1-однозначное множество.
Множество A1 должно расширятся за счет A0
P1: a6 & a2 –> a9
P2: a3 & a4 –> a6
P3: a1 –> a4
Прямой вывод:
Недостаток: при большом числе фактов появляется большая избыточность при выводе необходимого действия.
Обратный вывод:
1.
P1: a6 & a2 –> a9
P2: a3 & a4 –> a6
3.
P3: a1 –> a4
Диагноз:
26). формальное представление продукционной экспертной системы
Pi: ai1&ai2&...&aik—>aj
Если на выполнение k-го шага множество А1 не расширятся (при прямом) то экспертная система остается в предыдущем состоянии, а если добавляется новый факт, то вектор X меняет одну из координат с 0 на 1.
Пример:
P1: a2& a3 –>a5;
P2: a2& a4& a5 –>a6;
P3: a6 –>a1;
Цель работы ЭС:
С помощью формального представления ЭС решается проблема выбора правил из множества P, которые позволяют сказать достижима цель или нет.