
- •1. Знания как основа принятия решений
- •2. Понятие «система»
- •4. Формализованные знания. Сущность и сферы использования. Примеры.
- •5. Неформализованные знания и задачи
- •6. Слабоструктурированные задачи. Источники неопределенности при принятии решений.
- •7. Основные виды неопределенности и способы ее уменьшения
- •8. Понятие «искусственный интеллект». Задачи ии. Основные этапы развития ии
- •9. Особенности человеческого мышления. Принципы построения систем ии
- •10. Особенности и признаки интеллектуальных информационных систем.
- •11. Двойственная природа знаний, используемых в интеллектуальных системах
- •12. Понятие «экспертная система». Основные модели представления знаний в экспертных системах.
- •13. Логические модели представления знаний. Модель, основанная на логике высказываний
- •14. Логические модели представления знаний. Модель, использующая исчисление предикатов (э-существует y-любой!!!!!!)
- •15. Продукционная модель представления знаний. Структура экспертных систем продукционного типа.
- •16) Механизм логического вывода в продукционных системах. Примеры логического вывода
- •17 Управляющий компонент продукционной экспертной системы
- •27. Способы дефазификации результатов нечеткого вывода.
- •18. Общая хар-ка матем-го аппарата теории нечетких множеств.
- •19. Основные идеи теории нечетких множеств. Сравнение обычных и нечетких множеств.
- •21. Алгебраические операции над нечеткими множествами.
- •20. Операции над нечеткими множествами (кроме алгебраических).
- •22. Нечеткая и лингвистическая переменные.
- •23. Нечеткие отношения.
- •24. Операции композиции нечетких отношений и нечеткой импликации, их значение для нечеткого логического вывода.
- •26. Особенности нечеткого логического вывода по Мамдани и Ларсену
- •28. Нечеткие аппроксиматоры.
- •29. Основные проблемы, решаемые при помощи искусственных нейронных сетей.
- •30. Биологический нейрон.
- •Биологический нейрон 2
- •31. Понятие коннекционизма
- •32 Схема формального нейрона
- •33. Функции активации формального нейрона, их смысл и основные виды
- •34. Сравнение ветвей компьютерной эволюции.
- •35 Архитектуры нейронных сетей
- •36. Обучение нейросетей.
- •Цель обучения
- •37. Обучение нейронных сетей как задача оптимизации
- •38. Сравнение ветвей компьютерной эволюции.
- •39. Генетические алгоритмы. Основные понятия, принципы и особенности построения.
- •40. Обучение нейронных сетей методом статистических испытаний.
- •Знания как основа принятия решений
- •Понятие «система»
24. Операции композиции нечетких отношений и нечеткой импликации, их значение для нечеткого логического вывода.
Композиция (свёртка) 2-х нечетких отношений. Допустим, R1-нечеткое отнош-е м/у X и Y, R2-нечеткое отнош-е м/у Y и Z. Нужно установить нечеткое отнош-е м/у X и Z. Свёрткой или композицией нечетких отношений R1 и R2 наз-ся нечеткое отношение, обозначаемое R1оR2 и определяемое выражением:
µR1оR2(х,z)=V[µR1(x,y) Λ µR2(y,z)]=max[min (µR1(x,y),µR2(y,z))]. Это наз-ют maxmin-ой композицией. Существ-ет композиция maxprod («Λ» заменяется алгебраич-м произвед-м множ-в).
Свойства (max-min)-композиции. Операция композиции ассоциативна, т.е. R3о(R2оR1)=(R3oR2)oR1, дистрибутивна от-но объединения, но не дистриб-на от-но пересечения: R3о(R2υR1)=(R3oR2)υ(R3оR1),
R3о(R2∩R1)<>(R3oR2)∩(R3оR1). Для max-min-композиции выпол-ся след-ее важное св-во: если R1включ-ся в R2, то RоR1 включ-ся в RоR2.
Импликация-это рассуждения типа «если p, то q»:
p->q. Н-р, р:Х=А, q:Y=B. Таблица истинности: (0, когда 1->0, в ост. случаях 1)
А: четырехугольник-квадрат
В:Около него можно описать окружность.
Под способом определения нечеткой импликации «если р, то q», где р и q- нечеткие множества, будем понимать способ задания нечеткого отношения R на базовых множествах PxQ, которые соответствуют высказыванию р->q.
