- •Экзаменационный билет № 3
- •1. Формальное определение нечеткого множества. Способы задания функции принадлежности. Примеры.
- •2. Обучение с учителем. Примеры инс, в которых реализован данный механизм. Применение в нечеткой среде.
- •Обучение с учителем
- •Экзаменационный билет № 4
- •1. Характеристики нечетких множеств. Основные операции над нечеткими множествами. Привести примеры. Основные характеристики нечетких множеств
- •Операции над нечеткими множествами
- •2. Принятие решений в условиях неопределенности.
Обучение с учителем
Считается, что концепция обучения с учителем реализует кибернетический принцип обратной связи. Ее используют для решения определенного класса задач, таких как прогнозирование и классификация. Предполагается, что существует некоторое количество наблюдений, для которых уже заданы значения целевого признака. Для задач прогнозирования целевой признак – это значения прогнозируемого показателя в настоящем и в прошлом, а для задач классификации – класс, к которому принадлежит наблюдение. Другими словами, для некоторого числа наблюдений правильный ответ уже известен (и выступает в роли учителя). Тогда использование нейронной сети позволяет обнаружить закономерности в данных. Если поступает новое наблюдение, для которого целевой признак не известен, то согласно выявленным закономерностям можно спрогнозировать следующие значения целевых признаков или определить класс, к которому наблюдение относится. Для обучения с учителем очень часто используется метод обратного распространения ошибки. Частные виды моделей нейронных сетей, обучаемых с учителем, – это рекуррентные сети] и сети Хопфилда
Искусственные нейро-нечеткие сети (ННС) нашли широкое применение на практике при решении задач диагностики и прогнозирования, а также распознавания образов благодаря таким их свойствам, как способность обучаться по примерам, возможность интеграции априорных экспертных знаний в структуру сети, массированный параллелизм вычислений, простота реализации, а также возможность использования построенной модели для извлечения знаний из данных. Поскольку нечеткие множества описываются функциями принадлежности, а t-нормы и k-нормы обычными математическими операциями, можно представить нечеткие логические рассуждения в виде нейронной сети. Для этого функции принадлежности надо интерпретировать как функции активации нейронов, передачу сигналов как связи, а логические t-нормы и k-нормы, как специальные виды нейронов, выполняющие математические соответствующие операции. Существует большое разнообразие подобных нейро-нечетких сетей neuro-fuzzy network (англ.) . Например, ANFIS ( Adaptive Neuro fuzzy Inference System) - адаптивная нейро-нечеткая система вывода.
Экзаменационный билет № 4
1. Характеристики нечетких множеств. Основные операции над нечеткими множествами. Привести примеры. Основные характеристики нечетких множеств
Пусть нечёткое множество с элементами из универсального множества и множеством принадлежностей . Тогда:
Носителем (суппортом) нечёткого множества называется множество .
Величина называется высотой нечёткого множества . Нечёткое множество нормально, если его высота равна . Если высота строго меньше , нечёткое множество называется субнормальным.
Нечёткое множество пусто, если . Непустое субнормальное нечёткое множество можно нормализовать по формуле:
.
Нечёткое множество унимодально, если только на одном из .
Элементы , для которых , называются точками перехода нечёткого множества .
Операции над нечеткими множествами
1.объединение 2.пересечение
3.дополнение 4.концентрация
5.размывание (или размытие)
При
Пересечением нечётких множеств и называется наибольшее нечёткое подмножество, содержащееся одновременно в и :
Произведением нечётких множеств и называется нечёткое подмножество с функцией принадлежности:
Объединением нечётких множеств и называется наименьшее нечёткое подмножество, содержащее элементы или :
Суммой нечётких множеств и называется нечёткое подмножество с функцией принадлежности:
Отрицанием множества называется множество с функцией принадлежности:
для каждого .