- •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
Нечітка модель (нм) подання знань
НМ використовують для складних систем, для яких неможливе адекватне математичне моделювання, тобто виконується принцип несумісності („Складність системи і точність, із якою її можна проаналізувати мат. методами, у першому наближенні обернено пропорційні”, Заде, 1965). Замість мат. виразів використовуються якісні лінгвістичні характеристики, оцінки, нечіткі поняття.
Нечіткі знання – це знання, що подані у вигляді висловлювань у нечіткій логіці, або мають не тільки значення істинне і помилкове, але й інші проміжні значення.
Найчастіше використовують 5 значень: Н – низький (0, помилка), НС – нижче середнього, С – середній, ВС – вище за середнє, В – високий (1, істина).
В НМ знання можуть бути представлені 2 способами:
Нечіткими множинами (НМн);
Лінгвістичними змінними (ЛЗ).
НМн – це множина пар
де функція належності НМн , що відображає множину Х в одиничний відрізок [0,1]. Ступінь належності (конкретне значення функції належності для елементів ) - суб’єктивна міра того, наскільки елемент х відповідає поняттю зміст якого формалізується нечіткою множиною .
Нечіткість зображується трапецієвидним нечітким інтервалом:
де і - нижнє і верхнє значення нечіткого інтервалу; і - лівий і правий коефіцієнт нечіткості (довжина абсцис лівої і правої похилих частин трапеції); - висота нечіткого інтервалу.
Операції над НМн:
бінарна одержання мінімуму (логічного перетинання)
бінарна одержання максимуму (логічного об’єднання)
унарна одержання доповнення (запереченя)
Для трапеції видної форми операція перетинання має вигляд:
;
;
;
;
ЛЗ задається кортежем
<A; T(A); P1; P2; Z>
де А - ім’я змінної, Т(А) – множина припустимих значень (терм-множина) змінної А; Р1 – набір синтаксичних правил породження похідних значень ЛЗ на основі значень, що входять до Т(А); Р2 – ділянка визначення значень ЛЗ; Z – набір семантичних значень для відображення ЛЗ у нечіткі множини Х.
Лінгвістичну модель можна створити природною або близькою до неї мовою у вигляді сукупності продукцій них правил ЯКЩО, ТО, що зв’язують вхідні та вихідні ЛЗ.
ЯКЩО Х1 А1,1 та ... Хm А1,m ТО, Y1 С1,1 та ... Ym С1,n
...
ЯКЩО Х1 Аp,1 та ... Хm Аp,m ТО, Y1 Сp,1 та ... Ym Сp,n
де m, n – кількість вхідних та вихідних ЛЗ,
p – кількість правил у лінгвістичній моделі,
Аk,і Ui Сk,j Vj конкретні лінгвістичні значення відповідних вхідних і вихідних змінних у складі k-ого правила
Аk,і Ui Сk,j Vj – множини припустимих лінгвістичних значень для кожної ЛЗ.
НМ подання знань у найбільшому ступені відповідає когнітивній моделі, орієнтованої на опис структури знань людини і дозволяє одержати якісне (нечисленне) розв’язання з малими затратами пам’яті при високій швидкодії.
Штучні нейронні мережі (шнм)
Інтелектуальні системи на основі ШНМ дозволяють вирішувати проблеми розпізнавання образів, виконання прогнозів, оптимізації, асоціативній пам'яті і керування. ШНМ є електронними моделями нейронної структури мозку. Характеристики мозку, що відсутні в сучасних комп'ютерах:
розподілене представлення інформації і паралельні обчислення;
здатність до навчання і здатність до узагальнення;
адаптивність;
толерантність до помилок
низьке енергоспоживання.
Перші спроби створити ШНМ були зроблені у 1943 р. В 1959 р. розробили перші дієздатні моделі ADALINE та MADALINE (Множинні Адаптивні Лінійні Елементи ), та перцептрон. Сьогодні дослідження скеровані на програмні та апаратні реалізації ШНМ. (Основні типи нейрочипів: цифровий, аналоговий, оптичний)