Как операцию композиции, так и операцию импликации в алгебре нечетких множеств можно реализ-ть по-разному, но в любом случае общий логич-ий вывод осущ-ся за след 4 этапа:
Нечеткость (введение нечеткости, фазификация). Ф-ции принад-ти, определ-ые на входных переменных применяются к их фактич-им значениям для определения степени истинности каждой предпосылки каж правила.
Логический вывод. Вычисленное значение истинности для предпосылок каждого правила примен-ся к заключениям каждого правила. Это приводит к одному нечеткому подмнож-ву, к-ое будет назначено каж переменной вывода для каж правила.В кач-ве правил лог-го вывода обычно исп-ются только операции min и prod. В лог-м выводе минимума ф-ция принадл-ти вывода «отсекается» по высоте, соответствующей вычисленной степени истинности предпосылки правила. В лог-м выводе умножения ф-ция принадл-ти вывода масштаб-ся при помощи вычисл-ой степени истинности предпосылки правила.
Композиция. Все нечеткие подмнож-ва, назначенные к каждой переменной вывода (во всех правилах), объедин-ся вместе,чтобы формир-ть одно нечеткое подмнож-во для каж переменной вывода. При таком объединении обычно исп-ся операции max и sum. При композиции максимума комбинированный вывод нечеткого подмнож-ва строится как поточечный максимум по всем нечетким подмнож-вам. При композиции суммы комбинир-ый вывод нечеткого подмнож-ва строится как поточечная сумма по всем нечетким подмнож-вам, назначенным переменной вывода правилами лог-го вывода.
Приведение к четкости (дефазификация), которое исп-ся, когда надо преобр-ть нечеткий набор выводов в четкое число.
25. Нечеткий логический вывод.
При обычном логическом выводе имеется набор жестких правил, сформулированных в понятиях алгебры логики. Все правила имеют вид импликации.
Пр1: ЕСЛИ Х это A1 ТО У это B1 ……………. Прn: ЕСЛИ Х это An ТО У это Bn. Аналогично можно сформулировать набор правил в нечетком выводе. В этом случае будем иметь нечеткую импликацию, где степень истинности может принимать любое значения от 0 до 1.
Знание
эксперта в форме А→В
отражает нечеткое отношение посылки и
заключения. В этом случае
–
результат нечеткого вывода, Ấ –
предпосылка (например, наблюдение
эксперта), R
– нечеткое подмножество прямого
произведения. Нечеткий вывод можно
построить в виде:
=
Ấ○R=
Ấ ○(А→В)
Вывод – это композиция нечеткого множества посылок и нечеткого отношения( знаний эксперта)
Общая схема: Входная переменная Х является нечетким подмножество А, входная переменная У является нечетким подмножество В,
Пусть в базе правил имеется m нечетких правил вида: R1: ЕСЛИ x1 это A11 … И … xn это A1n, ТО y это B1 … Ri: ЕСЛИ x1 это Ai1 … И … xn это Ain, ТО y это Bi … Rm: ЕСЛИ x1 это Ai1 … И … xn это Amn, ТО y это Bm, где xk , k=1..n – входные переменные; y – выходная переменная; Aik – заданные нечеткие множества с функциями принадлежности.
Результатом нечеткого вывода является четкое значение переменной y* на основе заданных четких значений xk , k=1..n.
В общем случае механизм логического вывода включает следующие этапы:
1) фазификация – это искусственное введение нечеткости фактических данных, т.е. точное значение Х0 интерпретируется, как нечеткие множества.
2) набор композиций: Х01 ○ Аi1, ……. , Х0n ○ Аin
Х01, …., Х0n – подвергаются композиции i (1,…,m)
Означает степень пригодности каждого правила к нечеткой ситуации (Х1=Х01, Хn= Х0n). Мерой пригодности является функция принадлежности (μ1,μ2,…,μm). В отличие от четкого логического вывода, здесь участвуют все правила сразу, причем влияние на результат соотносится со степенью их пригодности в сложившейся ситуации.
3) вычисление нечеткой импликации: (Х1○Ai1)^….^ (Хn○Ain) → Bi
Результатом является m нечетких значений для выхода В
4)
агрегация – получение одного нечеткого
множества путем объединения результатов
предыдущих этапов, т.е. получение среднего
значения.
5