80. Основні характеристики штучних нечітких нейронних мереж.

Штучні нейронні мережі (ШНМ) — математичні моделі, а також їхня програмна та апаратна реалізація, побудовані за принципом функціонування біологічних нейронних мереж — мереж нервових клітин живого організму. Системи, архітектура і принцип дії базується на аналогії з мозком живих істот. Ключовим елементом цих систем виступає штучний нейрон як імітаційна модель нервової клітини мозку — біологічного нейрона. Даний термін виник при вивченні процесів, які відбуваються в мозку, та при спробі змоделювати ці процеси. Першою такою спробою були нейронні мережі Маккалока і Піттса. Як наслідок, після розробки алгоритмів навчання, отримані моделі стали використовуватися в практичних цілях: в задачах прогнозування, для розпізнавання образів, в задачах керування та інші.

ШНМ представляють сбою систему з'єднаних і взаємодіючих між собою простих процесорів(штучних нейронів). Такі процесори зазвичай достатньо прості, особливо в порівнянні з процесорами, що використовуються в персональних комп'ютерах. Кожен процесор схожої мережі має справу тільки з сигналами, які він періодично отримує, і сигналами, які він періодично посилає іншим процесорам. І тим не менш, будучи з'єднаними в досить велику мережу з керованою взаємодією, такі локально прості процесори разом здатні виконувати достатньо складні завдання. З точки зору машинного навчання, нейронна мережа являє собою окремий випадок методів розпізнавання образів, дискримінантного аналізу, методів кластеризації тощо З математичної точки зору, навчання нейронних мереж — це багатопараметрична задача нелінійної оптимізації. З точки зору кібернетики, нейронна мережа використовується в задачах адаптивного управління і як алгоритми для робототехніки. З точки зору розвитку обчислювальної техніки та програмування, нейронна мережа — спосіб вирішення проблеми ефективного паралелізму . А з точки зору штучного інтелекту, ШНМ є основою філософської течії коннективізму і основним напрямком в структурному підході з вивчення можливості побудови (моделювання) природного інтелекту за допомогою комп'ютерних алгоритмів. Нейронні мережі не програмуються в звичайному розумінні цього слова, вони навчаються. Можливість навчання — одна з головних переваг нейронних мереж перед традиційними алгоритмами. Технічно навчання полягає в знаходженні коефіцієнтів зв'язків між нейронами. У процесі навчання нейронна мережа здатна виявляти складні залежності між вхідними даними і вихідними, а також виконувати узагальнення. Це означає, що у разі успішного навчання мережа зможе повернути вірний результат на підставі даних, які були відсутні в навчальній вибірці, а також неповних та / або «зашумленних», частково перекручених даних.

Біологічна нейронна мережа складається з групи або декількох груп хімічно або функціонально пов'язаних нейронів. Один нейрон може бути пов'язаний з багатьма іншими нейронами, а загальна кількість нейронів та зв'язків між ними може бути дуже великою. Зв'язки, які називаються синапсами, як правило формуються від аксонів до дендритів, хоча дендро-дендритичні мікросхем та інші зв'язки є можливими. Крім електричної передачі сигналів, також є інші форми передачі, які виникають з нейротрансмітерної(хімічний передавач імпульсів між нервовими клітинами) дифузії, і мають вплив на електричну передачу сигналів. Таким чином, нейронні мережі є надзвичайно складними.

Штучний інтелект і когнітивне моделювання намагаються імітувати деякі властивості біологічних нейронних мереж. Хоча аналогічні в своїх методах, перша має на меті вирішення конкретних завдань, а друга спрямована на створення математичних моделей біологічних нейронних систем.

У сфері штучного інтелекту, штучні нейронні мережі були успішно застосовані для розпізнавання мови, аналізу зображень та адаптивного управління, для того, щоб побудувати так званих програмних агентів (в комп'ютерних і відео ігор) або автономні роботи. На даний час, більшість розроблених штучних нейронних мереж для штучного інтелекту основі на статистичних оцінках, класифікації оптимізації та теорії керування.

