- •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»
27. Способы дефазификации результатов нечеткого вывода.
Под дефаззификацией понимается процедура преобразования нечетких величин, получаемых в результате нечеткого вывода, в четкие.
Способы:
центридный (метод центра тяжести) – ищется координата центра тяжести фигуры
быстрый центроидный метод
,
Где Ω-области определения каждой усеченной функции, Gi – каждая из усеченных функций., т.е. находится центр тяжести для каждой усеченной фигуры и затем находится среднее значение.
метод первого максимума. В итоговой функции находится максимальное значение и самая левая его точка считается четким значением.
Метод среднего максимума. В итоговой функции находится максимальное значение и находится среднее значение это отрезка, которое и будет считаться w0.
Метод центра максимумов.
Четкая величина определяется как взвешенная сумма общих wi к максимуму функций принадлежности для каждого правила.
18. Общая хар-ка матем-го аппарата теории нечетких множеств.
Множество (Кантор)-это некоторая сов-ть эл-ов, для кот-ой д/б заданы 2 правила. Правило 1 позволяет определить, принадлежит ли эл-т данной совок-ти (обладает ли теми св-вами, кот-ые присущи всем эл-м этого множ-ва). Правило 2 позволяет отличать эл-ты друг от друга внутри совок-ти. Следствие правила 2: множ-во не может содержать два одинак-х эл-та. Степень принадлежности или непринадлежности у канторовых множеств хар-ся ступенчатой функцией.
1
х
µc(x)-множ-во чисел, несильно превышающих 1.
µd(x)-множ-во чисел, намного превышающих 1.
Пусть х-некоторое множ-во в обычном смысле. Нечетким множ-вом С в х (С как подмнож-во множ-ва х) наз-ют совок-ть всех параметров вида:
С: (х, µс(х)), х принадл Х, µс(х) принадл [0,1], причем µс(х) описывает принадлежность к подмнож-ву С. Нечеткое множ-во характер-ся универсальным множ-ом Х и функцией принадл-ти µ(х). С помощью µ(х) задается нечеткое множ-во. µ(х) задается графически, таблично или в виде аналитической функции х.
Пусть М=[0,1] и А-нечеткое множ-во с эл-ми из универс-го множ-ва Е и множ-вом принадлжен-й М.
Величина sup µА(х) наз-ся высотой нечеткого множ-ва А. Нечеткое множ-во А нормально, если его высота=1, т.е.верхняя граница µА(х)=1. При sup µА(х)<1 нечеткое множ-во наз-ся субнормальным.
Нечеткое множ-во пусто, если для любого х из множ-ва Е µА(х)=0.
Нечеткое множ-во унимодально, если µА(х)=1 только на одном х из Е.
Носителем нечеткого множ-ва А яв-ся обычное подмнож-во со св-ом µА(х)>0.
Эл-ты х из Е, для кот-х µА(х)=0.5 наз-ся точками перехода множ-ва А.
Методы построения ф-ций принадлеж-ти:
1)прямые- эксперт либо задает для каждого х из Е значение µА(х), либо опред-ет ф-цию совместимости. Они исп-ся для измеримых понятий (скорость, время).
Исп-ся также групповые прямые методы, когда участвует группа экспертов.
2)косвенные-исп-ся, когда нет элементарных измеримых св-в, через к-ые опред-ся нужное нечеткое множ-во. Обычно это методы попарных сравнений.
Сущ-ет еще 2 подхода:
1)использ-е типовых форм кривых для задания функций принадлежности с уточнением их параметров в соотв-ии с данными эксперимента.
2)использ-ие относит-х частот по данным эксперимента в качестве значений принадлежности.
Для описания нечетких множеств вводятся понятия нечеткой и лингвистической переменных.
