- •1. Понятия «система».
- •2. Понятия, «информация», «неопределенность»
- •3. Особенности и признаки интеллектуальных информационных систем
- •4. Функции информационных систем. Двойственная природа знаний, используемых в информационных системах
- •5. Способы объединения операционного и фактуального знания в традиционных информационных системах.
- •6. Способы объединения операционного и фактуального знания в интеллектуальных информационных системах. Сравнение с традиционными системами
- •7. Интеллектуальные информационные системы с базами данных
- •8. Интеллектуальные информационные системы, основанные на моделях
- •9.Понятия «предметная область» и «проблемная область»
- •Представление знаний.
- •Поведение.
- •10.Признаки интеллектуальности информационных систем
- •Понятие «искусственный интеллект (ии)». Задачи ии. История развития и основные этапы исследований по ии.
- •Основные направления исследований в области искусственного интеллекта (задачи)
- •13.Системы с интеллектуальным интерфейсом
- •14. Системы с естественно-языковым интерфейсом
- •15.Интеллектуальные базы данных. Гипертекстовые системы. Системы контекстной помощи
- •16. Системы когнитивной графики (общая характеристика)
- •19. Способы обучения в интеллектуальных системах
- •20. Индуктивные системы (основные понятия). Системы, основанные на прецедентах (общая характеристика)
- •21.Нейронные сети (основные понятия)
- •22.Хранилища данных
- •Дизайн хранилищ данных
- •Процессы работы с данными
- •23.Адаптивные информационные системы
- •24.Формализация и неформальные знания.Понятие “’экспертная система”.
- •25. Основные особенности экспертных систем. Основные модели представления знаний в классических экспертных системах
- •26. Структура экспертной системы
- •29. Общая характеристика математического аппарата теории нечетких множеств.
- •30. Основные идеи теории нечетких множеств. Сравнение обычных и нечетких множеств.
- •31. Операции над нечеткими множествами (кроме алгебраических)
- •33. Нечеткая и лингвистическая переменные.
- •34. Нечеткие отношения
- •35. Операции над нечеткими отношениями
- •36. Операции композиции нечетких отношений и нечеткой импликации, их значение для нечеткого логического вывода.
- •37. Нечеткий логический вывод.
- •38. Особенности нечеткого логического вывода по Мамдани и Ларсену.
- •Алгоритм Мамдани
- •40. Основные проблемы, решаемые при помощи искусственных нейронных сетей.
- •42. Понятие и основные идеи коннекционизма
- •43. Схема формального нейрона. Роль его составных частей
- •44. Функции активации формального нейрона, их смысл и основные виды.
- •1. Жесткая ступенька :
- •3. Гиперболический тангенс
- •4. Пологая ступенька
- •5. Экспонента:
- •7. Участки синусоиды:
- •8. Гауссова кривая:
- •Сравнение ветвей компьютерной эволюции
- •Архитектура нейронных сетей. Понятие, основные виды. Примеры
- •(Звезды Гроссберга, модели Липпмана-Хемминга)
- •Обучение нейронных сетей, сущность и основные алгоритмы обучения
- •Обучение нейронных сетей как задача оптимизации.
37. Нечеткий логический вывод.
Нечетким логическим выводом называется получение заключения в виде нечеткого множества, соответствующего текущим значениях входов, с использованием нечеткой базы знаний и нечетких операций.
Основу нечеткого логического вывода составляет композиционное правило Заде.
Композиционное
правило вывода Заде формулируется
следующим образом: если известно нечеткое
отношение
между
входной (x) и выходной (y) переменными, то
при нечетком значении входной переменной
,
нечеткое значения выходной переменной
определяется так:
,
где
-
максминая композиция.
В общем случае механизм логического вывода включает четыре этапа: введение нечеткости (фазификация), нечеткий вывод, композиция и приведение к четкости, или дефазификация (см. рисунок 1).
Рисунок 1. Система нечеткого логического вывода.
Пример 12.
Дано нечеткое правило "Если
,
то
"
с нечеткими множествами:
и
.
Определить значение выходной переменной
,
если
.