Алгоритм та його місце в теорії інтелектуальних систем прийняття рішень.;5

Види невизначеності та причини її виникнення.;26

Визначення нечіткої множини та її властивості.;33

Гра та її складові.;62

Дайте визначення таким поняттям як рішення, управлінське рішення, прийняття рішення. Перелічіть засади, на яких ґрунтується прийняття управлінських рішень.;1

Дерево рішень. Прийняття рішень за його допомогою.;23

Експертна система оцінювання та принципи, на яких вона ґрунтується.;46

Етапи процесу експертного оцінювання.;48

Етапи розгорнутого процесу прийняття рішень. Охарактеризуйте коротко кожен з них.;3

Задачі експертного оцінювання.;51

Ігровий розпливчастий метод аналізу ієрархій (ІРМАІ).;72

Інгредієнт функціонала оцінювання;64

Кількісні показники оцінки ступеня ризику в абсолютному вираженні.;31

Кількісні показники оцінки ступеня ризику у відносному вираженні;32

Класифікація інформаційних ситуацій.;63

Кроки процесу розв‘язування багатокритеріальної задачі.;59

Методи колективної роботи експертної групи.;49

Методи отримання індивідуальної думки членів експертної групи.;50

Назвіть різні структури нейронних мереж та для однієї з них наведіть алгоритм її навчання.;78

Назвіть типові багатокритеріальні задачі та стисло опишіть одну з них.;58

Нечітке відношення та його властивості.;37

Одношарові та багатошарові штучні нейронні мережі. їх архітектурні особливості. Розрахунок вихідного вектору.;75

Оператори генетичного алгоритму.;45

Операції над нечіткими множинами. Задати універсальну множину та дві нечіткі множини на ній та здійснити всі можливі операції над ними.;34

Основі кроки класичного генетичного алгоритму. Опишіть їх.;43

Основна термінологія, що використовується в генетичному алгоритмі.;42

Основні характеристики штучних нечітких нейронних мереж.;80

Особливості сумісного використання

генетичних алгоритмів та штучних нейронних мереж.;79

Правила навчання штучних нейронних мереж.;77

Представлення знань в ІСПР за допомогою логічної моделі. Навести приклад.;17

Представлення знань в ІСПР за допомогою продукційної моделі. Навести приклад.;20

Представлення знань в ІСПР за допомогою семантичних мереж. Навести приклад.;18

Представлення знань в ІСПР за допомогою фреймової моделі. Навести приклад.;19

Прийняття рішень у полі другої інформаційної ситуації.;66

Прийняття рішень у полі п’ятої інформаційної ситуації.;69

Прийняття рішень у полі першої інформаційної ситуації.;65

Прийняття рішень у полі третьої інформаційної ситуації.;67

Прийняття рішень у полі четвертої інформаційної ситуації.;68

Прийняття рішень у полі шостої інформаційної ситуації.;70

Раціональний вибір та аксіоми раціонального поводження в економіці.;21

Система постулатів стосовно ризику як економічної категорії.;28

Складові прийняття у правлінських рішень.;2

Способи кодування параметрів задачі для використання у прийнятті рішення інструментарію генетичного алгоритму. Детально пояснять двійкове кодування.;41

Статистичні методи обробки експертної інформації.;52

Стисло опишіть основні кроки розпливчастого методу аналізу ієрархій.;61

Структура інтелектуальної системи прийняття рішень.;6

Сутність поняття «Інтелектуальна система прийняття рішень».;7

Сутність ризику. Його суб’єктивність та об’єктивність.;27

Сутність якісного аналізу ризику.;30

Суть дефазифікації. Методи дефазифікації. Наведіть приклад.;35

Суть навчання штучних нейронних мереж та його оцінювання.;76

Суть понять «дані» та «знання». Покажіть між ними відмінність.;14

Суть теореми про схеми.;44

Суть теоретико-ігрового підходу в прийнятті рішень з урахуванням множини цілей.;71

Схема експертного оцінювання з урахуванням послідовності залучення і функцій основних груп суб‘єктів.;47

Узагальнений алгоритм вимірювання певного виду економічного ризику.;29

Функції вибору та операції над ними.;22

Функція належності та методи її побудови.;36

Штучний нейрон та його складові.;74

Що таке задачі оптимізації? У яких випадках застосування інструментарію генетичного алгоритму є ефективнішим за традиційні методи оптимізації.;40