- •1. Определение и 2 направления развития искусственного интеллекта
- •2. Основные направления исследований в области ии
- •3)Моделирования биологических систем.
- •4. Условия для разработки и внедрения экспертных систем. Задачи, подходящие для создания экспертной системы.
- •Различие прототипов эс.
- •3. Интеллектуальные системы и признак структурированности задач.
- •Этапы проектирования эс: выбор проблемы. Коллектив разработчиков эс.
- •7. Основные программные блоки экспертной системы.
- •8. Этапы проектирования эс: оценка, стыковка и поддержка.
- •9. Различия бд и баз знаний
- •10. Продукционная модель знаний
- •11. Диагностические эс байесовского типа.
- •12. Семантические сети.
- •13. Фреймы.
- •14. Схема машины логического вывода. Особенности вывода на знаниях.
- •Стратегии получения знаний (извлечение, приобретение и формирование знаний).
- •Психологический аспект извлечения знаний.
- •Контактный слой:
- •Процедурный слой:
- •Когнитивный слой:
- •Лингвистический аспект извлечения знаний, общий код.
- •Проблема общего кода
- •Понятийная структура
- •Словарь пользователя
- •Текстологические и пассивные методы извлечения знаний.
- •Гносеологический аспект извлечения знаний, проблемы применения критериев научного знания.
- •Активные групповые методы извлечения знаний.
- •Активные индивидуальные методы извлечения знаний.
- •22. Структурирование знаний. Объектно–структурный подход и его свойства. Объектно-структурный анализ знаний о предметной области.
- •23. Алгоритм формирования поля знаний.
- •Уровни реализации моделей нейронных сетей (нс). Нейрокомпьютер. Сравнение архитектуры фон Неймана и архитектуры нейрокомпьютера.
- •Структура и свойства искусственного нейрона.
- •26. Типы нейронных сетей и типы нейронов в многослойной нс. Оценка числа нейронов в скрытых слоях.
- •27. Классы задач, решаемые нс. Примеры использования нс в различных предметных областях.
- •28. Определение и схема процесса обучения нс. От чего зависит качество обучения нс?
- •29. Алгоритм обратного распространения ошибки.
- •30. Обучение без учителя. Алгоритм Хебба.
- •Понятие самоорганизующейся нс. Настройка числа нейронов в скрытых слоях многослойной нс в процессе обучения.
- •1. Алгоритмы сокращения.
- •2. Конструктивные алгоритмы.
- •32. Нс с обратными связями (сеть Хопфилда и сеть Хемминга).
- •33. Когнитрон. Неокогнитрон.
- •34. Генетические алгоритмы. Отжиг.
- •35. Нечеткая логика. Лингвистическая переменная.
- •Основные понятия теории нечетких множеств: функция принадлежности, нечеткая переменная, нечеткое число.
23. Алгоритм формирования поля знаний.
шаг: Определение входных и выходных данных. Их структура существенно влияет на форму и содержание поля знаний.
Составление словаря терминов и набора ключевых слов.
Выявление объектов, понятий и их свойств.
Выявление связей между понятиями.
Выявление метапонятий (более общих) и детализация понятий.
Построение пирамиды знаний.
Определение отношений.
Определение стратегий принятия решений.
Уровни реализации моделей нейронных сетей (нс). Нейрокомпьютер. Сравнение архитектуры фон Неймана и архитектуры нейрокомпьютера.
Под нейронными сетями подразумевают вычислительные структуры, которые моделируют простые биологические процессы, обычно ассоциируемые с процессами человеческого головного мозга.
Уровни реализации моделей нейронных сетей.
В зависимости от способа реализации моделей нейронных сетей выделяют 4 уровня:
1 уровень – теоретический
2 – программный
3 – программно-аппаратный
4 – аппаратный
Теоретический. Работы, в которых в той или иной форме (математической, алгоритмической, словесной и т.д.) представлено описание моделей нейронных сетей.
Программный. Модели нейронных сетей, программно реализованные на обычных последовательных компьютерах.
Программно-аппаратный. Сопроцессоры для ускорения моделирования нейронных сетей.
Аппаратный. Физически реализованные модели нейронных сетей.
Нейрокомпьютер – программно-техническая система, которая реализует некоторую формальную модель естественной нейронной сети.
Сравнение архитектур традиционного компьютера (Фон-Неймана) и нейрокомпьютера.
Категория сравнения |
Традиционный компьютер (архитектура Фон-неймана) |
Нейрокомпьютер |
Процессор |
1-2-4- (много) сложный, высокоскоростной |
Большое число нейронов Простой, низкоскоростной |
Память |
(отдельно взятый блок) отдельно от процессора, локализована, адресация по содержанию |
Интеграция в процессор; распределенная, адресация по содержанию |
Организация вычислений |
Последовательные; Централизованные; Хранимые в памяти программы |
Параллельные; Распределённые; Самообучение |
Специализация |
Численные и символьные операции |
Проблемы восприятия |
Среда функционирования |
Строго определенна и строго ограничена |
Плохо определена; Без ограничений |
Надёжность |
Высокая уязвимость |
Высокая степень надёжности; Большая живучесть |
Структура и свойства искусственного нейрона.
Искусственный нейрон имитирует свойства биологического нейрона.
Множество входных сигналов, обозначенных x1, x2,…, xn, поступает на искусственный нейрон. Эти входные сигналы, в совокупности, обозначаемые вектором X, соответствуют сигналам, приходящим в синапсы нейрона. Каждый сигнал умножается на соответствующий вес синапса w1, w2,..., wn, и поступает на суммирующий блок. Каждый вес соответствует "силе" одной синаптической связи. Множество весов в совокупности обозначается вектором W. Сумматор выполняет сложение сигналов, поступающих по синаптическим связям от других нейронов, и внешних входных сигналов. Нелинейный преобразователь реализует нелинейную функцию одного аргумента - выхода сумматора. Эта функция называется функцией активации или передаточной функцией нейрона.
Входной сигнал: х={х1, х2,…xn}
b – смещение
w = {w1, w2,…wn} – синаптические веса
Y – выходной сигнал
Преобразователи:
∑ - сумматор (все входы синаптических весов суммируются)
Математическая модель нейрона:
f – функция активации
Y = f(S) (значение аксона нейрона, выходной сигнал нейрона)
где wi, - вес синапса, i = 1...n; b - значение смещения; s - результат суммирования; xi - компонент входного вектора (входной сигнал), xi = 1... n ; у - выходной сигнал нейрона; n - число входов нейрона; f - нелинейное преобразование (функция активации).
Синаптические веса:
Синаптические связи с положительными весами wi>0 называют возбуждающими, с отрицательными весами wi<0 - тормозящими.
Функция активации:
пороговая
Персептрон – первая модель искусственного нейрона (1943г.)
авторы Мак-Каллок и Питтс
Логистическая сигмоида
a – параметр
Если S→-∞, f(S)→0, если S→+∞, f(S)→1