- •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
11. Нечеткие отношения. Композиционные правила (max-min) и (max-prod). Примеры. [1/1]
Нечеткое отношение между n нечеткими множествами определяется как нечеткое подмножество R. В случаи если n=2, то нечетким отношением R между множествами x и y будет называться функция которая ставит в соответствии каждой паре элементов (х, у) величину .
Пусть R1: (x*y)→(0,1), R2: (y*z)→(0,1). Нечеткое отношение между x и z определяется через R1 и R2 выражением , называемым max-min-композицией (сверткой отношений x и y).
Пример. Имеется 3 набора чисел x={4,8}, y={1,2,5}, z={1,3,5,7}. Пусть субъективное мнение экспертов о сравнительной величины этих чисел представлены в виде отношений R1(x,y)=”x больше y”, R2(y,z)=”y приблизительно равно z”.
|
R1(x,y) |
y1=1 |
y2=2 |
y3=5 |
| ||||||||
---|---|---|---|---|---|---|---|---|---|---|---|---|---|
|
x1=4 |
1 |
0,9 |
0,1 |
| ||||||||
|
x2=8 |
1 |
1 |
0,6 |
| ||||||||
|
|
|
|
| |||||||||
|
|
|
|
| |||||||||
|
|
|
|
| |||||||||
|
|
|
|
|
R2(y,z) |
z1=1 |
z2=3 |
z3=5 |
z4=7 |
y1=1 |
1 |
0,6 |
0,1 |
0 |
y2=2 |
0,8 |
0,6 |
0,4 |
0 |
y3=5 |
0,4 |
0,8 |
1 |
0,8 |
Тогда max-min свертка, x больше и в то же время равен z будет иметь следующий вид:
R1*R2 |
z1=1 |
z2=3 |
z3=5 |
z4=7 |
x1=4 |
1 |
0,6 |
0,4 |
0,1 |
x2=8 |
1 |
0,6 |
0,6 |
0,6 |
Если в формуле (*) операция конъюнкции будет заменена на алгебраическое произведение, то говорят что это max-prod композиция.
X={4,8}, Y={1,2,5}, R1(x,y)=”x>y”, R2(x,y)=”x≈y”
R1: |
x\y |
y1=1 |
y2=2 |
y3=5 |
R2: |
x\y |
y1=1 |
y2=2 |
y3=5 |
|
x1=4 |
1 |
0,9 |
0,1 |
|
x1=4 |
0,1 |
0,4 |
0,9 |
|
x2=8 |
1 |
1 |
0,6 |
|
x2=8 |
0,8 |
0,6 |
0,5 |
Каждый элемент таблицы равен значению соответствующей функции принадлежности . Тогда операции пересечения указанных отношений могут быть интерпретированы как
R1vR2: |
x\y |
y1=1 |
y2=2 |
y3=5 |
R1/\ R2: |
x\y |
y1=1 |
y2=2 |
y3=5 |
(max) |
x1=4 |
1 |
0,9 |
0,9 |
(min) |
x1=4 |
0,1 |
0,4 |
0,1 |
|
x2=8 |
1 |
1 |
0,6 |
|
x2=8 |
0,8 |
0,6 |
0,5 |
12. Нечеткие алгоритмы. Обобщенная схема процедуры нечеткого логического вывода. [1/2]
Нечеткие алгоритмы – это упорядоченное множество нечетких инструкций (правил) в формулировки которых содержатся нечеткие указания (термы). Например: нечеткие алгоритмы могут включать в себя такие инструкции: а) х≈5; б) х очень мало; в) слегка увеличить х; г) если х находится в интервале (a,b), то выбрать у в интервале (c,d); д) если х малое, то у большое, иначе у не большое.
Обобщенная схема процедуры нечеткого логического вывода:
Фаззификация – это процесс перехода от четкого множества к нечеткому.
Агрегирование предпосылок – по каждому правилу формируется -срез и уровни отсечения.
Активизация правил – активизация заключается по каждому их правил на основе min-активизации (Мамдани), prod-активизации (Ларсен).
Аккумулирование вывода – композиция, объединение найденных усеченных нечетких множеств с использованием операции max-дизъюнкции.
Пример: Измерение напряжения генератора постоянного тока x=5В. Ошибка равна ±1В. Переход от четкого к нечеткому множеству осуществляется образом:
*12. Нечеткие алгоритмы. Обобщенная схема процедуры нечеткого логического вывода. [2/2]
х=5±1 (четкое непрерывное множество) |
x≈5 (нечеткое число) |
Примечание1: Вопрос о выборе функции принадлежности остается спорным.
Примечание2: Функция принадлежности соответствует коэффициенту уверенности.
Лингвистические переменные – это переменные, значениями которых являются термы (слова, фразы и т.п.). Каждому значению лингвистической переменной соответствует нечеткое множество со своей функцией принадлежности.
Пример: Х – температура воды. Значение х1пренадлежит двум нечетким множествам с различными степенями принадлежности. Таким образом граница между множествами становится размытой и переход элементов из одного множества в другое осуществляется плавно, без скачков.