![](/user_photo/2706_HbeT2.jpg)
- •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
10) Задача о нечетких интервалах.
Имеется 4 возможных инвестора А, В, С, D, которые могут помочь в организации начального капитала.
А говорит «могу дать 100 тысяч» со степенью достоверности 1.
В говорит «деньги есть, то 50 до 70 тысяч точно дам, но может получиться так, что дам 40, а может 100»
С говорит «100-110 тыс.есть, если ко мне завтра не придет кредитор и не заберет их»
D говорит «20 тыс.точно дам, может и 30», ему максимум доверия 0,8.
Каждый нечеткий интервал определяется пятеркой
;
– нижнее и верхнее модальное значение
нечеткого интервала
;
– левый
и правый коэффициенты нечеткости;
-
высота нечеткого интервала.
Для А нечеткий интервал определяется следующим образом:
А = (100, 100, 0, 0, 1); В = (50, 70, 10, 30, 1)
С =
(100, 110, 0, 0, 1)
(0, 0, 0, 0, 0.5)
D
= (20, 20, 0, 10, 0.8)
(0, 0, 0, 0, 1)
Задача заключается в следующем. Определить суперпозицию всех нечетких интервалов с целью получения нижней достоверной оценки значения исследуемой функции.
Нечеткий интервал. Если суммировать 2 трапециевидных нечетких интервала, то получается новый интервал.
h
= min{,
}
– эффект среза
Левый
нечеткий интервал: α = h
(
+
)
Правый
нечеткий интервал: β = h
(
+
)
Нижнее
модальное значение
Верхнее
модальное значение
=
S
= (250; 280; 10; 30; 1)
(145; 185; 5; 15; 0,5)
(165; 209; 5; 21; 0,5)
(268; 306; 8; 34; 0,8)
A = (100; 100; 0; 0; 1)
B = (50; 70; 10; 30; 1)
C = (0; 0; 0; 0; 0,5)
D
= (0; 0; 0; 0; 1)
(20; 20; 0; 10; 0,8)
Метод нечетких интервалов является удобным инструментом для проведения анализа различных ситуаций, возникающих в процессе принятия решений в условиях нечеткой входной информации.
11). Данные и знания.
Данные относятся к декларативной части программ, а знания – это хорошо структурированные данные, которые обладают свойствами:
-внутренняя интерпретируемость, т.е каждые информационная единица должна иметь свое уникальное имя, по которому идет обращение.
-структурируемость: иформационные единицы должны обладать определенной структурой.
-связность, связи характеризуют отношения между информационными единицами, отношения могут быть: структурными, с помощью которых задаются иерархии информационных единиц; функциональными; казуальными, задающими причинно-следственные связи; семантическими отношения: на множестве информационных единиц задаются отношения релевантности, которые оценивают степень близости семантических понятий.
-активность – способность знаний вмешиваться в описание ситуации.
12). Исчисление высказываний. Синтаксис и семантика.
Языки логического типа основаны на исчислении высказываний и исчислении предикатов.
Высказыванием называется предложение, которое может быть истинным или ложным.
СДНФ:
(1)
СКНФ:
(2)
– тавтология
– противоречие
Любую логическую формулу или любое логическое высказывание, за исключением противоречия, можно выразить в СДНФ. Любое логическую формулу или высказывание, за исключением тавтологии, можно представить в СКНФ.
Исчисление предикатов.
Предикат от n переменных называется n-местным.
F(x) – предикативная буква, x – предикативная переменная.
-
квантор общности
-
квантор существования
Терм – это константы, переменные, функции. Предикатный символ – это строка символов, где обязательно должна быть предикативная буква.
«Предикативный символ (терм, терм,…)» - атом, т.е. он представляет предикат.
называются
литералами.
Аксиомы – формулы, которые истинны при всех интерпретациях.
Аксиомы, являющиеся литерами, все аргументы которых константы, называют фактами.
Аксиома, не являющаяся фактом, называется правилом.
Факты и правила представляют собой формулы логики предикатов. Основная задача агента – это вывод на основании фактов и правил истинных формул, называемых теоремами (целями).