- •Моделі компонентів комп’ютерних систем при автоматизованому проектуванні.
- •Статичні та динамічні експертні системи.
- •Структура скс для керування технічним об’єктом Формування бази даних та знань в системах проектування скс.
- •Основні операції над множинами нечіткої логіки
- •Побудова баз знань на основі семантичних дерев Лінгвістичні змінні та функції належності нечіткої логіки
- •Фреймові структури баз знань в експертних системах Различные представления знаний в существующих системах.
- •Процедури фазифікації та дефазифікації в системах керування на основі нечіткої логіки.
- •Формування початкової популяції в генетичному алгоритмі
- •Структура та прототип штучного нейрона
- •Різновиди технічних об’єктів, для яких проектується скс Види активаційних функцій в штучних нейронах
- •Математичні моделі об’єктів в системах управління з використанням скс.
- •1.Одношарові штучні нейронні мережі.
- •2.Лінгвістичні змінні та функції належності нечіткої логіки.
- •3.Багатошарові штучні нейронні мережі.
- •4.Процедури фазификації та дефазифкації в системах керування на основі нечіткої логіки.
- •5.Двошарова нейронна мережа.
- •6.Комп’ютерні cистеми управління на основі засобів нечіткої логіки.
- •7.Реалізація довільної логічної функції на штучних нейронних мережах.
- •8.Процедури прийняття рішень в системах керування на основі нечіткої логіки.
- •9.Розпізнавання рукописних букв нейронними мережами.
- •10.Структура та класифікація експертних систем як засоба штучного інтелекту.
- •Стадии жизненного цикла скс
- •Оператор кросинговера в генетических алгоримах
- •Основные этапы проектирования скс и сетей
- •Подготовительный этап.
- •Эскизное проектирование.
- •Рабочее проектирование
- •Структура та класифікація експертних систем, як засоба штучного інтелекту
- •Природный отбор и генетическое наследование в генетических алгоритмах
- •Виды современных компьютерных систем как способов обработки информации
- •Рівні опису скс як технічного об’єкта при проектуванні.
- •2.3 Операторы рекомбинации (кроссинговера)
- •2.4 Мутация
- •Ієрархична структура скс як складного технічного об’єкту.
- •1)Структурна схема та робота генетичного алгоритму
- •2) Задачи анализа и синтеза при проектировании скс и сетей
1.Одношарові штучні нейронні мережі.
Рис. 1.5. Одношарова нейронна мережа
Хоч один нейрон і здатний виконувати найпростіші процедури розпізнавання, сила нейронних обчислень виникає від з'єднань нейронів в мережах. Найпростіша мережа складається з групи нейронів, що створюють прошарок, як показано в правій частині рис. 1.5. Зазначимо, що вершини-кола зліва служать лише для розподілу вхідних сигналів. Вони не виконують ніяких обчислень, і тому не будуть вважатися прошарком. З цієї причини вони позначені колами, щоб відрізняти їх від обчислювальних нейронів, позначених квадратами. Кожний елемент з множини входів Х окремою вагою сполучений з кожним штучним нейроном. А кожний нейрон видає зважену суму входів в мережу. У штучних і біологічних мережах багато які з'єднання можуть бути відсутнім, всі з'єднання показані з метою спільності. Можуть мати місце також з'єднання між виходами і входами елементів в шарі.
Зручно вважати ваги елементами матриці W. Матриця має m рядків і n стовпців, де m - число входів, а n - число нейронів. Наприклад, w23 - це вага, що зв'язує третій вхід з другим нейроном. Таким чином, обчислення вихідного вектора N, компонентами якого є виходи OUT нейронів, зводиться до матричного множення N = XW, де N і Х - вектори-рядки.
2.Лінгвістичні змінні та функції належності нечіткої логіки.
Лингвистическая переменная отличается от числовой переменной тем, что ее значениями являются не числа, а слова или предложения в естественном или формальном языке.
Лингвистическая переменная характеризуется набором свойств (X, T(X), U, G,M) , в котором:
X - название переменной;
T(X) обозначает терм-множество переменной X , т.е. множество названий лингвистических значений переменной , причем каждое из таких значений является нечеткой переменной со значениями из универсального множества с базовой переменной ;
G - синтаксическое правило, порождающее названия значений переменной ;
M- семантическое правило, которое ставит в соответствие каждой нечеткой переменной X ее смысл M(x) , т.е. нечеткое подмножество универсального множества U.
В теории нечетких множеств характеристическая функция называется функцией принадлежности, а ее значение - степенью принадлежности элемента x нечеткому множеству A.
Каждому значению лингвистической переменной соответствует определенное нечеткое множество со своей функцией принадлежности.
Все нечеткие объекты можно классифицировать по виду области значений функции принадлежности. Помимо интервала [0,1], функция принадлежности может принимать свои значения в интервале [-1,1], на числовой прямой R, а также в различных множествах, наделенных некой структурой. Функции принадлежности могут быть с плоскими вершинами, кусочно-линейными и треугольной формы, или наклонными с горизонтальными уступами вида
3.Багатошарові штучні нейронні мережі.
Більш великі і складні нейронні мережі мають, як правило, і великі обчислювальні можливості. Хоч створені мережі всіх конфігурацій, які тільки можна собі представити, пошарова організація нейронів копіює прошаркові структури певних відділів мозку. Виявилося, що такі багатошарові мережі володіють більшими можливостями, ніж одношарові і в останні роки були розроблені алгоритми для їх навчання.
Рис. 1.6. Двошарова нейронна мережа
Багатошарові мережі можуть утворюватися каскадами прошарків. Вихід одного прошарку є входом для подальшого прошарку. Подібна мережа показана на рис. 1.6 .