Обучение с учителем

Считается, что концепция обучения с учителем реализует кибернетический принцип обратной связи. Ее используют для решения определенного класса задач, таких как прогнозирование и классификация. Предполагается, что существует некоторое количество наблюдений, для которых уже заданы значения целевого признака. Для задач прогнозирования целевой признак – это значения прогнозируемого показателя в настоящем и в прошлом, а для задач классификации – класс, к которому принадлежит наблюдение. Другими словами, для некоторого числа наблюдений правильный ответ уже известен (и выступает в роли учителя). Тогда использование нейронной сети позволяет обнаружить закономерности в данных. Если поступает новое наблюдение, для которого целевой признак не известен, то согласно выявленным закономерностям можно спрогнозировать следующие значения целевых признаков или определить класс, к которому наблюдение относится. Для обучения с учителем очень часто используется метод обратного распространения ошибки. Частные виды моделей нейронных сетей, обучаемых с учителем, – это рекуррентные сети] и сети Хопфилда

Искусственные нейро-нечеткие сети (ННС) нашли широкое применение на практике при решении задач диагностики и прогнозирования, а также распознавания образов благодаря таким их свойствам, как способность обучаться по примерам, возможность интеграции априорных экспертных знаний в структуру сети, массированный параллелизм вычислений, простота реализации, а также возможность использования построенной модели для извлечения знаний из данных. Поскольку нечеткие множества описываются функциями принадлежности, а t-нормы и k-нормы обычными математическими операциями, можно представить нечеткие логические рассуждения в виде нейронной сети. Для этого функции принадлежности надо интерпретировать как функции активации нейронов, передачу сигналов как связи, а логические t-нормы и k-нормы, как специальные виды нейронов, выполняющие математические соответствующие операции. Существует большое разнообразие подобных нейро-нечетких сетей neuro-fuzzy network (англ.) . Например, ANFIS ( Adaptive Neuro fuzzy Inference System) - адаптивная нейро-нечеткая система вывода.

Экзаменационный билет № 4

1. Характеристики нечетких множеств. Основные операции над нечеткими множествами. Привести примеры. Основные характеристики нечетких множеств

Пусть нечёткое множество с элементами из универсального множества и множеством принадлежностей . Тогда:

Носителем (суппортом) нечёткого множества называется множество .

Величина называется высотой нечёткого множества . Нечёткое множество нормально, если его высота равна . Если высота строго меньше , нечёткое множество называется субнормальным.