![](/user_photo/2706_HbeT2.jpg)
- •1 Основные понятия и структурная схема приборного комплекса.
- •17 Принципы построения измерителей навигационных параметров в живом организме.
- •2.Комплексы оборудования самолетов.
- •10 . Основные направления развития исследований и систем искусственного интеллекта
- •4. Основные характеристики и требования, предъявляемые к системам отображения информации.
- •5. Навигационные комплексы. Общие сведения и классификация.
- •11.Диалоговые системы искусственного интеллекта.
- •12 Бионика, как наука.
- •6.Основные закономерности построения навигационных комплексов.
- •7.Навигационные комплексы на базе микропроцессоров.
- •8.Иерархические структуры навигационных комплексов. Системы искусственного интеллекта в навигационных комплексах.
- •18 Общие принципы построения биологических навигационных комплексов.
- •22 Интеллектуальный биологический навигационный комплекс.
- •9.Понятие об искусственном интеллекте. Интеллектуальные системы.
- •13 Обобщенная модель живого организма.
- •14 Основные функции живого организма.
- •15 Навигационная бионика. Общность задач и основных принципов навигации в живой природе и технике.
- •16 Общая характеристика методов навигации.
- •19 Информационное обеспечение пространственной навигации животных.
- •20 Обеспечение точности и надежности функционирования навигационных биосистем.
- •21 .Накопление априорной информации в биологических навигационных комплексах при обучении.
- •23 Основные особенности биологических навигационных комплексов.
- •24 Системы искусственного интеллекта – системы, базирующиеся на знаниях.
- •25 Основные структуры систем искусственного интеллекта.
- •26 Представление знаний.
- •27. Семантические сети.
- •28 Фреймовые модели.
- •29 Логические модели знаний и системы логического вывода.
- •30 Продукции и продукционные системы.
- •31. База знаний систем искусственного интеллекта.
- •32 Стратегия управления и механизм вывода в системах искусственного интеллекта.
- •33 Прямая цепочка рассуждений. База знаний. Обобщенный алгоритм работы.
- •34 Обратная цепочка рассуждений. Дерево решений. База знаний. Обобщенный алгоритм работы.
- •35 Общие методы поиска решений в пространстве состояний.
- •41)Нечеткие множества и лингвистические переменные.
- •42)Операции с нечеткими множествами.
- •37 Особенности разработки баз знаний бортовых экспертных систем.
- •43)Нечеткие алгоритмы.
- •47) Программная и аппаратная реализация нечетких регуляторов.
- •44)Общие принципы построения интеллектуальных систем управления на основе нечеткой логики.
- •45) Процедура синтеза нечетких регуляторов.
- •46) Синтез адаптивной сау с эталонной моделью на основе нечеткой логики.
- •48)Общая характеристика проблемы построения искусственных нейронных сетей. История проблемы.
- •49)Моделирование механизмов человеческого мышления. Модели нейронов.
- •50_Реализация логических функций на формальных нейронах. Проблема «Исключающего или».
- •51 .Искусственные нейронные сети. Общие положения.
- •52 . Персептрон ф. Розенблатта.
- •53 .Адаптивный пороговый элемент.
- •55. Общие принципы построения интеллектуальных сау с использованием нейронных сетей.
- •39 Нечеткая логика: история проблемы, практические приложения.
- •54. Многослойные персептроны. Алгоритм обратного распространения.
- •57 Применение нейронных сетей в задачах адаптации алгоритмов управления нелинейными объектами.
- •62. Нейрокомпьютер фирмы аас.
- •61. Способы реализации нейронных сетей. Примеры реализации нейрокомпьютеров.
- •1. Нейрокомпьютеры на базе транспьютеров.
- •58. Применение нейронных сетей в задачах идентификации математических моделей динамических объектов.
- •59 Обзор возможных вариантов построения нейронных сетей.
- •63.Генетические алгоритмы. Особенности построения и реализации
- •38 Системы искусственного интеллекта с использованием нечеткой логики.
- •36.Проблемы разработки бортовых оперативно-советующих экспертных систем.
53 .Адаптивный пороговый элемент.
Почти
одновременно с персептроном Розенблатта
появилась модель нейрона с обучением,
предложенная в 1960 г. Бенджамином Уидроу
(США) и названная им адаптивным линейным
нейроном - Адалине (ADAptive
Linear
NEuron).
