
- •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
Фазификация фактических данных, т.е. точное значение x0 интерпретируется как нечеткая точка.
Композиция входной переменной и условной части правила: х0 ° Ai, y0 ° Bi, т. е. вычисляется уровень пригодности правила к ситуации. Если факт задан нечеткой точкой, то композиция сводится к выявлению соответствующей степени принадлежности.
Вычисление нечеткой импликации:
(х0 ° Ai) ^ (y0 ° Bi) → Сi для любого R.
Результатом выполнения п. 2 и 3 для всех правил являются N нечетких значений для выхода Z.
Агрегация среднего значения:
т.е. построение нечеткого значения выхода по результатам предыдущих этапов.
Дефазификация, т. е. выбор представляющего элемента но агрегированному нечеткому понятию.
Схемы нечеткого вывод у разных авторов уточняются до оператора нечеткой импликации. Распространены 5 схем нечеткого вывода:
По Мамдани: импликация моделируется минимумом, агрегация – максимумом
По Цукамото: для монотонных функций принадлежности. L1', L2' – уровни достоверности применения правил; z1,z2 – значения выходной переменной по первому и второму правилу:
z1 = C1-1( L1) , z2 =C2-1( L2)
z = (L1'* z1 +L2'* z2)/( L1'+ L2')
Ввиду монотонности функций вычисления выходной переменной сводят к усреднению значений, полученных по разным правилам.
По Суджено: правые части правил вывода ограничиваются линейным случаем
Если х – А1 и у – В1, тогда z = a1x + b1y
По Ларсену: импликация выполняется с помощью произведения.
Упрощенная схема: Если х – Аi и у – Вi, тогда z = Zi, где z – четкое значение.
Поскольку правые части правил в упрощенной схеме задаются четко, то в результате вывода получается дискретное множество решений для каждого элемента, у которого задана определенная степень уверенности. В качестве выходной переменной выбирается значение с максимальной уверенностью.
Архитектура нечёткой экспертной системы
См. вопрос 3
Искусственная нейронная сеть. Математическая модель нейрона.
Искусственные нейронные сети представляют собой простейшие математические модели мозга. Понять основные принципы построения НС можно, рассматривая их как совокупность (сеть) отдельных структур (нейронов).
Биологический нейрон характеризуется наличием тела, входов, выходов и места их соединения:
Сома – тело,
Дендриты – дерево входов.
Аксоны – дерево выходов.
Синапсы – место соединения дендритов и аксонов. Синапсы имеют переменное сопротивление для переходных сигналов.
Принятые синапсами сигналы либо возбуждают нейрон, либо его тормозят в зависимости от порогового значения. Когда суммарное возбуждение достигает некоторого порога, нейрон возбуждается и посылает по аксону сигнал другим нейронам. Каждый синапс обладает уникальной синаптической силой, которая пропорционально своему значению изменяет передаваемый на нейрон входной сигнал. Дендрит имеет собственный приоритет, который он меняет в течение жизни.
Рисунок 2 Искусственный нейрон
Схема будущего элемента – взвешенный пороговый сумматор.
Биологический нейрон является взвешенным пороговым сумматором.
Математически нейрон характеризуется следующими параметрами:
Вектор входов
Вектор выходов
Вектор весов
Порог срабатывания ø
Функция активации F
Наиболее часто используемые функции активации
Название функции |
Формула |
Линейная |
|
Функция «знак» |
|
Униполярная сигмоидальная |
|
Биполярная сигмоида |
|
Гиперболический тангенс |
|