
- •1 Основные понятия
- •1.1 Происхождение и понимание термина «искусственный интеллект»
- •1.2 Подходы к пониманию проблемы
- •Тест Тьюринга и интуитивный подход
- •Символьный подход
- •Логический подход
- •Агентно-ориентированный подход
- •Гибридный подход
- •1.3 Модели и методы исследований Символьное моделирование мыслительных процессов
- •Работа с естественными языками
- •Представление и использование знаний
- •Машинное обучение
- •Биологическое моделирование искусственного интеллекта
- •Робототехника
- •Машинное творчество
- •Другие области исследований
- •Современный искусственный интеллект
- •Некоторые из самых известных ии-систем:
- •1.4. Классификация интеллектуальных систем
- •1.5 Методы поиска решений
- •Генетические алгоритмы
- •2. Представление знаний в системах искусственного интеллекта
- •2.1 Представление знаний
- •Формальная (Аристотелева) логика и логика высказываний
- •Как упростить логическую формулу?
- •Как решать логические задачи?
- •Решение логических задач средствами алгебры логики
- •Решение логических задач табличным способом
- •Решение логических задач с помощью рассуждений
- •Логика предикатов
- •3 Логическое программирование на прологе
- •Объекты данных
- •Представление списков
- •Некоторые операции над списками
- •Ограничение перебора
- •Пример Пролог программы
- •4 Логика предикатов второго порядка
- •5. Нечеткая логика
- •Нечеткие множества
- •Основные характеристики нечетких множеств
- •Методы построения функций принадлежности нечетких множеств
- •Операции над нечеткими множествами
- •Наглядное представление операций над нечеткими множествами
- •Свойства операций и
- •Нечеткая и лингвистическая переменные
- •Нечеткие высказывания и нечеткие модели систем
- •Нечеткая база знаний
- •6 Байесовы сети
- •6.1. Простейший логический вывод
- •6.2. Распространение вероятностей в эс
- •6.3. Последовательное распространение вероятностей
- •6.4. Экспертные системы, использующие субъективные вероятности
- •6.5 Байесовские сети доверия как средство разработки эс
- •6.5.1. Основные понятия и определения
- •6.5.2. Пример построения простейшей байесовской сети доверия
- •6.5.3. Процесс рассуждения (вывода) в байесовских сетях доверия
- •6.5.4. Байесовские сети доверия как одно из направлений современных экспертных систем
- •6.6 Сети доверия с условными гауссовскими переменными
- •6.6.1. Непрерывные случайные величины
- •6.6.2. Непрерывные гауссовские переменные
- •6.6.3. Числовые характеристики случайных величин
- •6.6.4. Совместное использование дискретных и непрерывных переменных в байесовских сетях доверия
- •6.6.5. Логический вывод в байесовских сетях доверия с непрерывными и дискретными состояниями
- •6.7 Экспертные системы на основе теории Демстера-Шеффера
- •6.7.1. Предпосылки возникновения новой теории.
- •6.7.2. Основы теории Демстера-Шеффера
- •6.7.3. Меры доверия и правдоподобия в тдш
- •6.7.4. Отличие тдш от теории вероятностей
- •6.7.5. Связь между тдш и классической теорией вероятностей
- •6.7.6. Комбинация функций доверия
- •7 Решатели проблем, основанных на знаниях
- •7.1 Семантические сети
- •7.2 Фреймы
- •7.3 Нейронные сети
- •7.4 Экспертные системы
- •Модель экспертных систем
- •7 Распознание образов Контурный анализ
- •Код Фримена
- •Современные программные и инструментальные средства создания искусственного интеллекта
Основные характеристики нечетких множеств
Пусть M = [0,1] и A - нечеткое множество с элементами из универсального множества E и множеством принадлежностей M
Величина
A(x) называется высотою нечеткого множества A. Нечеткое множество A является нормальным, если его высота равняется 1, то есть верхняя граница ее функции принадлежности равняется 1 ( A(x)=1). При A(x)<1 нечеткое множество называется субнормальным.
