- •Часть 1
- •Оглавление
- •Часть 1
- •Лекция 1 введение
- •1. Цели и задачи дисциплины. Ее место в учебном процессе.
- •2. История развития систем ии
- •3. Философские аспекты систем ии
- •Лекция 2 искуственный интеллект как научное направление
- •1. Человеко-машинные системы с искусственным интеллектом
- •2. Проблема искусственного интеллекта
- •3. Основные направления исследований в системах с искусственным интеллектом
- •Лекция 3 знания и данные
- •1. Знания - необходимая компонента ии
- •2. Макрознания и макроидеи
- •3. Данные и знания. Классификация знаний
- •4. Проблемы представления знаний
- •Лекция 4 представление знаний и рассуждений
- •Лекция 5 логические модели представления знаний
- •1. Предварительные замечания
- •2. Логическая модель представления знаний
- •Лекция 6 псевдофизичесие логики
- •1.Нечеткость в представлении знаний
- •2.Нечеткие множества.
- •3. Нечеткие отношения
- •2.Нечеткие выводы
- •3.Построение Функций принадлежности.
- •Лекция 7 псевдофизические логики
- •Нечеткaя логика
- •1. Нечеткая и лингвистическая переменные.
- •2. Нечеткая и лингвистическая логика
- •Лекция 8 псевдофизические логики
- •Нечеткие высказывания. Нечеткие алгоритмы
- •1. Нечеткие высказывания
- •2. Свойства высказываний.
- •3. Правила преобразования высказываний.
- •4. Понятие нечеткого оператора и алгоритма
- •5. Выполнение нечетких алгоритмов.
- •Лекция 9 продукционные модели представления знаний
- •3. Классификация ядер продукции.
- •4. Методы поиска решений
- •5. Методы логического вывода. Дедуктивный вывод
- •3. Повышение эффективности поиска
- •Лекция 10 методы представления и обработки нечетких знаний в продукционных системах
- •1. Представление экспертной информации
- •2. Представление экспертной информации в виде
- •Лекция 11 методы представления и обработки нечетких знаний в продукционных системах
- •1. Нечеткий вывод на основе дедуктивного логического вывода
- •2. Нечеткий вывод на основе индуктивного логического вывода
- •Лекция 12 сетевые семантические модели представления знаний
- •1. Основные понятия семантических сетей
- •Лекция 13 сетевые семантические модели представления знаний
- •4. Модели семантических сетей. Активные семантические сети (м-сети).
- •Лекция 14 фреймы и объекты
- •Лекция 15 сценарии
- •1. Основные определения
- •3. Каузальные сценарии
- •Лекция 16 модели обучения
- •1. Неформальные модели
- •2. Формальные модели
- •3. Обучение по примерам
- •Лекции 17 обучение по примерам
- •1. Итеративные алгоритмы обучения
- •2. Спецификация задач обучения по примерам
- •Библиографический список
3. Нечеткие отношения
При выполнении нечетких выводов необходимо знание нечетких отношений. Оно позволяет формулировать и анализировать математические модели многих реальных задач принятия решений.
НЕЧЕТКИМ
ОТНОШЕНИЕМ R между базовыми множествами
U и V (или между проблемной областью,
выраженной множеством U и другой областью
- полным множеством V) называется нечеткое
множество прямого декартова произведения
; т.е.
(6.9)
Здесь
U={u1,u2,...,un},
V={v1,v2,...,vm},
- функция принадлежности нечеткого
отношения R, имеющая тот же смысл, это и
функция принадлежности нечеткого
множества. Отношение R называют также
ФУНКЦИЕЙ РАСПРЕДЕЛЕНИЯ ВОЗМОЖНОСТЕЙ
(μR
характеризует меру или степень выполнения
отношения ui
R vj).
Примером нечетких отношений могут служить такие как "X примерно равен Y", "X значительно больше Y", "объект A существенно предпочтительнее, чем объект B".
Допустим,
что существует знание-правило типа
"если F то G", использующее нечеткие
подмножества и . Тогда один из способов
построения нечеткого отношения из
соответствующей области полного
множества U в область полного множества
V состоит в следующем.
(6.10)
или
Пример 1 Пусть U и V - области натуральных чисел от 1 до 4.
Определим нечеткие множества F="маленькие", G="большие" U=V={1,2,3,4,};
uF=
маленькие = 1/1+0.6/2+0.1/3+0/4
vG= большие = 0/1+0.1/2+0.6/3+1/4
Если множество U конечно и невелико, то нечеткое отношение R удобно задавать в матричном виде. Матрица М(R) представляет собой квадратную матрицу, строки и столбцы которой помечены элементами uU, а на пересечении строки ui и столбца uj записано значение rij=μR(ui,uj)
Если есть правило "если u маленькое, то v большое" (или F=>G), то можно следующим образом построить нечеткое отношение R.
μR(u,v)=min{μF(ui),μG(vj)}
В качестве элементов матрицы записаны значения принадлежности, указанные в числителе формулы (6.10)
Свертка нечетких отношений.
Для свертки нечетких отношений, необходимых при выводах с помощью цепочки правил выбрана свертка типа max-min. Пусть R нечет кое отношение из области U в область V, а S-нечеткое отношение из области V в область полного множества W. Тогда нечеткое отношение из U в область W определяется как свертка типа max-min
(6.11)
Знак о означает свертку max-min
Пример 2 Допустим, что W={1,2,3,4}, определены также нечеткие множества F(FV)=не маленькие; H(HW)=очень большие;
vF = не маленькие=0/1+0,4/2+0,9/3+1/4,
wH = очень большие=0/1+0/2+0,5/3+1/4 ,
Тогда если есть правило "если v не маленькое, то w очень большое (или F->H), то в соответствии с формулой (6.10) нечеткое отношение S из V в W определяется как
Если по формуле (6.11) вычислить свертку max-min с нечетким отношением R, то из двух значений:
"Если u маленькое, то v большое", "Если v не маленькое, то w очень большое" построим следующее нечеткое отношение из U в W. Формализованное правило: "Если u маленькое, то w очень большое"
Фиксируем i,k; изменяем j. Пример:(u1,w3);j=1,2,3,4
u1,w3:
j=1: μR(u1,v1)μS(v1,w3)=0
j=2: μR(u1,v2)μS(v2,w3)=0,1
J=3: μR(u1,v3)μS(v3,w3)=0,5
j=4: μR(u1,v4)μS(v4,w3)=0,5
maxj = 0,5
