
- •Интеллектуальные системы. Основные классы систем и задач. Понятие иис
- •Критерии интеллектуальности ис
- •История развития иис
- •Классификация задач, решаемых иис
- •Классы иис
- •Символьная обработка и вычислительный интеллект в задачах искусственного интеллекта. Символьная обработка в задачах искусственного интеллекта
- •Вычислительный интеллект в задачах искусственного интеллекта
- •Экспертные системы. Архитектура систем. Экспертные системы
- •Архитектура экспертной системы
- •Архитектура нечеткой экспертной системы.
- •Архитектура нейронной экспертной системы.
- •Архитектура мягкой экспертной системы.
- •Экспертная деятельность
- •Вычисление нечеткой импликации:
- •Архитектура нечёткой экспертной системы
- •Искусственная нейронная сеть. Математическая модель нейрона.
- •Функция активации. Виды нейронных сетей. Функция активации.
- •Виды нейронных сетей.
- •Нс без обратных связей
- •Полносвязные сети
- •Обучение нс. Решение задачи классификации. Обучение нс
- •Решение задачи классификации
- •Обучение нс. Решение задачи кластеризации.
- •Обучение нс. Решение задачи аппроксимации.
- •Нейронная сеть как универсальный аппроксиматор.
- •Эффективность аппроксимации с помощью нейронных сетей и систем нечеткого вывода.
- •Линейно-сепарабельные задачи.
- •Нейронная сеть как универсальный аппроксиматор.
- •Сети Кохонена. Алгоритм обучения «победитель забирает все» Сети Кохонена
- •Алгоритм обучения «победитель забирает все»
- •Дельта-правило в машинном обучении
- •Алгоритм обратного распространения ошибки.
- •Архитектура нейронной экспертной системы
- •Эволюционные вычисления. Классы эволюционных вычислений.
- •История эволюционных вычислений
- •Классы эволюционных вычислений.
- •Обобщение идей эволюционных вычислений
- •Понятие генетического алгоритма.
- •3 Основные положения в теории эволюции (Теория «Происхождения Видов» 1859г. Дарвина):
- •Кодировка хромосом. Оператор отбора.
- •Операторы рекомбинации и мутации. Оператор скрещивания (оператор кроссовера)
- •Оператор мутации
- •Сходимость га.
- •Теорема схем.
- •Гибридные интеллектуальные системы.
- •Методы гибридизации.
- •Способ 1
- •Способ 2 (метод -срезов)
- •Понятия t-нормы и s–конормы.
- •Общие свойства t – норм и s — конорм
- •Пары норм и конорм
- •Определения и-или-нейронов и нечеткой нейронной сети.
- •Нечеткая нейронная сеть архитектуры anfis
- •Пример функционирования нечеткого нейронного контроллера
- •Определить входные переменные.
- •Пример. Нечёткий регулятор для стиральной машины (архитектура anfis)
- •Алгоритмы обучения для неч-ой нейр-ой сети контроллера
- •Нечёткий контроллер на основе нейронной сети (nnflc).
- •Архитектура anfis (адаптивная нейронная сеть, основанная на системе нечёткого вывода).
- •Нейронная сеть для нечётких (nndfr)
- •Нечёткие нейронные сети с генетической настройкой.
- •Эффективность аппроксимации с помощью нейронных сетей и систем нечеткого вывода.
- •Моделирование линейного нейрона
- •Моделирование многослойного перцептрона
- •Моделирование сети Кохонена
- •Пример генетической оптимизации при решении задач
Нечёткий контроллер на основе нейронной сети (nnflc).
Специализированная архитектура нейронной сети меняет алгоритм обучения, в частности процедура становится многоэтапной, на каждом этапе определяются веса различных слоёв. Кроме того, для 1-го условия представляющего собой функцию принадлежности, в состав настраиваемых весов включают параметры функции принадлежности. Таким образом, гибридная технология устраняет основной недостаток теории нечётких систем, а именно субъективное формирование экспертом функции принадлежности.
Существует 2 способа формирования функции принадлежности:
Экспертная
С помощью статистической диаграммы.
Гибридная технология предлагает 3-ий способ – коэффициент настраиваются с точностью для обучающей выборки.
Этапы обучения гибридной нейронной сети:
Первый слой нейронов обучается с помощью соревновательных алгоритмов Коханова.
Особенностью обучения весов, связывающих «и», «или» нейронов является формирование правил за счёт удаления слабых связей.
Окончательную настройку всех параметров осуществляют с помощью классического алгоритма обратного распространения ошибки.
Архитектура anfis (адаптивная нейронная сеть, основанная на системе нечёткого вывода).
См. вопрос 26
Нейронная сеть для нечётких (nndfr)
Перцептрон – математическая модель фрагмента нейронной системы головного мозга, осуществляющего восприятие внешнего объекта. Первые перцептроны создавались как модель искусственного глаза. В настоящее время перцептрон представляет собой многослойную нейронную сеть прямого распространения сигнала, способную к обучению.
Данная архитектура предложена для решения задачи кластеризации. Специализация осуществляется не по слоям, а по отдельным перцептронам, которые объединены в общую сеть.
Каждый отдельный перцептрон отвечает за выделение определённого кластера образов, а многослойны перцептрон памяти помнит центры всех кластеров.
В целом, данная архитектура определяет степень близости результатов отдельных перцептронов в содержании памяти специализированного многослойного перцептрона. Самый близкий из них формирует результат на выходе всей сети.
Нечёткие нейронные сети с генетической настройкой.
При формировании как обычных нейронных сетей, так и нечётких нейронных сетей необходимо решить следующие вопросы:
какое количество слоёв нейронной сети необходимо использовать?
какое количество нейронов в каждом слове необходимо использовать?
При формировании базы нечётких правил из полной базы необходимо удалить слабые правила, которые вносят в окончательный результат малые значения.
Для решения всех данных задач предложено использовать генетические алгоритмы.
Генетический алгоритм к нечётким системам применяют с помощью 2-х подходов:
Мичиганский подход кодирует в качестве хромосомы одно правило
Питсбурский подход кодирует в качестве хромосомы всю базу правил
В качестве fitness-функции оба подхода используют нечёткий вывод.
При построении нечётких нейронных сетей в качестве хромосомы кодируют структуру нейронной сети, или хотя бы 1 из слоёв нейронной сети, чтобы определить в нём количество нейронов. Качество хромосомы вычисляют с помощью контрольной выборки.
Генетические алгоритмы применяют на стадии проектирования, а не использования из-за большой вычислительной мощности.