- •Введение
- •Глава 1 системы, основанные на знаниях
- •1.1. История создания искусственного интеллекта
- •1.2. Процесс мышления
- •1.3. Основные понятия и классификация систем, основанных на знаниях
- •1.4. Экспертные системы как элемент искусственного интеллекта
- •1.5. Теоретические аспекты извлечения знаний
- •1.6. Коммуникативные методы извлечения знаний
- •1.7. Текстологические методы извлечения знаний
- •Глава 2 модели представления знаний
- •2.1. Представление знаний и выводы в экспертных системах
- •2.2. Модель представления знаний средствами логики предикатов первого порядка
- •2.3. Представление знаний продукционными правилами
- •2.4. Модель представления знаний в виде фреймов
- •2.5. Представление знаний в виде семантической сети
- •2.6. Модель доски объявлений
- •2.7. Модель представления знаний в виде сценария
- •Глава 3 архитектура и технология разработки экспертных систем
- •3.1. Основные положения
- •3.2. Технология разработки экспертной системы
- •3.3. Механизм вывода (интерпретатор правил)
- •3.4. Взаимодействие пользователей с экспертной системой
- •3.5. Подсистема анализа и синтеза сообщений
- •3.6. Морфологический анализ входных сообщений
- •3.7. Синтаксический анализ входных сообщений
- •3.8. Семантический анализ входных сообщений
- •3.9. Синтез выходных сообщений
- •3.10. Диалоговая подсистема
- •3.11. Объяснительные способности эс
- •Глава 4 применение нечеткой логики в эксперТнЫх системах
- •4.1. Предпосылки возникновения нечеткой логики
- •4.2. Нечеткая логика
- •4.3. Нечеткие подмножества
- •4.4. Нечеткие правила вывода в экспертных системах
- •4.5. Задания для разработки экспертных систем
- •Глава 5 ГенетическиЙ алгоритм
- •5.1. Предисловие
- •5.2. Генетический алгоритм
- •5.3. Параметры и этапы генетического алгоритма
- •5.3.1. Кодирование информации и формирование популяции
- •5.3.2. Оценивание популяции
- •5.3.3. Селекция
- •5.3.4. Скрещивание и формирование нового поколения
- •7.3.5. Мутация
- •5.4. Настройка параметров генетического алгоритма
- •5.5. Канонический генетический алгоритм
- •5.6. Пример работы и анализа генетического алгоритма
- •5.7. Общие рекомендации к программной реализации генетического алгоритма
- •5.8. Задания для лабораторных работ
- •Глава 6 искусственные нейронные сети
- •6.1. Биологические нейронные сети
- •6.2. Формальный нейрон
- •6.3 Нейронные сети
- •6.4. Обучение инс
- •8.5. Алгоритм обратного распространения ошибки
- •6.6. Работа нейронной сети
- •6.7. Пример работы и обучения нейронной сети
- •6.8. Программная реализация
- •6.9. Задания для лабораторных работ
- •Заключение
- •Приложение 1 Контрольные вопросы
- •Приложение 2 Темы рефератов и индивидуальных заданий Темы рефератов
- •Темы индивидуальных заданий
- •Приложение 3 Ресурсы в сети Интернет
- •Список литератуРы
- •Оглавление
6.9. Задания для лабораторных работ
-
С помощью нейронной сети необходимо перекодировать прописные буквы в строчные (маленькие – в большие). На вход сети подается код «маленькой» буквы, с выхода «снимается» код соответствующей «большой» буквы.
-
Перевод нот из одной тональности в другую называется транспонированием. С помощью нейронной сети транспонируйте ноты на один тон выше. На вход сети подается код ноты, с выхода «снимается» код ноты на тон выше, октаву учитывать не нужно.
-
Реализуйте с помощью нейронной сети преобразование градусов в радианы.
-
Реализуйте с помощью нейронной сети конвертер валют из долларов в евро.
-
Имеется сеть с двумя входами, двумя выходами и некоторым количеством скрытых нейронов. Необходимо настроить сеть таким образом, чтобы сигналы со входа менялись на выходе сети местами. Т.е., если на вход поступили числа 0,75 и 0,34, то на выходе должны быть числа 0,34 и 0,75.
-
Научите нейронную сеть осуществлять операцию сложения двух чисел.
-
С помощью нейронной сети реализуйте определение знака зодиака по числу и месяцу. Знак зодиака определяется по величине сигнала выходного нейрона сети.
-
Дан набор точек (табл. 6.6).
Аппроксимируйте данную зависимость полиномом второй степени с помощью нейронной сети. В отчете необходимо представить график с изображением исходных точек и кривой, полученной с помощью нейронной сети.
Табл. 6.6
X |
Y |
0 |
6.45 |
1 |
4.06 |
2 |
2.53 |
3 |
2.05 |
4 |
2.48 |
5 |
3.97 |
6 |
6.57 |
7 |
9.94 |
8 |
14.45 |
-
Реализуйте с помощью нейронной сети операцию умножения трех чисел из диапазона [0, 1].
-
На основании данных из табл. 6.7 продолжите числовой ряд с помощью механизма предсказания на основе нейронной сети. Ряд может содержать отрицательные числа.
Табл. 6.7
a0 |
a1 |
A2 |
a3 |
a4 |
A5 |
a6 |
a7 |
a8 |
a9 |
a10 |
0.707 |
0.866 |
0.966 |
1 |
0.966 |
0.866 |
0.707 |
0.5 |
0.259 |
0 |
– 0.259 |
Правильный ответ: – 0.5, – 0.707, … (синусоида)
-
Создайте нейронную сеть, которая правильно классифицирует объекты, пользуясь данными из табл. 6.8.
Ответ: Если «Параметр 1» = 1, то 1-й класс, если «Параметр 2»=«Параметр 3», то 2-й класс, в противном случае – 3-й класс.
Табл. 6.8
Объект |
Параметр 1 |
Параметр 2 |
Параметр 3 |
Класс |
1 |
1 |
1 |
0 |
1 |
2 |
1 |
0 |
1 |
1 |
3 |
0 |
1 |
1 |
2 |
4 |
0 |
1 |
0 |
3 |
5 |
0 |
1 |
1 |
2 |
6 |
0 |
0 |
1 |
3 |
7 |
0 |
1 |
0 |
3 |
8 |
1 |
1 |
1 |
1 |
9 |
0 |
0 |
0 |
2 |
-
Имеется физическая система с переменными объемом и внутренним давлением. Необходимо создать нейросетевой регулятор, поддерживающий постоянную температуру внутри этой системы. На вход регулятора подается изменение давления и объема, на выходе – изменение температуры, компенсирующее действие изменяющихся параметров. Начальные условия: V0=15 дм3, P0=100 Па, Т0=280o К. Расчет требуемого изменения температуры производится по формуле:
,
где ΔV – изменение объема, а ΔP – изменение давления.
-
Реализуйте с помощью нейронной сети сжатие бинарных изображений размером 16х16 пикселей с коэффициентом сжатия 2.
-
Научите нейронную сеть распознавать цифры от 0 до 9, заданные в матричном виде 5х7 (рис. 6.18).
Рис. 6.18. Цифры для распознавания