- •1).Теоретико-множественные операции над расплывчатыми множествами
- •2)Расплывчатое включение и расплывчатое равенство множеств
- •5). Расплывчатые высказывания и операции над ними.
- •6) . Расплывчатые логические формулы и их свойства
- •7) . Сложные нечеткие высказывания
- •8) . Нечеткая и лингвистическая переменные
- •9) Построение функций принадлежности нечетких множеств.
- •10) Задача о нечетких интервалах.
- •11). Данные и знания.
- •12). Исчисление высказываний. Синтаксис и семантика.
- •13) .Вывод в логике предикатов
- •14) .Методы решения задач исчисления предикатов
- •15). Сетевые модели представления данных
- •16). Продукционные модели представления знаний
- •17). Вывод на знаниях.
- •18). Онтологии. Модель онтологии.
- •19). Задачи, решаемые с помощью онтологии.
- •20). Основные технологии баз знаний. Система операция для работы со знаниями
- •21) Комплексные операции для работы со знаниями. Анализ структурной семантики.
- •Анализ семантических зависимостей.
- •22) Структура экспертной системы. Экспертные системы
- •Структура экспертной системы
- •Диалоговый компонент экспертной системы
- •23) Интерпретатор экспертной системы
- •24) Компонент приобретения знаний экспертной системы. Когнитивные карты.
- •27). Экспертные оценки. Основные типы шкал и методы проведения экспертизы.
- •(3) Методы экспертного оценивания
- •28). Методы обработки экспертной информации.
- •29.) Структура системы нечеткой логики
- •30). Нечеткий вывод на основе правила композиции.
- •31). Модель нейрона Мак-Каллока и Питтса. Модель формального нейрона.
- •32).Модель персептрона Розенблата.
- •33) Линейные многослойные нейронные сети
- •34). Радиальные нейронные сети
- •Решение проблемы линейности
- •Обобщенная структура радиальной сети рбф
- •35.Дискретная (Рекурентная) сеть Хопфилда
- •36). Двунаправленная ассоциативная память
- •37) Сеть Хэмминга.
- •38) .Рекурентная сеть Эльмана
- •39). Персептронная сеть с обратной связью rmlp.
- •40).Гибридные нейронные сети. Нейросетевые элементы нечетких систем.
- •Нейросетевая реализация нечетких отношений
- •41). Нейросетевая модель нечеткого композиционного вывода.
- •42). Нечеткие элементы нейросетевых систем
- •43). Семантическое эквивалентирование.
- •44). Задача о диверсификации портфеля ценных бумаг
- •45). Элементы характеризационного анализа
- •Преобразование графа в двудольный
37) Сеть Хэмминга.
Является гетероассоциативным ЗУ, которое позволяет классифицировать поступательный сигнал в соответствии с запомненными в сети эталонами.
Идея: множество входных сигналов, которые после обработки сети дают ХУ из множества выходных сигналов (). По входу для определенного выхода.
На первый слой поступает Х = (), N- мерный вектор, поступает на 1й слой. Р – нейронов, кот. хранят записи о р-эталона
Идея:
Идея поиска: определение какому эталону принадлежит
Х=( 0 1 1 1 0 1)
У=( 1 0 1 1 0 1)
Опр. ближайший код, чтобы на выходе получить сигнал входного.
Идея функционирования сети Хемминга состоит в min распределяется между входным вектором и эталонным вектором закодированными в строке сети.
Основную работу делает внутренний слой (MAXNET).
Его задача состоит в том, чтобы из р-нейрон по правилу WTA – Winner Takes All.
Веса определяются
Все остальные
< < 0, ij
Веса 1го слоя, соответствуют входным векторам
, i=
На вход поступило элементов вектора, после поступления в соответствии с весовыми коэффициентами, внутренний слой начинает свой итерационный процесс.
Процесс продолжается до тех пор, пока все нейроны кроме 1го победителя с выхода 1 сигнала перейдут в нулевое состояние.
Нейрон-победитель с 0-м состоянием, определяет класс данных, к которому относится входной сигнал.
В 3й фазе, нейрон-победитель формирует выходной сигнал У, который соответствует входному сигналу.
38) .Рекурентная сеть Эльмана
Каждый скрытый нейрон имеет свой аналог в контекстном слое образует совместно с внешним входом сети входной слой.
внутреннее возбуждение
выходной сигнал I-го нейрона
39). Персептронная сеть с обратной связью rmlp.
R – рекурент, M – многослойный, P – персептор.
Это динамическая сеть, кот. характеризуется запаздыванием вх/вых сигналов во входн. вектор скрытого нейрона.
w – входной сигнал соед. со скрытым слоем.
Модель динамической сети
Сеть (N,P,K)
Вход
N – кол-во задержек входного сигнала, P – кол-во задержек выходного сигнала, k – число нейронов в скрытом слое.
Фукнции активации сигмоиды
Взвешенная сумма i-го нейрона
– вых. ф-ия i-го нейрона, зависит от выбр. ф-ии активации
g – взвеш. сумма сигналов. Взв. сумма на вх. вых. нейрона.
Схема идентификации динамического объекта
М – модуль(коэф. усиления), решающий задачу масштабирования.
40).Гибридные нейронные сети. Нейросетевые элементы нечетких систем.
Гибридные нейронные сети – это сети, реализующие процедуры и правила нечетких множеств и нечеткой логики.
Пусть
Структура нейронной сети:
График функции принадлежности:
f-сигноиды, S – маленький, M-средний, L-большой
Нейросетевая реализация нечетких отношений
Если имеется 2 нечетких множества X и Y, R, , то говорим, что.
R – нечеткое отношение, которое делает отношение между X и Y. У нас должна быть мера и .
- правило композиционного выбора.