В начале рассчитаем нечеткое отношение, соответствующее правилу "Если , то ", применяя в качестве t-нормы операцию нахождения минимума:
.
Теперь,
по формуле
рассчитаем
нечеткое значение выходной переменной:
.
38. Особенности нечеткого логического вывода по Мамдани и Ларсену.
Нечеткие алгоритмы — это упорядоченное множество нечетких инструкций (правил) в формулировки которых содержатся нечеткие указания (термы). Например: нечеткие алгоритмы могут включать в себя такие инструкции: а) х≈5; б) х очень мало; в) слегка увеличить х; г) если х находится в интервале (a,b), то выбрать у в интервале (c,d); д) если х малое, то у большое, иначе у не большое.
Методы нечеткой логики есть правила формирования результирующей функции принадлежности при выполнении одного или нескольких нечетких правил. Одним из методов является метод максимума-минимума (метод Мамдани):
· для одного простого правила
П1: если температура низкая, то охлаждающий винтиль полуоткрыт.
Предположим поступило измерение T=180С
· для одного фокусирующего правила (для логической связи «И»)
П2: если Т = низкая и влажность = средняя, то винтиль = полуоткрыт.
В логическом выводе минимум функции принадлежности «отсекается» по высоте соответствующей вычисленной степени истинности предпосылки правила
· для нескольких правил
П1: если Т = низкая ИЛИ влажность = средняя, то винтиль = полуоткрыт;
П2: если Т= низкая И влажность = высокая, то винтиль = полуоткрыт.
Необходимо определить четкое значение входного параметра на основе правил и четкого значения температуры и правил.
Алгоритм Мамдани
Данный
алгоритм описывает несколько
последовательно выполняющихся этапов
(рис. 3). При этом каждый последующий этап
получает на вход значения полученные
на предыдущем шаге.
Рис.
3. Диаграмма деятельности процесса
нечеткого вывода
Алгоритм
примечателен тем, что он работает по
принципу «черного ящика». На вход
поступают количественные значения, на
выходе они же. На промежуточных этапах
используется аппарат нечеткой логики
и теория нечетких множеств. В этом и
состоит элегантность использования
нечетких систем. Можно манипулировать
привычными числовыми данными, но при
этом использовать гибкие возможности,
которые предоставляют системы нечеткого
вывода.
Для реализации алгоритма
использовался объектно-ориентированный
подход.
При использовании метода максимума-произведения (Ларсен) в логическом выводе производится пропорциональное уменьшение в значении функции принадлежности. Функция принадлежности вывода масштабируется при помощи вычисленной степени предпосылки правил. Пример.
П1: Если Температура (Т) — низкая И Влажность (F) — средняя, то вентиль полуоткрыт.
П2: Если Температура (Т) — низкая И Влажность (F) — высокая, то вентиль закрыт.
НЛВ: Метод максимума произведения (Ларсен);
39. Способы дефазификации результатов нечеткого вывода.
Трансформировать
нечеткое множество
в
точечное решение
можно
многими способами:
1. Дефазификация относительно центра области
или
2. Дефазификация относительно среднего центра
где
-
центр
-го
нечеткого правила,
-
соответствующая функция принадлежности.
3. Дефазификация относительно среднего максимума
где
-
количество точек, в которых
достигает
максимального значения. Если функция
имеет
максимальное значение только в одной
точке, то
4. выбирается минимальное из максимальных значений :
-
наименьшее из
,
для которых
.
5. выбирается максимальное из максимальных значений:
-
наибольшее из
,
для которых
.
(Метод максимума.
Выбирается тот элемент нечеткого множества, который имеет максимальную степень принадлежности.
«–»: неудобен для функции, максимумом которой явл-ся интеграл.
Метод левого «правого» максимума.
Выбирается наименьшее (наибольшее) значение для всех элементов имеющих максимальную степень принадлежности.
3) Метод среднего из максимумов.
В качестве решения принимается среднее арифметическое координат локальных максимумов.
4) Метод центра тяжести.
В качестве решения выбирается абсцисса центра тяжести площади, расположенной под результирующей функцией принадлежности.
5) Модифицированный метод центра тяжести (высотная дефаззификация).)))))
