![](/user_photo/2706_HbeT2.jpg)
- •Предмет теории систем, цель исследования, методы исследования. Понятия корректной формальной модели
- •История развития теории систем. Прикладные задачи, решаемые теорией систем
- •Основные понятия теории информационных систем: система, информация, информационная система, информационный обмен, состояние системы
- •Направления развития общей теории систем. Подходы к построению методов
- •Системный анализ и системный подход. Пять принципов системного подхода. Методология проведения исследований на базе системного подхода
- •Закономерности систем
- •Понятия, используемые для описания систем. Способы описания систем
- •3. Алгебраическая теория систем пытается объединить количественные и качественные методы исследования систем, но она находится в стадии разработки.
- •Общая классификация систем. Классификация по степени организованности
- •Классификация систем. Классификация по виду формализованного аппарата, целеустремлённости и сложности
- •Системный подход к решению задач теории систем. Задачи системного подхода. Цели решения задач. Алгоритм решения задач с помощью системного подхода
- •Компоненты информационно-поисковых языков. Оценка эффективности информационно-поисковых языков. Меры оценки
- •Особенности разработки информационно-поисковой системы. Оценка эффективности информационно-поисковой системы. Критерии поиска в информационно-поисковой системе. Возможности количественной оценки
- •Информационно-поисковые языки как основа информационно-поисковых систем. Сложность задачи индексирования
- •Формальные языки и грамматики. Классификация по Хомскому
- •Регулярные и автоматные грамматики. Конечные автоматы
- •Особенности организации информационных систем. Информация как ресурс особого рода. Роль информации в процессе управления
- •Этапы и принципы формирования логистических систем. Декомпозиция, синтез.
- •Экспертные системы. Структура. Базовые функции
- •Поиск в пространстве состояний. Эвристический поиск
- •Модели представления знаний. Семантические сети. Фреймы
- •Продукционная модель представления знаний. Машина вывода
- •Логико-математический подход к моделированию интеллекта
- •Социально-биологический подход к моделированию интеллекта. Агенты
- •Нейронные сети: обучение с учителем
- •Нейронные сети: обучение без учителя
- •Нечеткая логика. Операции с нечеткими множествами
- •Особенности разработки автоматизированной системы управления (асу)
- •Разработка обеспечивающей части автоматизированной системы управления (асу)
- •Разработка функциональной части автоматизированной системы управления (асу)
- •Понятие комплексного использования информационных ресурсов. Особенности разработки информационных ресурсов
- •1. Создавались асу тп и асу производством
- •2. Фактографические информационные системы
- •Выбор наилучших альтернатив на основе экспертной оценки
- •Планирование эксперимента. Основные этапы
- •Методика постепенной формализации. Задачи моделирования информационных потоков
- •Методы исследования систем в условиях неопределённости
- •Виды информационного обеспечения
Социально-биологический подход к моделированию интеллекта. Агенты
В нейронных моделях интеллекта упор делается на способность мозга адаптироваться к миру, в котором он существует, с помощью изменений связей между отдельными нейронами. Знание в таких системах не выражается явными логическими конструкциями, а представляется в неявной форме, как свойство конфигураций таких взаимосвязей.
В разработках искусственной жизни и генетических алгоритмов принципы биологической эволюции применяются для решения сложных проблем. Такие программы не решают задачи посредством логических рассуждений. Они порождают популяции соревнующихся между собой решений кандидатов и заставляют их совершенствоваться с помощью процессов, имитирующих биологическую эволюцию: неудачные кандидаты на решения отмирают, в то время как подающие надежды выживают и воспроизводятся путем создания новых решений из частей "успешных" родителей.
Социальные системы дают еще одно модельное представление интеллекта с помощью глобального поведения, которое позволяет им решать проблемы, которые бы не удалось решить отдельным их членам.
Эти примеры имеют два общих аспекта. Во-первых, корни интеллекта связаны с культурой и обществом, а следовательно, разум является эмерджентным (emergent). Во-вторых, разумное поведение формируется совместными действиями большого числа очень простых взаимодействующих полуавтономных индивидуумов, или агентов. Являются агенты нервными клетками, индивидуальными особями биологического вида или же отдельными личностями в обществе, их взаимодействие создает интеллект.
Одним из основных понятий эмерджентности является агент (объект с достаточно простым поведением). Множество таких агентов образуют систему с достаточно сложным поведением. С такой точки зрения интеллект эмерджентен, т.е. образует новые свойства, отсутствующие у его элементов.
Основные аспекты агентских взглядов на интеллект:
Агенты автономны или полу автономны
Агенты являются внедрёнными
Агенты взаимодействуют
Сообщество агентов структурировано
Нейронные сети: обучение с учителем
Нейронная сеть состоит из множества одинаковых элементов — нейронов, поэтому начнем с них рассмотрение работы искусственной нейронной сети.
Биологический нейрон моделируется как устройство, имеющее несколько входов (дендриты), и один выход (аксон). Каждому входу ставится в соответствие некоторый весовой коэффициент (w), характеризующий пропускную способность канала и оценивающий степень влияния сигнала с этого входа на сигнал на выходе. В зависимости от конкретной реализации, обрабатываемые нейроном сигналы могут быть аналоговыми или цифровыми (1 или 0). В теле нейрона происходит взвешенное суммирование входных возбуждений, и далее это значение является аргументом активационной функции нейрона.
Технология обучения с учителем НС предполагает наличие двух однотипных множеств:
множество учебных примеров - используется для ''настройки'' НС
множество контрольных примеров - используется для оценки качества работы НС
Элементами
этих двух множеств есть пары
,
где
- входной вектор для обучаемой НС;
- верный (желаемый) выходной вектор для ;
Метод
обучения Видроу-Хоффа известен еще как
дельта-правило
(delta-rule). Этот метод ставит своей целью
минимизацию функции ошибки
в
пространстве весовых коэффициентов.
(3)
где
- количество обработанных НС примеров
- ошибка для
-го примера
- реальный выход НС для -го примера
- желаемый (идеальный) выход НС для -го примера
Минимизация осуществляется методом градиентного спуска
где
Таким образом весовые коэффициенты изменяются по правилу
(4)
Полный алгоритм обучения методом Видроу-Хоффа строится следующим образом:
задать скорость обучения
(
) задать минимальную ошибку сети
; весовые коэффициенты НС инициализируются малыми случайными значениями.
подать на вход НС очередной учебный пример рассчитать выход НС
скорректировать веса
цикл с п.2 пока
(где - суммарная среднеквадратичная ошибка НС)