- •Охарактеризуйте основные теоретические проблемы искусственного интеллекта.
- •Назовите основные сферы приложения искусственного интеллекта и охарактеризуйте их.
- •3.Дайте определения понятиям "знание" и "данные" и укажите их различие
- •4.Назовите основные признаки знаний и дайте им определения.
- •5.Логическая модель представления знаний (предикатная функция).
- •6. Семантические сети.
- •7.Фреймы и их свойства
- •8. Продукционное правило (структура).
- •12. Основные компоненты системы продукций и связь между ними.
- •13.Стратегии управления в системах продукций
- •14.Определение предложения (клаузы)
- •16.Основные этапы тождественных преобразований исходной формулы во множество предложений (Клауз)
- •17.Унификация (основные правила)
- •Другими словами, помня, что
- •18.Система доказательств в системе опровержения на основе резолюции
- •19.Вычисление коэффициентов определенности посылок и заключений.
- •20. Вычисление коэффициентов определенности для заключений, поддерживаемых множеством правил.
- •Перемножив все компоненты этой формулы, мы увидим, что
- •21.Основные принципы дедукции на основе байесовского подхода
- •22.Учет нескольких признаков при расчете вероятности гипотезы
- •23. Для чего и как рассчитывается цена свидетельств?
- •25.Формулировка задачи обучения
- •26. Основные направления в области обучения.
- •27. Типы задач обучения на примерах.
- •28. Итеративный алгоритм обучения на примерах.
- •29. Адаптация, основные понятия и определения.
- •30. Параметрическая адаптация.
- •31.Поисковая адаптация.
- •32.Структура общего алгоритма адаптивного процесса.
- •33.Коллективная адаптация.
- •34.Распознавание образов основные понятия и определения.
- •35.Типы решаемых задач в распознавании образов.
- •36.Классификация основных методов, используемых при распознавании образов.
- •37.Гипотеза компактности.
- •38.Детерминированные методы распознавания образов.
- •39.Статистический метод распознавания.
- •40.Структурные (лингвистические) методы распознавания.
37.Гипотеза компактности.
В пространстве признаков в качестве решения задачи распознавания будем рассматривать построение некоторой поверхности, отделяющей коды объектов различных образов друг от друга. Эта поверхность не обязательно связна. Такой подход использует предположение, что в пространстве признаков изображения, принадлежащие одному и тому же образу, близки, а изображения, принадлежащие различным образам, хорошо различимы друг от друга. Такое предположение составляет сущность гипотезы компактности.
Гипотеза компактности предполагает:
Любые две внутренние точки пространства признаков, принадлежащие одному и тому же образу (классу), можно соединить достаточно гладкой кривой, все точки которой будут принадлежать тому же образу.
Почти все внутренние точки, принадлежащие образу, в достаточно большой окрестности имеют изображение только из своего класса.
Число граничных точек мало.
Эта гипотеза в большинстве случаев находит свое подтверждение.
38.Детерминированные методы распознавания образов.
Детерминированные системы. В этих системах для построения алгоритмов распознавания используются «геометрические» меры близости, основанные на измерении расстояний между распознаваемым объектом и эталонами классов. В общем случае применение детерминированных методов распознавания предусматривает наличие координат эталонов классов в признаковом пространстве либо координат объектов, принадлежащих соответствующим классам.
Пусть задано пространство признаков Х размерности n1. Точками этого пространства являются изображениями p=(х1,х2,…xn). Пусть известно число L классов (образов) К1, К2, …, КL, к которым могут относиться всевозможные изображения p на Х. Пусть также для некоторых изображений p из пространства Х известны классы (образы), к которым они принадлежат, т.е. априори для каждого класса Ki задается подмножество изображений Рi. Совокупность таких подмножеств изображений называют обучающей последовательностью.
В работе рассматривается детерминистская постановка задачи распознавания, подразумевающая задачу отыскания разбиения пространства признаков Х на L взаимно непересекающихся областей, каждая из которых соответствует некоторому классу (образу) Ki. Построение искомого разбиения, т.е. обучение, производится исходя из обучающей последовательности. В основе решения этой задачи лежит метод разделяющей функции. Будем считать, что L=2.
Постановка задачи. Будем искать две разделяющие функции D1 и D2, такие, что на всех изображениях первого класса выполняется неравенство D1>D2, а на всех изображениях второго класса - D1<D2. Пусть d1=(D (x)-D2(x)) для всех xK1, а d2=(D2(x)-D1(x)) для всех xK2 . Тогда цель оптимизации – максимизации показателя f = d1 + d2.
Для построения разделяющих функций D1 и D2 в работе используются методы генетического программирования.
В генетическом программировании (ГП) в качестве хромосом используются деревья. Деревья в ГП составлены из узлов двух типов, узлов операторов и узлов терминалов. Узлы операторов - внутренние вершины дерева обычно соответствуют элементарным функциям.
Структуры хромосом для деревьев Введём алфавит A = {O , }. Структуру бинарного дерева можно задать, используя на базе алфавита A польское выражение, где O соответствует листьям дерева, а – соответствует внутренним вершинам дерева. Каждая внутренняя вершина подвергается бинарному ветвлению.
Процесс восстановления дерева по польскому выражению достаточно прост. Последовательно, слева направо просматривается польское выражение и отыскиваются буквы типа , соответствующие внутренним вершинам. Каждая внутренняя вершина объединяет два ближайших подграфа, сформированных на предыдущих шагах и расположенных в польской записи слева от знака .
Цель генетического поиска-нахождение такой пары хромосом,для которых критерий f имеет максимальное значение.