- •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
16.Процедура (схема) нечеткого логического вывода. Пример нечеткого логического вывода для выполнения нескольких правил. Достоинства и недостатки систем, основанных на нечеткой логике[1/2].
Фаззификация – 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.
Лингвистическая переменная – пременная, значениями которой явл-ся термы (слова, фразы на естественном языке).
Каждому значению лингвистической переменной соответствует определенное нечеткое множество со своей функцией принадлежности.
Сфера применения нечеткой логики:
1) Недостаточность или неопределенность знаний, когда получений информации явл-ся сложной или невозможной задачи.
2) Когда появляется трудность обработки неопределенной информации.
3) Прозрачность моделирования (в отличии от нейросетей).
Область применения нечеткой логики:
1) При проектировании систем поддержки и принятия решений на основе экспертных систем.
2) При разработке нечетких контроллеров, применяемых при управлении техническими системами.
«+»:1) Решение слабоформализованных задач.
2) Применение в областях, где значения переменных желательно выразить в лингвистической форме.
«–»: 1) Проблема выбора функции принадлежности (решается при создании гибридных интеллектуальных систем)
2) Сформулированный набор правил может оказаться неполным и противоречивым.
*16.Процедура (схема) нечеткого логического вывода. Пример нечеткого логического вывода для выполнения нескольких правил. Достоинства и недостатки систем, основанных на нечеткой логике[2/2].
От выбора метода НЛВ и дефаззификации зависит конечный результат.
Пример.
П1: Если Температура (Т) – низкая И Влажность (F) – средняя, то вентиль полуоткрыт.
П2: Если Температура (Т) – низкая И Влажность (F) – высокая, то вентиль закрыт.
НЛВ: Метод max-min (Мамдани);
Дефаззификация: Метод среднего из максимумов.
17.Искусственные нейронные сети. Особенности биологического нейрона. Модель искусственного нейрона [1/2].
Под нейронными сетями подразумеваются вычислительные структуры, которые моделируют простые биологические процессы, обычно ассоциируемые с процессами человеческого мозга. Нервная система и мозг человека состоят из нейронов, соединенных между собой нервными волокнами, которые способны передавать электрические импульсы между нейронами.
Нейрон – нервная клетка, которая обрабатывает информацию. Он состоит из тела (ядро и плазма) и отростков нервных волокон двух типов — дендритов, по которым принимаются импульсы от аксонов других нейронов, и своего аксона (в конце разветвляется на волокна), по которому может передавать импульс, сгенерированный телом клетки. На окончаниях волокон находятся синапсы, которые влияют на силу импульса. Когда импульс достигает синаптического окончания, высвобождаются определенные химические вещества, называемые непротрансмиттерами, возбуждающие или затормаживающие, способность нейрона-приемника генерировать электрические импульсы. Синапсы могут обучаться в зависимости от активности процессов, в которых они участвуют. Веса синапсов могут изменяться со временем, что изменяет и поведение соответствующего нейрона.
Модель искусственного нейрона
x1…xn – входные сигналы нейрона, приходящие от других нейронов. W1…Wn – синапсические веса.
Умножители (синапсы) – осуществляют связь между нейронами, умножают входной сигнал на число, характеризующий силу связи.
Сумматор – сложение сигналов, поступающих по синапсическим связям от других нейронов.
*17.Искусственные нейронные сети. Особенности биологического нейрона. Модель искусственного нейрона [2/2].
Нелинейный преобразователь – реализует нелинейную функцию одного аргумента – выхода сумматора. Эта функция называется функцией активации или передаточной функцией нейрона. ;
Модель нейрона:
1) Вычисляет взвешенную сумму своих входов от других нейронов.
2) На входах нейрона имеются возбуждающие и тормозящие синапсы
3) При превышении суммы входов порога нейрона, вырабатывается выходной сигнал.
Виды активационных функций:
1) пороговая функция: область значения (0;1)
«+»: простота реализации и высокая скорость вычисления
2) Сигмоидальная (логистическая функция)
При уменьшении a сегмент становится более пологим, при a=0 – прямая линия.
«+»: простое выражение ее производной, а также способность усиливать сигналы слабые лучше, чем большие и предотвращать насыщения от больших сигналов.
«-»: область значения малая (0,1).
3) Гиперболический тангенс: область значений (-1,1)