- •19. Экспертные системы. База знаний, механизм вывода, механизмы приобретения и объяснения знаний.
- •20. Экспертные системы. Примеры практических экспертных систем.
- •21. Экспертные системы. Формализация этапов экспертной деятельности.
- •22. Экспертные системы. Инженерия знаний.
- •23. Экспертные системы. Организация базы знаний. Продукционная модель для представления знаний.
- •24. Экспертные системы. Семантические сети для представления знаний.
- •25. Экспертные системы. Жизненный цикл экспертной системы
- •Формализация.
- •Реализация
- •Тестирование
- •26. Нейронные сети. Понятие нейронной сети
- •27. Нейронные сети как тип моделей ии. Применение нс
- •28. Нейронные сети. Структура и функции нейрона.
- •29. Нейронные сети. Модель искусственного нейрона.
- •30 Нейронные сети. Элементная база нейрокомпьютеров- аналоговая, цифровая, гибридная. Стандартные процессоры обработки сигналов.
- •31 Нейронные сети. Преимущества и недостатки различных типов элементной базы аппаратных нейрокомпьютеров.
- •32 Нейронные сети. Нейро-эмуляторы, их преимущества и недостатки.
- •33 Нейронные сети. Секторы рынка нейросетевых программных продуктов: нейро-пакеты и готовые решения на основе нейросетей.
- •34 Нейронные сети. Инструменты разработки нейроприложений.
- •35 Нейронные сети. Классификация базовых нейроархитектур по типу связей и типу обучения
- •36. Нейронные сети. Методы обучения нс. Машинное обучение
- •37. Нейронные сети. Обучение с учителем. Эффекты обобщения и переобучения
- •38. Нейронные сети. Персептроны: архитектура, возможности и решаемые задачи.
- •39. Нейронные сети. Однонаправленные многослойные нейронные сети
- •48 Генетический алгоритм. Мутация, ее роль в алгоритме. Механизмы реализации процесса мутации.
- •49 Генетический алгоритм. Методы скрещивания, применяемые в генетических алгоритмах и их эффективность.
- •50 Генетический алгоритм. Способы реализации отбора и их эффективность.
- •51 Генетический алгоритм. Метод штрафных функций.
39. Нейронные сети. Однонаправленные многослойные нейронные сети
Многослойные однонаправленные сети
Такие сети называются также сетями прямого распространения, или многослойными персептронами.
Сети этого типа состоят из нескольких слоев нейронов: входного слоя, выходного и нескольких «скрытых слоев». На рис. изображена сеть, у которой К слоев. Нейроны каждого слоя не связаны между собой. Выходной сигнал с каждого нейрона поступает на входы всех нейронов следующего слоя. Нейроны входного слоя не осуществляют преобразования входных сигналов, их функция заключается в распределении этих сигналов между нейронами первого скрытого слоя.
Функционирование многослойной сети осуществляется следующим образом: входной сигнал, подаваемый на сеть, поступает на нейроны входного слоя, проходит по очереди через все слои и снимается с выходов нейронов выходного слоя. По мере распространения сигнала по сети он претерпевает ряд преобразований, которые зависят от его начального значения, от преобразующих функций и величин весов связей.
Многослойный перцептрон представляет собой классический пример однонаправленной нейронной сети, т. е. нейронной сети, в которой отсутствуют как обратные воздействия сигналов выходных нейронов на вход сети, так и межсоединения между нейронами одного и того же слоя.
48 Генетический алгоритм. Мутация, ее роль в алгоритме. Механизмы реализации процесса мутации.
Мутация
Принято считать что репродукция в генетическом алгоритме является основны поисковым механизмом, а мутация позмоляет лишь внести в процесс некоторую случайность, что понижает вероятность застревания алгоритма в локальных решениях. Однако кроме этой метафоры существует множество других. Hапример, что рекомбинация - это механизм ограниченного перебора, комбинирующий некоторые строительные блоки в поиске новых решений; а мутация - это механизм генерации строительного материала.
Как бы то нибыло, с уверенностью можно сказать лишь одно - опыты показывают необходимость присутствия обоих механизмов в алгоритме. При этом В большенстве экспериментов оператор мутации применяется к потомку с заданной вероятностью, причем величина вероятности выбирается давольно малой - порядка 0,01.
Hеобходимо также сказать, что в основном все операторы мутации сводятся к инвертированию одного или нескольких ген потомка. Это справедливо только для бинарного кодирования хромосом. В случае других способов кодирования мутация гена требует либо случайного выбора из заданного множества вариантов (случай алфавитного кодирования) либо специальных алгоритмов.
Одноточечная мутация
В этом варианте оператора мутации в потомке случайно выбирается один ген и мутируется. По своему опыту могу сказать что это крайне не эффективный подход, т.к. во многих задачах изменение одного гена не позволяет выйти решению из локального оптимума. Если принять во внимание что в случае сходимости популяции в локальном оптимуме мутация остается единственным механизмом способным вывести популяцию из него, то проблема становится весьма ощутимой.
Плотность мутации
Стратегия мутации с использованием понятия "плотности" заключается в мутировании каждого гена потомка с заданной вероятностью. Таким образом, кроме вероятности применения мутации к самому потомку используется еще вероятность применения мутации к каждому его гену, величину которой выбирают с таким расчетом, чтобы в среднем мутировало от 1 до 10 процентов ген.
Инцест
В нескольких своих работах я предложил использовать стратегию инцеста (хотя возможно не я первый её придумал :) как механизм самоадаптации оператора мутации. Она заключается в том, что "плотность мутации" (вероятность мутации каждого гена) определяется для каждого потомка на основании генетической близости его родителей. Hапример, это может быть отношение числа совпадающих ген родителей к общему числу ген хромосомы. Это приводит к очень интересному эффекту - при высоком разнообразии генофонда популяции (первые шаги ГА) последствия мутации будут минимальными, что позволяет репродукции работать без стороннего вмешательства. В случае же понижения разнообразия, что возникает в основном при застревании алгоритма в локальном оптимуме, последствия мутации становятся более ощутимыми, а при полном схождении популяции алгоритм просто становится стахостическим, что увеличивает вероятность выхода популяции из локального оптимума.