- •Системы искусственного интеллекта
- •1. Общие понятия об искусственном интеллекте.
- •1.1. Предмет исследования искусственного интеллекта.
- •1.2. Проблемы искусственного интеллекта.
- •1.3. История развития систем искусственного интеллекта.
- •1.4. Подходы к построению систем искусственного интеллекта.
- •2. Знания в системах искусственного интеллекта.
- •2.1. Понятие и виды знаний.
- •2.2. Системы баз знаний.
- •2.3. Онтологии.
- •2.4. Методы представления знаний.
- •2.5. Методы приобретения знаний.
- •3. Экспертные системы.
- •3.1. Базовые понятия.
- •3.2. Методика построения эс.
- •4. Искусственная жизнь.
- •4.1. Генетические алгоритмы.
- •4.2. Клеточные автоматы.
- •5. Распознавание образов.
- •5.1. Понятие образа.
- •5.2. Проблема обучения распознаванию образов.
- •5.3. Гипотеза компактности.
- •5.4. Подходы к распознаванию образов.
- •5.5. Обучение и самообучение распознаванию образов.
- •6. Методы обучения распознаванию образов.
- •6.1. Кластерный анализ структуры многомерных данных.
- •6.1.1. Основные понятия кластерного анализа.
- •6.1.2. Общая схема кластеризации.
- •6.1.3. Методы кластеризации.
- •6.2. Метод потенциальных функций.
- •6.3. Метод предельных упрощений.
- •6.4. Коллективы решающих правил.
- •6.5. Метод группового учета аргументов.
6.5. Метод группового учета аргументов.
Алгоритмы МГУА воспроизводят схему массовой селекции.
Так называемое «полное» описание объекта y = F(x1, x2, ,xm), где F – некоторая функция (например, степенной полином) заменяется несколькими рядами «частных» описаний:
1-ряд селекции: y1= f(x1x2), y2= f(x1x3),..., ys= f(xm-1xm),
2-ряд селекции: z1= f(y1y2), z2= f(y1y3),..., zp= f(ys-1ys),
где f – некоторая простая функция (например, квадратичная форма);
s = c2, p = cs2 и т.д., с – увеличение поля.
Каждое частное описание является функцией только двух переменных. Поэтому коэффициенты такого регрессионного уравнения легко определяются даже по небольшому числу наблюдений обучающей последовательности методом наименьших квадратов.
Входные аргументы и промежуточные переменные сопрягаются попарно, и сложность комбинаций на каждом ряду обработки информации возрастает. Общая результирующая сложность модели зависит вида частного описания f и количества рядов селекции.
Из ряда в ряд селекции пропускается только некоторое количество самых регулярных (качественных) частных описаний. Степень регулярности оценивается по величине среднеквадратичной ошибки на отдельной проверочной последовательности данных. Ряды селекции наращиваются до тех пор, пока регулярность повышается.