- •Восходящий и нисходящий методы построения систем искусственного интеллекта.
- •2.Понятие системы, основанной на знаниях.
- •3.Автономная и гибридная соз.
- •4. Оболочка соз и ее основные компоненты.
- •5. Базовые свойства, отличающие знания от данных.
- •6. Логические модели представления данных.
- •7. Сетевые модели представления знаний.
- •8. Представление знаний в виде иерархической структуры фреймов.
- •9.Продукционное правило как форма представления знаний.
- •10. Основные компоненты соз продукционного типа.
- •11. База знаний в соз продукционного типа.
- •12. Описание знаний на инфологическом уровне в виде графа решений
- •13.Механизм вывода в соз продукционного типа.
- •14. Прямой, обратный и комбинированный вывод в соз продукционного типа.
- •15. Стратегия поиска (вывода) в ширину.
- •16. Стратегия поиска в глубину.
- •17. Подсистема объяснения в соз продукционного типа.
- •18. Подсистема приобретения знаний в соз продукционного типа
- •19. Понятие искусственной нейронной сети.
- •20. Искусственный нейрон. Активационная функция нейрона и ее основные виды.
- •21. Межнейронные синаптические связи. Веса связей. Обучение инс.
- •22. Многослойный персептрон и его обучение с помощью алгоритма обратного распространения ошибки.
- •24. Сеть Хопфилда.
24. Сеть Хопфилда.
Опр: Сеть Хопфилда – сеть из N нейронов, каждый из которых имеет связи воздействия на все остальные нейроны (полный направленный граф) с весами ji (j,i = 1..N), а так же вход-выход фиксации начального состояния, обусловленного предъявленным стимулом (возмущением) и всех последующих состояний, вплоть до устойчивого состояния сети.
Состояния бинарной сети Хопфилда (сигналы = 0 или 1) описываются N-мерным вектором S = (S1, S2, … , SN), компонента Si которого характеризует состояние i-го нейрона: 0 или 1 (имеется в виду, что в основе нейронов лежит единичная ступенчатая АФН). Т.о. состоянию сети соответствует одна из вершин единичного гиперкуба в N-мерном пространстве (V=2S-1). Каждое устойчивое состояние такой системы можно рассматривать как запись образа в ее памяти. При подаче на ее входы-выходы ( ) возмущения, обусловленного предъявленным для распознавания образом, сеть должна из приобретенного начального состояния, в соответствии с динамикой ее функционирования, прийти к устойчивому состоянию, определяющему идеальный записанный образ.
Возможные динамики поведения сети при распознавании образа:
1. Асинхронная динамика – состояние сети меняется с определенной частотой так, что в каждый следующий момент времени случайно выбираемый нейрон i принимает состояние Si:
2. Синхронная динамика – предполагает изменения в каждый момент времени по правилу (11) состояний ВСЕХ нейронов сети (в каком-либо порядке). Хранение образов Sk (k=1..K) в памяти сети обеспечивается матрицей синаптических весов – матрицей Хебба, элементы которой вычисляются по формуле:
(петель в графе нет, нейрон сам на себя не действует)
Система «сваливается» в состояние минимальной энергии.
* Надежное распознавание образов сетью Хопфилда обеспечивается при выполнении К 0,15 N
Например, сеть из 100 нейронов запомнит 15 образов.