- •История возникновения и развития искусственного интеллекта
- •2. Развитие искусственного интеллекта в России
- •3. Основные направления современных исследований в области искусственного интеллекта
- •Понятие знаний и данных
- •Классификация моделей представления знаний. Преимущества и недостатки каждой модели
- •Продукционные модели представления знаний
- •Преимущества и недостатки продукционных моделей. Классификация ядер продукции
- •Управление системой продукций. Вывод на продукционной базе знаний
- •Фреймовые модели представления знаний. Классификация фреймов
- •Фреймовые модели представления знаний. Конкретизация фрейма, связи между фреймами
- •Сетевые модели представления знаний
- •Представление знаний в виде семантических сетей
- •Механизмы вывода на семантической сети
- •-15. Логические модели представления знаний
- •Исчисление высказываний. Интерпретация и свойства высказываний
- •Исчисление высказываний как формальная система
- •Нормальные формы в логике высказываний. Алгоритм преобразования формулы в дизъюнктивную нормальную форму (днф)
- •19. Нормальные формы в логике высказываний. Алгоритм преобразования формулы в конъюнктивную нормальную форму (кнф)
- •20. Нормальные формы в логике высказываний. Алгоритм преобразования в сднф
- •21. Метод резолюций в логике высказываний
- •Предикаты и операции над ними
- •Исчисление предикатов 1-го порядка как формальная система
- •Логические эквивалентные преобразования в исчислении предикатов 1-го порядка. Алгоритм приведения к снф
- •Логические эквивалентные преобразования в исчислении предикатов 1-го порядка. Алгоритм приведения к пнф
- •Подстановка и унификация в логике предикатов 1-го порядка. Алгоритм нахождения наиболее общего унификатора
- •Алгоритм метода резолюций для проверки невыполнимости множества дизъюнктов в логике высказываний
- •Алгоритм применения метода резолюций в логике предикатов 1-го порядка
- •Стратегии метода резолюций
- •Назначение, определение и структура экспертных систем
- •Расширенная структура эс
- •Классификация экспертных систем (эс)
- •Основные этапы разработки экспертных систем
- •Выбор проблемы
- •Разработка прототипа эс
- •Доработка до промышленной эс
- •Оценка эс
- •Стратегии получения знаний при разработке экспертных систем. Подсистемы накопления знаний.
- •С применением эвм
- •Подсистемы объяснений в экспертных системах
- •Интеллектуальные подсистемы в современных сапр
- •Особенности и причины появления «мягких» вычислений. Основные направления «мягких» вычислений.
- •37. Эволюционное моделирование. Назначение и принципы построения генетических алгоритмов.
- •38. Назначение, определение и основные преимущества нечетких моделей представления знаний
- •Назначение и принципы работы искусственных нейронных сетей (инс)
38. Назначение, определение и основные преимущества нечетких моделей представления знаний
Математический аппарат теории нечетких множеств позволяет описывать нечеткие понятия и знания, выполнять операции над ними, осуществлять нечеткие выводы, т.е. направлен на формализацию знаний человека о реальном мире, характеризующихся неопределенностью.
Характерные черты:
наряду или в дополнении к числовым переменным используются нечеткие величины и так называемые лингвистические переменные;
простые отношения между переменными описываются с помощью нечетких высказываний;
сложные отношения описываются нечеткими алгоритмами.
Преимущества нечетких моделей:
возможность формализации и обработки неточной, недопроверенной и противоречивой исходной информации (например на естественном языке);
наличие математического аппарата получения выводов в условиях такой информации;
соответствие интуитивному представлению человека о моделируемых понятиях и процессах.
Приложения:
обработка информации на естественном языке;
интеллектуальное управление сложными системами;
принятие решений в условиях неопределенности.
Основные понятия:
Нечеткое множество (Fuzzy set) – для x€Х нет однозначного ответа относительно свойства R, а также элементы могут принадлежать нечеткому множеству в разной степени. Функция принадлежности устанавливает степень принадлежности элемента подмножеству А множества М. А = {0,3/x1; 0/ x2; 1/x3}. Она определяет субъективную степень уверенности эксперта, что данное значение базовой шкалы соответствует определенному нечеткому множеству. Она может быть трапециевидной, колоколообразной, треугольной, гауссовой …
Точка перехода – элемент со степенью принадлежности 0,5
Нечеткая переменная (Fuzzy variable) - тройка <α, X, A>, где
α – имя переменной, X – множество элементов или область определения,
А={<μA(x)/x>} – нечеткое множество на Х, описывающее возможные значения нечеткой переменной(определяет семантику):
<Высокий рост, {170, 180, 190}, {0.7/170, 0.8/180, 0.9/190}>
Лингвистическая переменная (Linguistic variable) (ЛП) – переменная, значение которой определяется набором вербальных (совестных) характеристик некоторого свойства.
Например: ЛП «Рост» = {карликовый, низкий, средний, высокий, гигантский}
Определяется <β, Т, Х, G, M>, где
β – имя, Т - базовый терм (множество значений ЛП), Х – множество определения ЛП,
G – синтаксическая процедура, позволяющая оперировать элементами из Т-множества, генерировать новые значения лингвистической переменной, исходя их базового Т-множества, логических операций (и, или, не) и модификаторов (очень, слегка)
М – семантическая процедура – позволяет превратить новое значение ЛП, образуемое процедурой G в нечеткую переменную, путем формирования соответствующего нечеткого множества.
Например: М(α1 или α2) = А1UА2; М(α1 и α2) = А1∩А2; М(не α1) = ⌐А1;
М(очень α1) = con (A1); - концентрация
М(слегка α1) = dil (A1); - растяжение