- •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)
Назначение и принципы работы искусственных нейронных сетей (инс)
Назначение ИНС – моделирование структур, подобных структуре мозга.
Алгоритм функционирования биологического нейрона
При прохождении синапса сила электрического импульса меняется в определенное число раз, которое называется весом синапса. Импульсы, поступившие к нейрону одновременно по нескольким дендритам, суммируются.
Если суммарный импульс больше некоторого порога, то нейрон возбуждается, формирует собственный импульс и дальше передает по аксону.
Веса синапсов меняются со временем, следовательно, меняется поведение соответственного нейрона.
Математическая модель процесса функционирования нейрона.
|
Виды передаточной (оценочной) функции
|
а) функция единичного скачка;
б) линейный порог (гистерезис);
в) сигмоид – гиперболический тангенс;
г) сигмоид – формула (3).
ИНС – набор нейронов, соединенных между собой.
ИНС – математические модели, а также их программные или аппаратные реализации, построенные по принципу организации и функционирования биологических нейронных сетей.
Передаточные функции всех нейронов фиксированы, а веса могут меняться (они являются параметрами НС). Работа НС – преобразование входного вектора в выходной.
Признаки классификации ИНС:
тип входной информации (аналоговая, двоичная);
характер обучения (с учителем, без него);
характер настройки синапсов (фиксированные, динамические связи);
метод обучения (обратное распространение, конкурентное обучение);
характер связей (прямое, прямо-обратное распространение информации);
архитектура (персептрон, самоорганизующаяся ИНС).
Простейшая НС – однослойный персептрон
|
|
Э
тапы
построение НС:
выбор типа (архитектуры) НС;
подбор весов (обучение) НС.
Сеть обучена, когда стабилизируются веса НС, причем НС дает правильные ответы на все (почти все) примеры из БД. Качество обучения зависит от количества примеров.
Приложения НС:
сжатие информации;
распознавание;
анализ потребительского рынка.
Программные средства поддержки НС:
NeuroSolutions;
NeuralWare.
