- •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.
- •Стадии жизненного цикла скс
- •Оператор кросинговера в генетических алгоримах
- •Основные этапы проектирования скс и сетей Проектирование скс — стадии проектирования
- •Структура та класифікація експертних систем, як засоба штучного інтелекту
- •Природный отбор и генетическое наследование в генетических алгоритмах
- •Виды современных компьютерных систем как способов обработки информации
- •Рівні опису скс як технічного об’єкта при проектуванні.
- •2.3 Операторы рекомбинации (кроссинговера)
- •2.4 Мутация
- •Ієрархична структура скс як складного технічного об’єкту.
- •1)Структурна схема та робота генетичного алгоритму
- •2) Задачи анализа и синтеза при проектировании скс и сетей
Процедури фазифікації та дефазифікації в системах керування на основі нечіткої логіки.
Базовая конфигурация системы нечеткой логики с фаззификатором и дефаззификатором представлена на рисунке 2.7.
Рисунок 2.7 - Система нечеткой логики с фаззификатором и дефаззификатором
Фаззификатор отображает "четкую" точку (или значение переменной ) из Х в нечеткие множества из Х. Дефаззификатор отображает нечеткие множества из Y в четкое значение выхода. Базис нечетких правил и механизм нечеткого вывода остаются такими же, как в простых системах нечеткой логики.
Системы нечеткой логики с фаззификатором и дефаззификатором имеют несколько привлекательных черт:
во-первых, они пригодны для использования в технических системах, так как их входные и выходные переменные принимают реальные значения;
во-вторых, они предоставляют возможность естественного перехода от заключений эксперта к нечетким IF-THEN-правилам;
в-третьих, они предоставляют большую свободу в выборе фаззификатора, механизма нечеткого вывода и дефаззификатора, т.е. можно подобрать систему нечеткой логики, наиболее подходящую для решения конкретной задачи;
в-четвертых, могут быть разработаны различные алгоритмы настройки таких систем нечеткой логики, что позволяет эффективно объединять численную и лингвистическую информацию.
Формування початкової популяції в генетичному алгоритмі
Перед первым шагом генетического алгоритма являестся - случайным образом создать начальную популяцию; даже если она окажется совершенно неконкурентоспособной, генетический алгоритм все равно достаточно быстро переведет ее в жизнеспособную популяцию. Таким образом, на первом шаге можно особенно не стараться сделать слишком уж приспособленных особей, достаточно, чтобы они соответствовали формату особей популяции, и на них можно было подсчитать функцию приспособленности (Fitness).
Этим ГА отличается от большинства других алгоритмов оптимизации, которые оперируют лишь с одним решением, улучшая его.
С помощью функции приспособленности среди всех особей популяции выделяют:
-
наиболее приспособленные (более подходящие решения), которые получают возможность скрещиваться и давать потомство
-
наихудшие (плохие решения), которые удаляются из популяции и не дают потомства
В классическом ГА:
-
начальная популяция формируется случайным образом
-
размер популяции (количество особей N) фиксируется и не изменяется в течение работы всего алгоритма
-
каждая особь генерируется как случайная L-битная строка, где L — длина кодировки особи
длина кодировки для всех особей одинакова
Структура та прототип штучного нейрона
Искусственный нейрон имитирует в первом приближении свойства биологического нейрона. На вход искусственного нейрона поступает некоторое множество сигналов, каждый из которых является выходом другого нейрона. Каждый вход умножается на соответствующий вес, аналогичный синаптической силе, и все произведения суммируются, определяя уровень активации нейрона. На рис. 1.2 представлена модель, реализующая эту идею. Здесь множество входных сигналов, обозначенных x1, x2,:, xn, поступает на искусственный нейрон. Эти входные сигналы, в совокупности, обозначаемые вектором X, соответствуют сигналам, приходящим в синапсы биологического нейрона. Каждый сигнал умножается на соответствующий вес w1, w2,..., wn, и поступает на суммирующий блок, обозначенный ?. Каждый вес соответствует "силе" одной биологической синаптической связи. (Множество весов в совокупности обозначается вектором W.) Суммирующий блок, соответствующий телу биологического элемента, складывает взвешенные входы алгебраически, создавая выход, который мы будем называть NET. В векторных обозначениях это может быть компактно записано следующим образом: NET = XW.