- •1. Определение ии. Определение слабоформализуемых задач и их примеры. Определение сложных систем.[1/1]
- •2. История развития исследований в области ии.[1/1]
- •3. Основные свойства естественного интеллекта (еи).[1/1]
- •4. Основные направления исследований в области ии. Две точки зрения на развитие сии. [1/1]
- •5. Нечеткая логика. Краткие исторические сведения. Аспекты неполноты информации [1/1]
- •6. Определения четких и нечетких множеств. Определение нечеткого множества. Функция принадлежности. Примеры нечетких дискретных и непрерывных множеств. [1/2]
- •7. Основные свойства нечетких множеств. Нечеткое число и нечеткий интервал.[1/3]
- •*7. Основные свойства нечетких множеств. Нечеткое число и нечеткий интервал.[2/3]
- •*7. Основные свойства нечетких множеств. Нечеткое число и нечеткий интервал.[3/3]
- •8. Понятия фаззификации, дефаззификации, лингвистической переменной. Пример. [1/1]
- •9. Операции с нечеткими множествами (эквивалентность, включение, нечеткая операция «и», «или», «не»). [1/2]
- •10.Обобщение операций пересечения и объединения в классе т-норм и s-конорм[1/2].
- •11. Нечеткие отношения. Композиционные правила (max-min) и (max-prod). Примеры. [1/1]
- •12. Нечеткие алгоритмы. Обобщенная схема процедуры нечеткого логического вывода. [1/2]
- •13. Нечеткие алгоритмы. Метод максимума-минимума (метод Мамдани) как метод нечеткого логического вывода (изложение необходимо сопроводить примером). [1/2]
- •14. Нечеткие алгоритмы. Метод максимума-произведения (метод Ларсена) как метод нечеткого логического вывода (изложение необходимо сопроводить примером)[1/1].
- •15.Методы дефаззификации[1/1].
- •16.Процедура (схема) нечеткого логического вывода. Пример нечеткого логического вывода для выполнения нескольких правил. Достоинства и недостатки систем, основанных на нечеткой логике[1/2].
- •17.Искусственные нейронные сети. Особенности биологического нейрона. Модель искусственного нейрона [1/2].
- •18.Определение искусственной нейронной сети (инс). Однослойный и многослойный персептроны [1/1].
- •19. Классификация инс. Задачи, решаемые с помощью нейронных сетей [1/2].
- •20.Основные этапы нейросетевого анализа. Классификация известных нейросетевых структур по типу связей и типу обучения и их применение [1/1].
- •21. Алгоритм обучения с учителем для многослойного персептрона [1/1]
- •22. Алгоритмы обучения нейронных сетей. Алгоритм обратного распространения ошибки [1/1]
- •23. Проблемы обучения нс[1/1].
- •24. Сети Кохонена. Постановка задачи кластеризации. Алгоритм кластеризации[1/1].
- •25. Преобразование алгоритма кластеризации с целью реализации в нейросетевом базисе. Структура сети Кохонена [1/1]
- •26. Алгоритм обучения без учителя для сетей Кохонена. Обобщенная процедура [1/1]
- •27. Алгоритм обучения без учителя для сетей Кохонена. Метод выпуклой комбинации. Графическая интерпретация [1/1]
- •28. Самоорганизующиеся карты (сок) Кохонена. Особенности обучения сок. Построение карт [1/1]
- •29. Проблемы обучения инс [1/1]
- •30. Генетические алгоритмы. Определение. Назначение. Сущность естественного отбора в природе [1/1]
- •31. Основные понятия генетических алгоритмов [1/1]
- •32. Блок-схема классического генетического алгоритма. Особенности инициализации. Пример. [1/1]
- •33. Блок-схема классического генетического алгоритма. Селекция хромосом. Метод рулетки. Пример.[1/2]
- •33. Блок-схема классического генетического алгоритма. Селекция хромосом. Метод рулетки. Пример.[2/2]
- •34. Блок-схема классического генетического алгоритма. Применение генетических операторов. Пример.[1/1]
- •35. Блок-схема классического генетического алгоритма. Проверка условия остановки га.[1/1]
- •36. Достоинства генетических алгоритмов.[1/1]
- •37. Гибридные сии и их виды.[1/2]
- •38. Структура мягкой экспертной системы.[1/1]
- •39.Методология разработки интеллектуальных систем. Виды прототипов экспертных систем.[1/1]
- •40.Обобщенная структура основных этапов разработки экспертных систем.[1/2]
- •1. Идентификация.
