
- •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
4.1.6. Четкое множество α-уровня (или уровня α)
Множеством
α-уровня нечеткого подмножества A
универсального
множества E
называется
четкое подмножество
универсального
множества E,
определяемое
в виде
где
Примеры
4.8.
Пусть
,
тогда
Достаточно
очевидно следующее свойство: если
,
то
.
4.9.
Пусть
«малые
числа»
«большие
числа»
Тогда
«НЕ
малые числа»
«малые
числа И большие числа»
;
«малые
числа ИЛИ большие числа» =
Приведенные определения операций над нечеткими множествами являются наиболее распространенными.
4.10. Пусть
;
;
.
Здесь:
1)
,
т. е. А
содержится
в В
или
В
доминирует
А,
С несравнимо ни
с А,
ни
с В,
т.
е. пары {А,
С] и
{В,
С} — пары
недоминируемых нечетких множеств;
2)
;
3)
,
4)
5)
6)
7)
.
Вопросы
4.9.
Дайте
определение алгебраического произведения
алгебраической суммы
,
дизъюнктивной
суммы
множеств
A
и B
4.10.
Укажите,
какие свойства выполняются для операций
.
4.11. Дайте определение декартова произведения нечетких множеств.
4.12. Что называется четким множеством α-уровня?
4.13. Дайте определение выпуклой комбинации нечетких множеств
Упражнения
4.3.
Даны
множества:
A
—нечеткое множество «высокая
зарплата», B
— нечеткое
множество
«низкая
зарплата»,
,
.
Назовите характеристики множеств A и B: высоту, носитель, точки перехода.
Найдите
4.4. Пусть даны множества:
;
;
.
Найдите сравнимые и несравнимые между собой множества и определите, какое множество в какое включается, какие множества равны между собой. Найдите
Рис. 5.7. К упражнению 4.5
4.5.
Пусть
,
A
и
B
— нечеткие множества, заданные
на
универсальном множестве Е.
Пусть
графики их характеристических
функций принадлежности изображены на
рис.
5.7—5.9. Какую операцию над множествами
иллюстрирует выделенная на рис. 5.7
линия? Какая
операция представлена на рис. 5.8? На
рис. 5.9 штрих-пунктирной линией изображен
график характеристической функции
принадлежности множества A.
Какое
множество
представлено сплошной толстой линией?
Р
ис.
5.8.
К упражнению 4.5 Рис. 5.9.
К упражнению 4.5
Рис. 5.10. К упражнению 4.6
4
.6.
Рассмотрим
прямоугольную систему координат,
на оси ординат которой откладываются
значения функций принадлежности, на
оси абсцисс
в произвольном порядке расположены
элементы универсального множества Е.
На
рис.
5.10 представлены графики характеристических
функций принадлежности множеств A
и B.
Изобразите
на рисунке графики характеристических
функций принадлежности нечетких
множеств
.
4.7.
Пусть
и
Найдите
4.1.7. Нечеткая и лингвистическая переменные
Понятия нечеткой и лингвистической переменных используются при описании объектов и явлений с помощью нечетких множеств.
Лингвистические переменные (ЛП) были предложены как средство моделирования нечеткости естественного человеческого языка, в котором границы между отдельными понятиями часто неявны и размыты. По сути, лингвистические переменные стали предпосылкой к развитию всей нечеткой логики и теории нечетких множеств.
В настоящее время ЛП являются распространенным способом описания сложных систем, параметры которых по каким-либо причинам должны рассматриваться не с количественных позиций, а как качественные. При этом лингвистические переменные дают возможность поставить в соответствие качественным значениям некоторую количественную интерпретацию с заданной долей уверенности, что позволяет обрабатывать качественные данные на компьютере. Как следствие, другой сферой применения ЛП является нечеткий логический вывод, отличие которого от обычного заключается в том, что истинность логических высказываний описывается не двумя значениями ЛОЖЬ и ИСТИНА или 0 и 1, а множеством значений в интервале.
