
- •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
4.1.2. Более строгое представление о нечетких множествах
Пусть E — универсальное (universal) или несущее множество, x — элемент E, а K — некоторое свойство. Определим для несущего множества E обычное (четкое) подмножество A, элементы которого удовлетворяют свойству K, как множество упорядоченных пар
где
—
характеристическая функция, принимающая
значение 1, если элемент
x
удовлетворяет
свойству R,
и
0 — в противном случае.
Нечеткое
подмножество отличается от обычного
тем, что для элементов
x
из
множества E
нет
однозначного ответа «да—нет» относительно
свойства
K.
В
связи с этим, нечеткое подмножество A
универсального
множества E
определяется
как множество упорядоченных пар с
характеристической
функцией принадлежности.
принимающей
значения в некотором
вполне упорядоченном множестве M,
например,
Функция
принадлежности указывает степень (или
уровень) принадлежности
элемента x
подмножеству
A.
Множество
M
называется
множеством принадлежности. Если
,
то нечеткое подмножество A
может
рассматриваться как обычное или четкое
множество.
Пример
4.3. Пусть имеется обычное множество
и пусть задано A — нечеткое множество, для которого
Тогда нечеткое множество A можно представить в виде
или
где знак «+» не является обозначением операции сложения, а имеет смысл объединения.
4.1.3. Основные характеристики нечетких множеств
Пусть
и A
— нечеткое
множество с элементами из универсального
(несущего) множества E
и
множеством принадлежности M.
Тогда
высотой
нечеткого множества называется
верхняя граница значений его функции
принадлежности:
Нормальным называется нечеткое множество, высота которого равна
1. Если высота меньше 1, нечеткое множество называется субнормальным.
Говорят,
что нечеткое множество пусто,
если
.
Непустое субнормальное множество можно нормализовать по формуле
Нечеткое
множество является унимодальным,
если
только
на одном
элементе x
из
универсального множества E.
Носителем
нечеткого
множества A
(обозначается
как supp
A)
является
обычное
подмножество со свойством
,
т.
е. supp
Элементы
,
для
которых
,
называются точками
перехода
множества A.
4.1.4. Примеры нечетких множеств и их характеристик
Рассмотрим примеры нечетких множеств.
Примеры
4.4.
Пусть
Нечеткое
множество «несколько»
можно
определить следующим образом:
Его
точки
перехода -
.
4.5.
Пусть
и это множество соответствует понятию
«возраст».
Тогда
нечеткое множество «молодой»
может
быть определено
с помощью функции принадлежности
Нечеткое
множество «молодой»
на
универсальном множестве
= {Иванов, Петров, Сидоров, …} задается
с помощью функции принадлежности
на
(возраст),
называемой по отношению к E
функцией совместимости. При
этом
,
где х — возраст Сидорова.
Для
каждого
величина
интерпретируется как степень
принадлежности элемента х
нечеткому
множеству А.
В
теории нечетких
множеств характеристическая функция
называется функцией
принадлежности,
а
ее значение
—
степенью принадлежности элемента
x
нечеткому
множеству A.
4
.6.
Пусть
Е
=
{Запорожец, Жигули, Мерседес,
...}
— множество
марок автомобилей,
а
— универсальное
множество «стоимость»,
тогда
на
мы
можем определить нечеткие множества
с помощью функций принадлежности,
графики которых изображены на рис.
5.3. Имея эти функции и зная стоимости
автомобилей из E
в
данный момент
времени, мы тем самым определим на
нечеткие
множества «для
бедных», «для
среднего класса», «престижные».
Рис. 5.3. Графики функций принадлежности нечетких множеств из примера 4.6.
Т
ак,
нечеткое множество «для
бедных», заданное
на универсальном множестве Е,
показано
на рис. 5.4.
Рис. 5.4. График функции принадлежности нечеткого множества «для бедных»
Аналогично можно определить нечеткие множества «скоростные», «средние», «тихоходные» и т. д.
В
рассмотренных выше примерах использованы
прямые методы, когда эксперт либо
просто задает для каждого
значение
либо определяет функции совместимости.
Как правило, прямые методы
задания функции принадлежности
используются для измеримых понятий,
таких
как скорость, время, расстояние, давление,
температура и т. д. Например,
для конкретного лица A
эксперт,
исходя из приведенной шкалы,
задает
формируя векторную функцию принадлежности
При
прямых методах используются также
групповые прямые методы, когда,
например, группе экспертов предъявляют
конкретное лицо и каждый
должен дать один из двух ответов: «этот
человек лысый» или «этот человек
не лысый». Тогда количество утвердительных
ответов, деленное на
общее число экспертов, дает значение
для данного лица.
Вопросы
4.1. Приведите пример нечеткого множества.
4.2. Дайте определение четкого множества, используя характеристическую функцию принадлежности.
4.3. Дайте определение нечеткого множества, используя характеристическую функцию принадлежности.
4.4. Что такое функция принадлежности? (Ее описание, определение, назначение.)
4.5. Перечислите основные характеристики нечетких множеств.
4.6. Зачем нужны нечеткие множества и нечеткая логика?
4.7. Когда и кто разработал теорию нечетких множеств и нечеткой логики?
4.8. Как можно задавать нечеткие множества и строить функции принадлежности?
Упражнения
4.1. Пусть дано множество E целых чисел:
A — нечеткое подмножество чисел, по абсолютной величине близких к нулю, определяется так:
а) Объясните, что означает здесь знак «+»?
б) Найдите высоту данного нечеткого множества.
в) Является ли это множество субнормальным?
г) Назовите точки перехода данного множества.
4.2. Приведите пример нечеткого множества «богатый человек», если в качестве универсального используется множество заработных плат