- •2. Концептуализация.
- •3. Формализация
- •4. Программирование.
- •5. Тестирование на полноту и целостность
3. Основные свойства естественного интеллекта (еи).[1/1]
1) ЕИ основан на физиологических процессах.
мышление,
инстинкты,
безусловные (условные) рефлексы,
моторика,
сенсорика.
Сенсорика – процесс передачи нервного импульса в ЦНС.
Моторика – процесс передачи нервного импульса из ЦНС.
2) декомпозиция на основе процессов обработки информации (когнитивных, познавательных процессов).
Мышление:
1. Способность классифицировать (НС – нейронные сети).
2. Способность адаптировать поведение (НС, НЛ – нечеткая логика).
3. Способность к дедуктивному мышлению – переход от общего к частному. (СОЗ – системы, основанные на знаниях).
4. Способность к индуктивному мышлению (обобщение) (НС).
5. Способность понимать.
6. Способность разрабатывать новые концептуальные модели.
5,6 – творчество
Проблемы ЕИ
1) когнитивные процессы
2) эмоции
3) мотивация
4) волевые факторы
4. Основные направления исследований в области ии. Две точки зрения на развитие сии. [1/1]
Направление исследований в области ИИ:
1.Системы с искусственным интеллектом
1) естественное общение
– распознавание и синтез текстов на естественном языке
– распознавание и синтез речи
– машинный переход
– обработка визуальной информации
2) распознавание образов
3) интеллектуальные БД (при обработке запросов требуется выполнение правил)
4) гипертекстовые системы (хранится большое количество документов)
5) контекстные системы помощи
2. Моделирование когнитивных процессов
1) управление знаниями
– технология систем, основанных на знаниях (ЭС)
2) самообучающиеся системы
– НС (нейронные сети)
– ГА (генетические алгоритмы)
– НЛ (нечеткая логика)
3) адаптивные системы
– CASE-технологии
– компонентные технологии
4) когнитивная графика
3. Интегрированные системы производства
1) интеллектуальные роботы
2) интеллектуальные САПР
3) реинженеринг бизнеса
4. Интеллектуальная система в предметных областях
1) ЭС ;
2) система поддержки принятия решений
5. Программно-аппаратное обеспечение
1) новые архитектуры компьютеров
2) новые языки ИИ
3) CASE-технологии
В рамках ИИ сформировались 2 основных подхода к формированию ИИ:
1) нейробиологический. Основан на методе серого ящика. Цель: сформировать структуры и процессы биологического прототипа – человеческого мозга. На этом процессе основаны нейронные сети (НС) и генетические алгоритмы (ГА).
2) информационный (кибернетический подход) основан на методе черного ящика. Цель: воспроизводить результат только деятельности мозга. На этом процессе основаны системы, основанные на знаниях (СОЗ) и нечеткая логика (НЛ).
Проблема: существование разрыва между 2-мя подходами, а в естественном интеллекте не существует отдельных слоев, все они работают согласованно.
Перспективы решения проблемы: развитие мягких вычислений (soft computing).
Мягкие вычисления = НЛ + НС + ГА + вероятностные вычисления (сети Байеса).
5. Нечеткая логика. Краткие исторические сведения. Аспекты неполноты информации [1/1]
1965г. – Л. Заде опубликовал свою первую работу по нечеткой логике. Она положила начало новому направлению.
1987г. – управление метро около Токио. Этому предшествовал принцип, который высказал Неймон (основоположник кибернетики):
«Стремление получить точную, исчерпывающую модель для сложной системы не имеет смысла, т.к. сложность модели становится соизмеримой со сложностью системы. Чем сложнее система, тем менее мы способны дать точные и имеющие практический смысл суждений о ней».
Л.Заде: «для систем, сложность которых превосходит некоторый пороговый уровень, точность и фактический смысл (точный, полный анализ) не имеет практического значения.
Аспекты неполноты информации:
1) Неточность
2) Неопределенность
3) Нечеткость
4) Случайность
Нечеткость – множества, которые имеют разные границы, (элементы относятся к тому или иному множеству с определенной степенью уверенности (принадлежности)).