36. Парадигмы нейрокомпьютинга.

Парадигмы – объединяющая черта. 1) Многослойность и глобальность сязей между слоями. Сеть не м.б. произвольной (можно выделить слои или уровни). 2) Свойство локальности и параллельности вычислений. 3) Особое программирование (не алгоритмическое), обучение, основанное на данных. Управляешь показателями, чтобы имитировать эмпирическую ошибку. Следствие – задача масштабируемости нагрузки – оптимальное свойство.

37. Классификация искусственных нейросетей по типу связей и обучения.

По типу связей: 1) Без обратной связи. 2) С обратной связью.

Функция ошибок сети: E = E(< x^(k), Y^(k), Y’(X^(k), A):1<=k<=K>), где А – матрица из синоптических коэффициентов ур-нения Im = Fm ( , x^(k), Y^{(k) –} конкретный обучаюий пример, Y’(X^(k), A) – реальных вых сигнал сети). По обучению: 1) С учителем (x^(k), Y^{(k) известны}). 2) Обучение с подкреплением (Известно, что на входе д.б , x^(k) , Y’). 3) Без учителя (Известна X^(k))

38. Многослойные персептроны и их возможности.

Это нейро-имитатор с учителей (с обучением) без обратной связи. Известны и входы, и выходы.

Решает: задачи угадывания, идентификации, прогнозирования временных рядом, истории (с точными предпосылками).

39. Рекуррентные аппроксиматоры и их возможности.

Это нейро-имитатор с учителей (с обучением) с обратной связью. Более сложная идентификация, чем в многослойном персептроне. Предназначены для предсказание временных рядов, обучение в режиме on-line

40. Карты Кохонена и их возможности.

Это нейро-имитатор без учителя, без обратной связи. Известны только входы. Задача таксономии (кластеризации) – разбиение на классы, хотя не знаем ни количество, ни содержания.

41. Сети Хопфилда и их возможности.

Это нейро-имитатор без учителей с обратной связью. Выполняет: задачу таксономии (кластеризации), идентификации, распознавания, задачу оптимизации (в т.ч. масштабирования нагрузки).

42. Понятия информации, хранимой и передаваемой системами.

Всякую систему можно представить в виде , где , и – соответственно элементный состав системы, связи в системе и ее свойства. При этом обязательно наличие избыточных свойств, не сводящихся к простой сумме свойств элементов системы и порожденных не только свойствами элементов, но и связями.

Далее для информации , хранимой системой, справедливо: . При этом существенным является учет свойств элементов системы. Информация может быть осмыслена или быть сама смыслом. Информация, передаваемая системой, может быть представлена как совокупность откликов (в виде сигналов, сведений и т. п.) от элементов (т. е. элементов системы и связей между ними).

43. Схемы управления знаниями: понятие и использование диаграмм потоков данных для их представления.

Это любая функционально-структурная модель СУЗа, интеллектуальная система в любой нотации. Для этого необходим элементный состав СУЗа. Например, диаграмма потока данных.

44. Программа fId10.

Задача: по эмпирическим данным угадать шум. Сначала запускаем программу (DO FID10). Советуется взять погрешность 0,01. Затем пишем количество обучающих выборок, задаем исходные данные. (Таблица «X|Y|Z», причем x,y,z берем от 0 до 1). Появляется окно – результат идентификации (угадывания). После его закрытия получаем новое окно предполагаемых шумов. Закрываем, подгружается Mathcad и видим окончательный результат по шуму.

45. Абстрактная системная теория информации (общее представление).

Это информациология. Изучает информацию в динамике (хотя может и в статике), процес обмена и создания образов одной системы в другую. Главный постулат: какая бы не была система в базовых информационных процессах, есть общее инвариантное начало, которое в любых системах абсолютно. Различаются только индивидуальные особенности.

46. Научные направления, обеспечивающие советы по реализации схем управления знаниями.

ВЫЧЕРКНУТ.

47. Этапы управления знаниями в системах ситуационного управления (согласно аксиоматике Д. Поспелова).

1) Построение модели ситуационного управления. Запоминание е в БЗ. 2) Мат. Реализация задачи управления. 3) Преобразование в форму, понятную для любого пользователя (лучше ЕЯ).

Должны быть выдержаны все аксиомы Поспелова.

48. Задача генерализации данных (включая вопросы существования, единственности и вычислимости решения).

Есть объект с откликами yi. 1<=i<=imax. Найти: такую переменную величину х, от которой все отклики yi были бы одинаково зависимы.

Для этого необходимо: 1) Решить вопрос о существовании решения. 2) О единственности решения 3) О вычислимости решения.

49. Использование пакета STATISTICA7 для генерализации данных.

Данная функция выполняется в случае, когда значения откликов не монотонны. Поэтому на отрезке наблюдений выбираются все точки локальных экстремумов, затем выполняется задача кусочной генерализации данных (запустив пакет Statistica, построив там модель факторного анализа. Это необходимо выполнить, так как в этом случае на каждом отдельном участке выполняется условие монотонности. Далее для каждого из отрезков будет найдено решение.