- •Предисловие.
- •1. Основные задачи искусственного интеллекта.
- •1.1. История развития систем искусственного интеллекта.
- •1.2. Обзор основных направлений в области искусственного интеллекта
- •1.3. Решение задач и искусственный интеллект
- •1.3.1. Графовое представление задачи в пространстве состояний.
- •1.3.2. Стратегии поиска в пространстве состояний
- •2. Проблемная область искусственного интеллекта
- •2.1. Представление знаний
- •2.2 Модели представления знаний
- •2.2.1. Семантические сети
- •2.2.2. Фреймы
- •2.2.3. Формальные логические модели
- •2.2.4. Продукционная модель
- •2.2.5. Вывод на знаниях
- •3. Сильные методы решения задач. Экспертные системы
- •3.1. Структура экспертных систем
- •3.2. Классификация экспертных систем
- •3.3. Отличие эс от других программных продуктов
- •3.4. Цикл работы экспертных систем
- •3.5. Технология проектирования и разработки экспертных систем
- •4. Принятие решений в условиях неопределенности
- •4.1. Нечеткая логика
- •4.1.1. Нечеткие множества
- •4.1.2. Более строгое представление о нечетких множествах
- •4.1.3. Основные характеристики нечетких множеств
- •4.1.4. Примеры нечетких множеств и их характеристик
- •4.1.5. Операции над нечеткими множествами
- •4.1.6. Четкое множество α-уровня (или уровня α)
- •4.1.7. Нечеткая и лингвистическая переменные
- •4.1.8. Нечеткие числа
- •5. Машинное обучение на основе нейронных сетей
- •5.1. Биологический нейрон и его математическая модель
- •5.1.1. Биологический нейрон
- •5.1.2. Искусственный нейрон
- •5.2. Нейросети
- •5.2.1. Классификация и свойства нейросетей
- •5.2.2. Обучение искусственных нейронных сетей
- •5.3. Теорема Колмогорова
- •5.4. Персептрон
- •5.4.1. Алгоритм обучения персептрона
- •5.4.2. Линейная разделимость и персептронная представляемость
- •Логическая функция
- •Входы и выходы нейронов сети,
- •5.5. Сеть обратного распространения
- •5.5.1. Алгоритм обучения сети обратного распространения
- •5.6. Сеть встречного распространения
- •5.6.1. Сеть Кохонена. Классификация образов
- •5.6.2. Алгоритм обучения сети Кохонена
- •5. 6.3. Нейроны Гроссберга. Входные и выходные звезды
- •5.6.4. О бучение входной звезды
- •5.6.5. Обучение выходной звезды
- •5.6.6. Двухслойная сеть встречного распространения
- •5.6.7. Алгоритм обучения сети встречного распространения
- •5.7. Стохастические сети
- •5.7.1. Обучение Больцмана
- •5.7.2. Обучение Коши
- •5.8. Сети с обратными связями
- •5.8.1. Сеть Хопфилда
- •5.8.2. Правило обучения Хебба
- •5.8.3. Процедура ортогонализации образов
- •5.9. Сеть дап (двунаправленная ассоциативная память)
- •5.10. Сеть арт (адаптивная резонансная теория)
- •5.10.1. Алгоритм функционирования сети арт-1
- •Список иллюстраций
4.1.1. Нечеткие множества
Самым главным понятием систем, основанных на нечеткой логике, является понятие нечеткого множества (НМ).
Из классической математики известно понятие четких (определенных) множеств.
Множество A — четкое множество, если A — часть некоторого универсального для данной прикладной задачи множества U, характеризующегося следующими условиями:
- все элементы множества четко различимы между собой, в множестве нет повторяющихся элементов, нескольких экземпляров некоторых элементов;
- относительно каждого элемента можно четко определить, принадлежит ли он данному множеству или нет.
Эти условия позволяют характеризовать четкое множество его характеристической функцией, заданной на универсальном множестве U и принимающей значения в множестве {0, 1}:
П
римеры
4.1. Рассмотрим множество U всех действительных чисел от 0 до 10, которое назовем универсальным. Определим подмножество A множества U всех действительных чисел от 5 до 8:
Рассмотрим характеристическую функцию множества A, эта функция ставит в соответствие число 1 или 0 каждому элементу из U в зависимости от того, принадлежит данный элемент подмножеству A или нет. Ее график представлен на рис. 5.1.
Элементы, которым поставлено в соответствие число 1, можно интерпретировать как элементы, принадлежащие множеству A, а элементы, которым поставлено в соответствие число 0, как элементы, не принадлежащие множеству A.
Эта концепция используется во многих областях приложений. Но можно легко обнаружить ситуации, в которых данной концепции будет недоставать гибкости.
4.2. В данном примере опишем множество молодых людей, которое формально можно записать так:
Так как вообще возраст начинается с 0, то нижний предел этого множества должен быть нулем. Верхний предел определить немного сложнее. На первый раз установим верхний предел, скажем, равным 20 годам. Таким образом, получаем B как четко ограниченный интервал, буквально:
.
Возникает вопрос: почему кто-то в свой двадцатилетний юбилей — молодой, а сразу на следующий день уже не молодой? Очевидно, это структурная проблема, и если передвинуть верхнюю границу в произвольную точку, то можно задаться точно таким же вопросом.
Более естественный путь получения множества В состоит в ослаблении строгого разделения на молодых и не молодых. Сделаем это, вынося не только (четкие) суждения «Да, он/она принадлежит множеству молодых людей» или «Нет, он/она не принадлежит множеству молодых людей», но и более гибкие формулировки: «Да, он/она принадлежит к достаточно молодым людям» или «Нет, он/она не очень молод/молода».
Далее рассмотрим, как с помощью нечеткого множества определить такое выражение, как «он/она еще молод/молода».
В
первом примере мы кодировали все
элементы универсума рассуждения
с помощью чисел 0 или 1. Простой способ
обобщить данную концепцию — ввести
значения между 0 и 1. Реально можно даже
допустить бесконечное число значений
между 0 и 1, называемое единичным
интервалом
Интерпретация
чисел при соотнесении всех элементов
универсума рассуждений
становится теперь более сложной.
Конечно, снова число 1 с
тавится
в соответствие (соотносится) тому
элементу, который принадлежит множеству
B,
а
0 означает, что элемент точно
не принадлежит множеству B.
Все
другие значения определяют степень
принадлежности
ко множеству B.
Для наглядности приведем характеристическую функцию множества молодых людей, как и в первом примере (рис. 5.2). Согласно ее графику, 25-летние все еще молоды со степенью уверенности 50 процентов.
