- •1. Знания как основа принятия решений
- •2. Понятие «система»
- •4. Формализованные знания. Сущность и сферы использования. Примеры.
- •5. Неформализованные знания и задачи
- •6. Слабоструктурированные задачи. Источники неопределенности при принятии решений.
- •7. Основные виды неопределенности и способы ее уменьшения
- •8. Понятие «искусственный интеллект». Задачи ии. Основные этапы развития ии
- •9. Особенности человеческого мышления. Принципы построения систем ии
- •11. Двойственная природа знаний, используемых в интеллектуальных системах
- •10. Особенности и признаки интеллектуальных информационных систем.
- •12. Понятие «экспертная система». Основные модели представления знаний в экспертных системах.
- •13. Логические модели представления знаний. Модель, основанная на логике высказываний
- •14. Логические модели представления знаний. Модель, использующая исчисление предикатов (э-существует y-любой!!!!!!)
- •15. Продукционная модель представления знаний. Структура экспертных систем продукционного типа.
- •16) Механизм логического вывода в продукционных системах. Примеры логического вывода
- •17 Управляющий компонент продукционной экспертной системы
- •27. Способы дефазификации результатов нечеткого вывода.
- •18. Общая хар-ка матем-го аппарата теории нечетких множеств.
- •19. Основные идеи теории нечетких множеств. Сравнение обычных и нечетких множеств.
- •21. Алгебраические операции над нечеткими множествами.
- •20. Операции над нечеткими множествами (кроме алгебраических).
- •22. Нечеткая и лингвистическая переменные.
- •23. Нечеткие отношения.
- •24. Операции композиции нечетких отношений и нечеткой импликации, их значение для нечеткого логического вывода.
- •26. Особенности нечеткого логического вывода по Мамдани и Ларсену
- •28. Нечеткие аппроксиматоры.
- •29. Основные проблемы, решаемые при помощи искусственных нейронных сетей.
- •30. Биологический нейрон.
- •Биологический нейрон 2
- •31. Понятие коннекционизма
- •32 Схема формального нейрона
- •33. Функции активации формального нейрона, их смысл и основные виды
- •34. Сравнение ветвей компьютерной эволюции.
- •35 Архитектуры нейронных сетей
- •36. Обучение нейросетей.
- •Цель обучения
- •37. Обучение нейронных сетей как задача оптимизации
- •38. Сравнение ветвей компьютерной эволюции.
- •39. Генетические алгоритмы. Основные понятия, принципы и особенности построения.
- •40. Обучение нейронных сетей методом статистических испытаний.
- •Знания как основа принятия решений
- •Понятие «система»
16) Механизм логического вывода в продукционных системах. Примеры логического вывода
Выполняет 2 функции:
1)Просмотр существующих фактов из БД и правил из базы правил и добавление в рабочую память новых фактов.
2)Определение порядка просмотра и применение правил.
Существуют 2 способа вывода:прямой (от факта к заключению) и обратный (заключения последовательно просматриваются до тех пор, пока в рабочей памяти не будут обнаружены или не буду т получены от пользователя факты, подтверждающие одно из заключений.
Пример: Возьмем 2 правила
П1: Если сбой подачи питания И сетевой фильтр включен, ТО сгорел предохранитель.
П2: Если лампочка питания не горит, ТО сбой подачи питания.
факты от пользователя: лампочка питания не горит, сетевой фильтр включен
Процесс прямого вывода:
Цикл П1-не срабатывает; П2 срабатывает
Действие сработавшего П2: заносится в БД заключение правила П2 «Сбой подачи питания»; П2-отработавшее
Второй цикл сопоставления фактов и правил:
П1 срабатывает
Заключение П1 «Сгорел предохранитель» является результатом вывода, так как база правил исчерпана
Процесс обратного вывода:
Начинается с гипотезы «Сгорел предохранитель»
Ищем правило, заключение которого соответствует выдвинутой гипотезе. Это П1.
Проверяем, срабатывает ли это правило. П1 не срабатывает так как в рабочей памяти нет факта «Сбой подачи питания» =>
Ищем правило, в заключении которого «Сбой подачи питания»
Проверяем, срабатывает ли это правило. П2 срабатывает.
В рабоч память заносится факт «Сбой подачи питания»
Опять цикл просмотра правил: П1 срабатывает
Выдвинутая гипотеза подтверждается фактами.
17 Управляющий компонент продукционной экспертной системы
Продукционные: Это системы, в которых в качестве основы БЗ являются знания экспертов, представленные в форме правил. В противоположность классической схеме Фон-Неймана, вычислительный процесс в продукц системе совсем иной и эти системы практически полностью управляются данными.
Управляющий компонент определяет порядок применения правил и выполняет функции:
1)Сопоставление: образец правила, т.е. содержание его условной части, сопоставляется с имеющимися правилами
2)Выбор: если в данной ситуации можно применить сразу несколько правил, то из них выбирается одно наиболее подходящее по опр критерию.
3)Срабатывание: если образец правила совпадает с фактами из рабочей памяти, то правило срабатывает
4)Действие: В рабочую память добавляется заключение сработавшего правила. И если справа было ТО, подразумевается какое-либо действие и оно выполняется.
В одном цикле может сработать только одно правило. Если несколько правил успешно сопоставляются с фактами, то интерпретатор выбирает правило по опр критерию. Часто ЭС не могут определить, существует ли решение и не располагают процедурами, которые могли бы в пространстве состояний построить весь путь решения задач. Соответственно траектория поиска определяется имеющимися знаниями и получаемыми в процессе поиска фактами.