Для иллюстрации перечисленных положений продолжим рассмотрение примера о возрасте человека. Как правило, для описания человека достаточно общей качественной оценки его возраста в виде фраз «молодой», «переходный», «пожилой» и т. д. Причем за каждым из этих названий скрывается некоторая совокупность конкретных значений, которая у разных людей может различаться, но в целом является общепринятой. Таким образом, при описании возраста неосознанно используется некоторый набор нечетких множеств, с помощью которых описывается конкретное понятие. Такой набор и получил название лингвистической переменной, для которой в нечеткой логике существуют особые правила создания и формального описания.
В основе понятия лингвистической переменной лежит термин «нечеткая переменная», обозначающий нечеткое множество, которому было присвоено некоторое наименование.
Нечеткая переменная характеризуется тройкой (α, X, A), где
α — наименование переменной;
X — универсальное множество (область определения а),
A
—
нечеткое множество на X,
описывающее
ограничения (т. е.
)
на
значения нечеткой переменной α.
Например, рассмотренные выше нечеткие множества «молодой» и «пожилой» являются нечеткими переменными, поскольку представляют собой не просто абстрактные отображения действительной оси в интервал, а отображения, имеющие за собой определенный смысл, выражающийся как в названии, так и в аналитическом выражении функции принадлежности.
Лингвистической переменной называется набор (β,T,X,G,M), где
β — наименование лингвистической переменной;
T —множество ее значений, представляющих собой наименования нечетких переменных, областью определения каждой из которых является множество X; множество Т называется базовым терм-множеством лингвистической переменной;
G
—
синтаксическая процедура, позволяющая
оперировать элементами
множества T,
в
частности, генерировать новые значения;
множество
,
где
G(T)
—множество сгенерированных значений,
называется расширенным
терм-множеством лингвистической
переменной;
M — семантическая процедура, позволяющая превратить каждое новое значение лингвистической переменной, образуемое процедурой G, в нечеткую переменную, т. е. сформировать соответствующее нечеткое множество.
Или, другими словами, лингвистическую переменную можно задать как пятерку (β,T(β), X, G, M), где
β — название лингвистической переменной;
T(β)
—
базовое терм-множество лингвистической
переменной β,
т.
е. множество
названий лингвистических значений
переменной
,
каждому
из которых соответствует нечеткая
переменная α
с
областью
определения в виде универсального
множества X;
G — синтаксическое правило (обычно грамматика), порождающее значения лингвистической переменой;
M — семантическое правило, которое ставит в соответствие каждой нечеткой переменной α ее смысл, т. е. нечеткое подмножество универсального множества X.
Приведем несколько примеров лингвистических переменных.
Примеры
4.11. На рис. 5.11 представлена графическая интерпретация лингвистической переменной «цена».
Рис. 5.11. Лингвистическая переменная «цена»
4.12. Пусть эксперт определяет толщину выпускаемого изделия с помощью понятий «малая толщина», «средняя толщина» и «большая толщина», при этом минимальная толщина равна 10 мм, а максимальная — 80 мм.
Формализация такого описания может быть проведена с помощью лингвистической переменной (β, T, X, G, M), где
β — толщина изделия;
T = {«малая толщина», «средняя толщина», «большая толщина»};
Рис.
5.12.
Функции принадлежности нечетких
множеств: «малая
толщина» =
,
«средняя
толщина» =
,
«большая толщина»=
Рис.
5.13.
Функция принадлежности нечеткого
множества «малая ИЛИ средняя толщина»=
G - процедура образования новых термов с помощью связок И, ИЛИ и модификаторов типа ОЧЕНЬ, НЕ, СЛЕГКА и т. п. (например: «малая ИЛИ средняя толщина», «ОЧЕНЬ малая толщина»);
M
- процедура
задания на универсальном
нечетких
подмножеств
= «малая
толщина»,
=
«средняя толщина»,
=
«большая
толщина», а
также нечетких множеств для термов из
G(T).
Замечание.
Наряду
с рассмотренными выше базовыми
значениями
лингвистической переменной
«толщина»
возможны
значения, зависящие от
области определения X.
В
данном случае значения лингвистической
переменной
«толщина» могут быть определены как
«около
20
мм»,
«около 50
мм»,
«около 70
мм»,
т.
е. в виде нечетких чисел.
Элементы базового терм-множества и расширенного терм-множества в условиях данного примера можно характеризовать функциями принадлежности, приведенными на рис. 5.12, 5.13.