Адалине моделировал функции обычного
нейрона: адаптивные веса соответствовали
синапсам, компоненты входного вектора
- входам дендритов, а логический выход
- выходам аксонов (рис). Так же, как и
персептрон Розенблатта, Адалине был
предназначен для решения задач
распознавания образов и мог обучаться
в процессе решения. К его преимуществам
следует отнести наглядность и простоту
реализации. Допустим, что
,
а входы
и на выходе принимают значения +1 или
-1. Тогда в момент достижения непрерывной
величиной
порогового значения (
=0)
имеем:
где
определяет порог возбуждения нейрона.
Отсюда уравнение граничной прямой
(разделяющей линии на рис. 30.6.) принимает
вид:
Здесь коэффициент
определяет наклон разделяющей линии,
а величина
- точку пересечения этой прямой с осью
.
Обучение Адалине осуществляется, таким образом, с помощью следующего алгоритма.
Шаг 1. Рандомизируются
все веса нейрона (- в малые величины).
Шаг 2. На вход
нейрона подается входной обучающий
вектор
и вычисляется в соответствии с ним
сигнал
:
Шаг 3. Вычисляется
значение бинарного сигнала
:
;
Шаг 4. Вычисляется
ошибка
путем вычитания сигнала
из требуемого значения выхода
Шаг 5. Коррекция
весовых коэффициентов
с учетом скорости обучения
и величины ошибки
:
.
Шаг 6. Повторяются
шаги со второго по пятый до тех пор,
пока ошибка
не станет достаточно малой.
Алгоритм процесса обучения Адалине схож с алгоритмом обучения персептрона Розенблатта, но и тот и другой не реализуют линейно неразделимые логические функции, в частности, функцию «Исключающего ИЛИ». Эту проблему в начале 60-х годов удалось решить научному сотруднику Стэнфордского Университета (США) У. Риджвэю, который предложил подход к реализации сложных логических функций на основе композиции 2-х адаптивных пороговых элементов - Мадалине (Multi Adaline). В качестве алгоритма адаптации весовых коэффициентов Мадалине также может использоваться дельта-правило (см. формулу (30.5)). Заслуга Мадалине оказалась в том, что она была первой моделью многослойной НС., на базе которой стало, возможным решение проблемы реализации функции «Исключающего ИЛИ».
55. Общие принципы построения интеллектуальных сау с использованием нейронных сетей.
Как уже отмечалось, НС начинают играть все более важную и заметную роль при создании систем автоматического управления (САУ) сложными техническими объектами и контроля за ними. К таким объектам относятся современные летательные аппараты, силовые и энергетические установки, роботы-манипуляторы и др. Для них характерны отсутствие точных математических моделей либо их чрезмерная сложность, высокая размерность пространства состояний и принимаемых решений по управлению, иерархичность, многообразие критериев качества, высокий уровень шумов и внешних возмущений.
Известный специалист в области теории управления профессор Йельского университета (США) К.С. Нарендра предлагает условно разделить трудности, возникающие при построении САУ данными объектами, на три основные категории.
вычислительные сложности;
наличие нелинейностей;
неопределенность.
Включение
НС в систему управления позволяет
придать ей принципиально новые свойства:
система приобретает способность
понимать, рассуждать, изучать процессы,
возмущения и условия функционирования,
накапливая полученные ею знания и
целенаправленно используя их для
улучшения своих качественных
характеристик. Согласно установившейся
в последние годы терминологии, такую
систему называют интеллектуальной
системой
управления (intelligent
control
system)
. Поскольку механизм обучения и
функционирования интеллектуальной
системы управления с НС предполагает
работу со знаниями, то подобные системы
часто называют системами,
основанными на знаниях
(knowledge
–
based
system).
Существуют различные способы применения
НС в интеллектуальных системах
управления. Так, нейронная сеть может
использоваться для получения нелинейной
математической модели
объекта (процесса) управления по
входным/выходным данным, т.е. для решения
задачи идентификации. Другой вариант
использования НС–
получение инверсной (обратной)
математической модели объекта управления.
Возможно непосредственное включение
НС в качестве регулятора в замкнутый
контур управления объектом (рис. 31.3).
При этом на вход нейронной сети подается
сигнал ошибки управления
,
выход сети
одновременно является входом объекта,
а цель обучения НС–
уменьшить величину рассогласования
между выходами объекта и эталонной
модели системы. Таким способом достигается
желаемая динамика САУ, причем в силу
нелинейной природы НС возникает
возможность высококачественного
управления реальным объектом в широком
диапазоне изменения режимов его работы
и условий эксплуатации