- •Понятие иис. Направление развития теорий искусственного интеллекта.
- •Общая схема иис. Классификация иис.
- •1 3 2 4 5 6 7 8 9
- •Понятие «знание» в ии. Свойства знаний.
- •Понятие «знание» в ии. Типы знаний. Структура сии.
- •Понятие «знание» в ии. Уровни рассмотрения построения бз.
- •Понятие модели представления данных.
- •Логическая мпз.
- •8. Продукционная мпз.
- •Фреймовая сеть
- •Семантические сети
- •Экспертные системы. Назначение и основные свойства.
- •12. Особенности построения и организации эс. Преимущества эс.
- •Режимы работы эс. Отличия эс от традиционных программ.
- •Классификация эс
- •Технология разработки эс. Принципы разработки.
- •Этапы приобретения и формализации знаний в эс.
- •Понятие нечетких знаний. Основные формулы
- •Понятие нейронной сети. Задачи, решаемые с помощью инс.
- •Принципы организации и функционирования инс. Нейрон
- •Архитектуры искусственных нейронных сетей
- •Простой и однослойный персептроны. Классификация линейно разделимых образов
- •Рекуррентные ассоциативные сети. Энергетическая функция рекуррентной сети.
- •Рекуррентные ассоциативные сети. Сеть Хопфилда.
- •Рекуррентные ассоциативные сети. Двунаправленная ассоциативная память
- •Рекуррентные ассоциативные сети. Машина Больцмана.
- •Сеть Кохонена.
Понятие нейронной сети. Задачи, решаемые с помощью инс.
Нейронные вычисления – это теория разработки и исследования систем обработки информации, использующих механизмы восприятия и переработки информации естественных информационных систем – мозга человека и животных.
Основным функциональным элементом головного мозга является нейрон.
Нейрон - специализированная клетка, которая способна к передаче, обработке и хранению информации, необходимой для реализации физиологических функций организма. Биологический нейрон состоит из тела и входных и выходных каналов - дендритов и аксонов.
Для хранения информации в нейронах имеются синапсы.
Еще одна особенность биологических нейронных сетей — естественный параллелизм и коллективизм их работы.
Обучение естественных нейронных систем происходит путем изменения силы межнейронных связей.
Нейронные сети имеют следующие свойства:
Параллельность обработки информации
2) Способность к ассоциированию, классификации, обобщению, абстрагированию и множество других.
3) Способность к самоорганизации. Нейронные сети самостоятельно, под воздействием внешней среды, обучаются решению разнообразных задач.
4) Надежность.
Задачи, решаемые с помощью нейронных вычислений
Классификация образов. Задача состоит в указании принадлежности входного образа (например, речевого сигнала или рукописного символа), представленного вектором признаков, одному или нескольким предварительно определенным классам. Для решения задачи используется обучение с учителем – сети предъявляется обучающая выборка, состоящая из пар (входной образ, метка класса), и применяются определенные правила для того, чтобы научить сеть определять метку класса для входного образа, который на этапе функционирования может и не входить в обучающую выборку.
Кластеризация/категоризация. При решении задачи кластеризации, (классификация образов без учителя), отсутствует обучающая выборка с метками классов. Алгоритм кластеризации основан на подобии образов и размещает близкие образы в один кластер.
Аппроксимация функций. Необходима при решении многочисленных инженерных и научных задач моделирования.
Предсказание/прогноз. Задача состоит в предсказании значения в некоторый будущий момент времени.
Оптимизация. Задачей алгоритма оптимизации является отыскание такого решения, которое удовлетворяет системе ограничений и максимизирует или минимизирует целевую функцию.
Память, адресуемая по содержанию. Содержимое памяти может быть вызвано даже по частичным данным или искаженному содержанию.
Принципы организации и функционирования инс. Нейрон
Нейронная сеть – это параллельная распределенная структура обработки информации в виде направленного графа с учетом следующих определений и ограничений:
1) вершинами графа являются искусственные нейроны (ИН);
2) дуги графа - связи;
3) каждый обрабатывающий элемент может принимать любое количество входных и выходных связей (входов и выходов);
4) обрабатывающий элемент имеет локальную память; содержимое локальной памяти характеризует связь и называется весовым коэффициентом связи; выходной сигнал обрабатывающего элемента определяется как значение функции, называемой функцией активации, аргументами которой являются весовые коэффициенты и входные сигналы;
Как правило, во всех известных ИНС множество ИН разделено на подмножества, которые называются слоями. ИН могут быть связаны как с ИН своего слоя, так и с ИН других слоев.
xi – входной сигнал;
wi – весовой коэффициент;
суммирующий блок, соответствующий телу биологического элемента,
I - внутренний выход
f - функция активации
y = f(I) - выходной сигнал ИН.
Значения параметров x0 и w0 фиксированы. Весовой коэффициент w0 принимает значение q, которое называется пороговым значением функции активации.