- •Суми 2009
- •Напрямки робіт у галузі ші
- •Когнітивні процеси
- •Загальна структура смислового простору
- •Поняття знань.
- •Схеми проблем
- •Евристичні моделі подання знань.
- •1. Продукційне подання знань
- •2. Мережна модель (мм)
- •3. Подання знань у вигляді фреймів
- •Логічні моделі(лм) подання знань
- •1. Логіка висловлювань
- •Нечітка модель (нм) подання знань
- •Штучні нейронні мережі (шнм)
- •Біологічний нейрон
- •Штучний нейрон
- •Штучна нейромережа
- •Стратегії та методи виведення знань
- •І. Виведення за аналогією (вза)
- •Іі. Індуктивне умовиведення (ів)
- •Ііі. Виведення на основі категоріальних знань (вкз)
- •1. Концептуальні умовиводи (ку)
- •2. Дедуктивне виведення
- •2. 1. Виведення в продукційних системах (пс)
- •2.2. Виведення в умовах невизначеності (вун)
- •2.3. Виведення в семантичних мережах(см)
- •2.4. Виведення в мережах фреймів (мф)
- •2.5. Виведення в логічних системах (лс)
- •2.6. Метод резолюції
- •1. Нечітке виведення (нв)
- •1.1.Формування нечіткого логічного висновку:
- •2. Штучні нейронні мережі (шнм). Нейропарадигми.
- •2. 1. Процес навчання
- •2.2. Алгоритм навчання хебба
- •2.3. Алгоритм навчання кохонена
- •2.4. Алгоритм навчання процедурою зворотного поширення помилки
- •3. Експертні системи. Основні визначення
- •3.Класифікація експертних систем (ес)
- •4. Архітектура ес
- •2. Методи машинного навчання
- •2.1. Індуктивне навчання (ін)
- •2.2. Навчання формування гіпотез на основі зростаючих пірамідальних мереж
- •1. Стан і тенденції розвитку штучного інтелекту
- •2. Успіхи систем штучного інтелекту і їхньої причини
- •3. Експертні системи реального часу - основний напрямок штучного інтелекту
- •4. Основні виробники
- •5. Архітектура експертної системи реального часу
- •6. Розширення прототипу до додатка
- •7. Тестування додатка на наявність помилок
- •8. Тестування логіки додатка й обмежень (за часом і пам'яттю)
- •9. Супровід додатка
- •2. Стисла історія розвитку систем підтримки прийняття рішень
- •2.1. Зародження і розвиток концепції сппр
- •2.2. Теорія розроблення сппр
- •2.3. Розширення рамок сппр
- •2.4. Технологічні просування
- •3. Цілі сппр та чинники,що сприяють їх досягненню
- •4. Посилення конкурентної переваги завдяки сппр
- •1. Еволюція концепції і структури сппр
- •2. Способи взаємодії особи, що приймає рішення, з сппр
- •3. Еволюція сппр
- •4. Характеристика сучасних сппр
- •5. Підсистеми програмного забезпечення сппр
- •1. Галузі застосування сппр
- •2. Приклади застосування сппр
- •3. Сппр Marketing Expert
- •4. Сппр Decision Grid
- •5. Сппр RealPlan
- •6. Сппр tax advisor
- •7. Сппр Advanced Scout
- •8. Система бізнесової інформації(Business Intelligence) FedEx
- •9. Сппр ShopKo
- •1. Архітектура систем підтримки прийняття рішень
- •2. Компоненти користувацького інтерфейсу
- •2.1. Призначення та загальні ознаки користувацького інтерфейсу
- •2.1.1. Важливість та ефективність користувацького інтерфейсу сппр
- •2.1.2. Основні теми та механізмистворення користувацького інтерфейсу
- •2.1.3. Загальні висновки щодо користувацького інтерфейсу
- •2.1.4. Компоненти мови відображень (презентацій)
- •2.1.4. Роль знань у користувацькому інтерфейсі
- •2.1.5. Питання проектування користувацького інтерфейсу
- •Тема: Класифікаційні групи та моделі систем підтримки прийняття рішень.
- •1. Класифікація на основі інструментального підходу
- •2. Класифікація за ступенем залежності опр у процесі прийняття рішень
- •3. Класифікація за часовим горизонтом
- •Характеристика інформаціїдля різних управлінських рівнів
- •4. Інституційні сппр та сппр на даний випадок
- •1. Моделі в аспекті інформаційного підходу
- •2. Модель, основана на знаннях
- •3. Модель єрархії управління
- •4. Моделі, орієнтовані на особистість опр
- •Характерні аспекти процесів оброблення інформації людиною
- •5. Моделі для планування та прогнозування
- •6. Модель для конторської діяльності
- •1. Облікові і фінансові моделі
- •1.1. Аналіз беззбитковості
- •1.2. Моделі фінансового планування
- •1.3. Орієнтовні фінансові звіти (баланси)
- •1.4. Аналіз на основі розрахунку коефіцієнтів за даними звітності
- •2. Моделі аналізу рішень
- •2.1. Аналітичний єрархічний процес (ahp)
- •2.2. Дерева рішень і моделі багатоатрибутної корисності
- •2.3. Діаграми впливу
- •2.4. Прийняття ризикованих рішень за допомогою функції вигідності
- •3. Моделі прогнозування
- •4. Сітьові і оптимізаційні моделі
- •5. Імітаційні (симуляційні) моделі
- •6. Мови моделювання і електронні таблиці
- •1. Стратегія оцінювання і вибору методів підтримки прийняття рішень у сппр
- •2. Процес прийняття рішень
- •3. Ситуації, пов’язані з прийняттям рішень
- •4. Функції і завдання прийняття рішень
- •5. Узагальнена матриця методів/ситуацій, пов’язаних з прийняттям рішень
- •1. Генетичні успадкування — концептуальна засада генетичних алгоритмів
- •2. Загальна схема генетичних алгоритмів
- •3. Доступне програмне забезпечення генетичних алгоритмів
- •1. Визначення виконавчих інформаційних систем
- •2. Призначення віс
- •3. Визначальні характеристики віс
- •Інформаційні потреби опр, реалізовані засобами віс
- •Вимоги щодо моделювання у віс
- •Вимоги щодо користувацького інтерфейсу віс
1. Нечітке виведення (нв)
С труктура НВ складається з фазифікації (перетворення вхідних сигналів у нечітку форму), формування нечіткого логічного висновку, дефазифікації (формування чіткого керуючого висловлення).
