- •Моделі компонентів комп’ютерних систем при автоматизованому проектуванні.
- •Статичні та динамічні експертні системи.
- •Структура скс для керування технічним об’єктом Формування бази даних та знань в системах проектування скс.
- •Основні операції над множинами нечіткої логіки
- •Побудова баз знань на основі семантичних дерев Лінгвістичні змінні та функції належності нечіткої логіки
- •Фреймові структури баз знань в експертних системах Различные представления знаний в существующих системах.
- •Процедури фазифікації та дефазифікації в системах керування на основі нечіткої логіки.
- •Формування початкової популяції в генетичному алгоритмі
- •Структура та прототип штучного нейрона
- •Різновиди технічних об’єктів, для яких проектується скс Види активаційних функцій в штучних нейронах
- •Математичні моделі об’єктів в системах управління з використанням скс.
- •1.Одношарові штучні нейронні мережі.
- •2.Лінгвістичні змінні та функції належності нечіткої логіки.
- •3.Багатошарові штучні нейронні мережі.
- •4.Процедури фазификації та дефазифкації в системах керування на основі нечіткої логіки.
- •5.Двошарова нейронна мережа.
- •6.Комп’ютерні cистеми управління на основі засобів нечіткої логіки.
- •7.Реалізація довільної логічної функції на штучних нейронних мережах.
- •8.Процедури прийняття рішень в системах керування на основі нечіткої логіки.
- •9.Розпізнавання рукописних букв нейронними мережами.
- •10.Структура та класифікація експертних систем як засоба штучного інтелекту.
- •Классификация экспертных систем.
7.Реалізація довільної логічної функції на штучних нейронних мережах.
Часто, для того чтобы продемонстрировать ограниченные возможности однослойных персептронов при решении задач прибегают к рассмотрению так называемой проблемы XOR – исключающего ИЛИ.
Суть задачи заключаются в следующем. Дана логическая функция XOR – исключающее ИЛИ. Это функция от двух аргументов, каждый из которых может быть нулем или единицей. Она принимает значение , когда один из аргументов равен единице, но не оба, иначе . Проблему можно проиллюстрировать с помощью однослойной однонейронной системы с двумя входами, показанной на рисунке ниже.
Обозначим один вход через , а другой через , тогда все их возможные комбинации будут состоять из четырех точек на плоскости. Таблица ниже показывает требуемую связь между входами и выходом, где входные комбинации, которые должны давать нулевой выход, помечены и , единичный выход – и .
Точки |
Значение |
Значение |
Требуемый выход |
0 |
0 |
0 |
|
1 |
0 |
1 |
|
0 |
1 |
1 |
|
1 |
1 |
0 |
Один нейрон с двумя входами может сформировать решающую поверхность в виде произвольной прямой. Для того, чтобы сеть реализовала функцию XOR, заданную таблицей выше, нужно расположить прямую так, чтобы точки были с одной стороны прямой, а точки – с другой. Попытавшись нарисовать такую прямую на рисунке ниже, убеждаемся, что это невозможно. Это означает, что какие бы значения ни приписывались весам и порогу, однослойная нейронная сеть неспособна воспроизвести соотношение между входом и выходом, требуемое для представления функции XOR.
8.Процедури прийняття рішень в системах керування на основі нечіткої логіки.
Одним з основних напрямів використання СНВ є розв’язування задач керування. Під системою керування [5] будемо розуміти з’єднання елементів виду
в єдину конфігурацію, яка забезпечує їм необхідну поведінку для досягнення поставленої цілі. Зв'язок між входом (вектор-функцією ) і виходом (вектор-функцією ) в елементі системи (функціональному блоці) – це перетворення одного сигналу (причини) в інший (наслідок). Вся система керування (СК) теж може бути представлення аналогічною схемою:
Рис. 4.2. Загальна схема системи керування
9.Розпізнавання рукописних букв нейронними мережами.
10.Структура та класифікація експертних систем як засоба штучного інтелекту.
База данных предназначена для временного хранения фактов или гипотез, являющихся промежуточными решениями или результатом общения системы с внешней средой, в качестве которой обычно выступает человек, ведущий диалог с экспертной системой.
Машина логического вывода - механизм рассуждений, оперирующий знаниями и данными с целью получения новых данных из знаний и других данных, имеющихся в рабочей памяти. Машина логического вывода может реализовывать рассуждения в виде: дедуктивного вывода (прямого, обратного, смешанного); нечеткого вывода; вероятностного вывода; унификации (подобно тому, как это реализовано в Прологе); поиска решения с разбиением на последовательность подзадач; поиска решения с использованием стратегии разбиения пространства поиска с учетом уровней абстрагирования решения или понятий, с ними связанных; монотонного или немонотонного рассуждения, рассуждений с использованием механизма аргументации; ассоциативного поиска с использованием нейронных сетей; вывода с использованием механизма лингвистической переменной.
Подсистема общения служит для ведения диалога с пользователем, в ходе которого ЭС запрашивает у пользователя необходимые факты для процесса рассуждения, а также, дающая возможность пользователю в какой-то степени контролировать и корректировать ход рассуждений экспертной системы.
Подсистема объяснений необходима для того, чтобы дать возможность пользователю контролировать ход рассуждений и, может быть, учиться у экспертной системы. Если нет этой подсистемы, экспертная система выглядит для пользователя как "вещь в себе", решениям которой можно либо верить либо нет. Нормальный пользователь выбирает последнее, и такая ЭС не имеет перспектив для использования.
Подсистема приобретения знаний служит для корректировки и пополнения базы знаний. В простейшем случае это - интеллектуальный редактор базы знаний, в более сложных экспертных системах - средства для извлечения знаний из баз данных, неструктурированного текста, графической информации и т.д.