Нечеткое множество является пустым, если xE A(x)=0. Непустое субнормальное множество можно нормализировать по формуле A(x) :=
Нечеткое множество является унимодальным, если A(x)=1 лишь для одного x из E.
Носителем нечеткого множества A является обычное подмножество со свойством A(x)>0, то есть носитель A = {x/A(x)>0} xE.
Элементы xE, для которых A(x)=0,5 называются точками перехода множества A.
Примеры нечетких множеств
Пусть E = {0,1,2,..,10}, M =[0,1]. Нечеткое множество "несколько" можно определить таким образом: "несколько" = 0,5/3+0,8/4+1/5+1/6+0,8/7+0,5/8; ее характеристики: высота = 1, носитель={3,4,5,6,7,8}, точки перехода - {3,8}.
Пусть E = {0,1,2,3,...,n,...}. Нечеткое множество "малый" можно определить:
Пусть E = {1,2,3,...,100} и соответствует понятию "возраст", тогда нечеткое множество "молодой", можно определить с помощью
"молодой"(x)
=
Нечеткое множество "молодой" на универсальном множестве E' ={Иванов, Петров, Сидоров,...} задается с помощью функции принадлежности "молодой"(x) на E = {1,2,3,..100} (возраст), что называется относительно E' функцией совместимости, при этом:
"молодой"(Сидоров) = "молодой"(x), где x - возраст Сидорова.
Пусть E = {Запорожец, Жигули, Мерседес,....} - множество марок автомобилей, а E' = [0,µ] - универсальное множество "стоимость", тогда на E' мы можем определить нечеткие множества типа: "для небогатых ", "для среднего класса", "престижные", с функциями принадлежности типа:
Имея эти функции и зная цены автомобилей из E в данный момент времени, определим на E' нечеткие множества с этими же названиями. Так, например, нечеткое множество "для небогатых", заданное на универсальном множестве E = {Запорожец, Жигули, Мерседес,....} выглядит таким образом:
Аналогично можно определить нечеткое множество "скоростные", "средние", "тихоходные" и т.д.
Методы построения функций принадлежности нечетких множеств
В приведенных выше примерах использованы прямые методы, когда эксперт или просто задает для любого xE значение A(x), или определяет функцию принадлежности. Как правило, прямые методы задания функции принадлежности используются для измеримых понятий, таких как скорость, час, расстояние, давление, температура и т.д., то есть когда выделяются полярные значения.
Во многих задачах при характеристике объекта можно выделить набор признаков и для любого из них определить полярные значения, отвечающие значениям функции принадлежности, 0 или 1.
Например, в задаче распознавания лица можно выделить следующие пункты:
№ |
Наименование признака |
0 |
1 |
x1 |
высота лба |
низкий |
широкий |
x2 |
профиль носа |
курносый |
горбатый |
x3 |
длина носа |
короткий |
длинный |
x4 |
разрез глаз |
узкий |
широкий |
x5 |
цвет глаз |
светлый |
темный |
x6 |
форма подбородка |
острый |
квадратный |
x7 |
толщина губ |
тонкие |
толстые |
x8 |
цвет лица |
темный |
светлый |
x9 |
овал лица |
овальное |
квадратное |
Для конкретного лица А эксперт, исходя из приведенной шкалы, задает A(x)[0,1], формируя векторную функцию принадлежности {A(x1), A(x2),... A(x9)}
Косвенные методы определения значений функции принадлежности используются в случаях, когда нет элементарных измеримых свойств для определения нечеткого множества. Как правило, это методы попарных сравнений. Если бы значение функций принадлежности были известны, например, A(xi) = wi, i=1,2,...,n, тогда попарные сравнения можно представить матрицей отношений A = {aij}, где aij=wi/wj (операция деления).