Фазифікація:
Потрібна тому, що вхідні параметри існують у різних чітких формах (частина у формі, природної для користувача, частина з датчиків). Змінні за певними правилами повинні бути перетворені в значення функції належності μ(p), які повинні мати єдиний діапазон змінювання (найчастіше це [0..1]). Щоб задовольнити останній вимозі використовують масштабування:
,
де pi – машинна змінна, xi, xн, хв. – обмірюване, нижнє і верхнє значення діапазону зміни сигналу, k- коефіцієнт.
На підставі машинних змінних обчислюються значення функції належності μ(p).
припустимо, що нечіткі множини (НМн), які беруть учать в операції, задані на ділянці визначення з однаковим кроком Δ, тобто
Ефективність застосування подібних моделей, формованих експертами на основі особистого досвіду, багато в чому залежить від кількості термів і використовуваних лінгвістичних змінних (ЛЗ) і від виду відповідних функцій належності. ЛЗ повинні мати терм –множину, що складається з 2-12 елементів, де два елементи потрібні для опису двійкових об’єктів.
Функції належності, що використовуються для опису терм-множини T={Ti}, i L{1..m}, деякої ЛЗ i з ділянкоюU R визначення на множині дійсних чисел, через свою семантику повинні формуватися з урахування специфічних вимог:
|
(1) |
(2) |
|
(3) |
Функції приналежності крайніх термів мають форму уполовиненого вигляду;
Існує хоча б один типовий представник кожного поняття;
Не існують такі ділянки області визначення, яким не відповідають ніякі поняття або в яких існують нерозмежованих понять.
1.1.Формування нечіткого логічного висновку:
Основним інструментом є композиція – операція над нечіткими відношеннями:
Для лігвістичної моделі сукупність продукційних правил задає деяке відображення множини вхідних лінгвістичних змінних (ЛЗ) в множину вихідних: , де , . Чому можна поставити у відповідність нечітке відображення
, де , , .
Тоді з правила modus ponens (з класичної логіки: Посилання 1: ЯКЩО Х є А, ТО Y є C. Посилання 2: Х є A. Висновок: Y є C.) можна отримати композиційне правило для нечіткої логіки:
де - вихідне посилання, отримане фазифікацією вхідних даних, - нечіткий результат логічного виведення (А’ і В’ – твердження близькі до А і В відповідно) .
Приклад: Дано нечітке правило "ЯКЩО x= , ТО у= " з нечіткими множинами:
={(0, 1), (0.1, 2), (0.5, 3), (0.8, 4), (1, 5)} та = {(1, 5), (0.8, 10), (0.4, 15), (0.2, 20)}.
Розрахувати значення вихідної змінної у, якщо x= = {(0.3, 1), (0.5, 2), (1, 3), (0.7, 4), (0.4, 5)}.
Спочатку розрахуємо нечітке відношення, що відповідає правилу " ЯКЩО x= , ТО у= ":
Тепер, по формулі розрахуємо нечітке значення вихідної змінної:
у = {( , B1),()...(),( , B4)}=
={(0.7, 5), (0.7, 10), (0.4, 15), (0.2, 20)}
Дефазифікація:
Процедура перетворення НМн в чітке число а (чітке керуюче висловлювання), аналог знаходження характеристик положення (математичного очікування, моди, медіани) випадкових величин в теорії ймовірності. Найпростішим способом виконання процедури дефазифікації є вибір чіткого числа, що відповідає максимуму функції належності. Але застосування цього способу можливе лише для одноекстремальних функцій належності. Для багатоекстремальних функцій належності використовуються такі методи дефазифікації:
а) “центру ваги”
Фізичним аналогом даної формули є знаходження центру ваги плоскої фігури, обмеженої осями координат і графіком функції належності.
б) “медіани”
Геометричною інтерпретацією метода медіани є знаходження такої точки на оси абсцис, що перпендикуляр, проведений в цій точці, поділяє площину під кривою функції належності на дві рівні частини.
в) “центру максимумів”, за яким знаходиться середнє арифметичне елементів універсальної множини G, які мають максимальні ступені належностей.
,
де - потужність множини G.
Приклад: Провести дефазифікацію нечіткої множини = {(0.3, 1), (0.5, 2), (1, 3), (0.7, 4), (0.4, 5)}. по методу центру ваги.
3,66.