- •1. Определение ии. Определение слабоформализуемых задач и их примеры. Определение сложных систем.[1/1]
- •2. История развития исследований в области ии.[1/1]
- •3. Основные свойства естественного интеллекта (еи).[1/1]
- •4. Основные направления исследований в области ии. Две точки зрения на развитие сии. [1/1]
- •5. Нечеткая логика. Краткие исторические сведения. Аспекты неполноты информации [1/1]
- •6. Определения четких и нечетких множеств. Определение нечеткого множества. Функция принадлежности. Примеры нечетких дискретных и непрерывных множеств. [1/2]
- •7. Основные свойства нечетких множеств. Нечеткое число и нечеткий интервал.[1/3]
- •*7. Основные свойства нечетких множеств. Нечеткое число и нечеткий интервал.[2/3]
- •*7. Основные свойства нечетких множеств. Нечеткое число и нечеткий интервал.[3/3]
- •8. Понятия фаззификации, дефаззификации, лингвистической переменной. Пример. [1/1]
- •9. Операции с нечеткими множествами (эквивалентность, включение, нечеткая операция «и», «или», «не»). [1/2]
- •10.Обобщение операций пересечения и объединения в классе т-норм и s-конорм[1/2].
- •11. Нечеткие отношения. Композиционные правила (max-min) и (max-prod). Примеры. [1/1]
- •12. Нечеткие алгоритмы. Обобщенная схема процедуры нечеткого логического вывода. [1/2]
- •13. Нечеткие алгоритмы. Метод максимума-минимума (метод Мамдани) как метод нечеткого логического вывода (изложение необходимо сопроводить примером). [1/2]
- •14. Нечеткие алгоритмы. Метод максимума-произведения (метод Ларсена) как метод нечеткого логического вывода (изложение необходимо сопроводить примером)[1/1].
- •15.Методы дефаззификации[1/1].
- •16.Процедура (схема) нечеткого логического вывода. Пример нечеткого логического вывода для выполнения нескольких правил. Достоинства и недостатки систем, основанных на нечеткой логике[1/2].
- •17.Искусственные нейронные сети. Особенности биологического нейрона. Модель искусственного нейрона [1/2].
- •18.Определение искусственной нейронной сети (инс). Однослойный и многослойный персептроны [1/1].
- •19. Классификация инс. Задачи, решаемые с помощью нейронных сетей [1/2].
- •20.Основные этапы нейросетевого анализа. Классификация известных нейросетевых структур по типу связей и типу обучения и их применение [1/1].
- •21. Алгоритм обучения с учителем для многослойного персептрона [1/1]
- •22. Алгоритмы обучения нейронных сетей. Алгоритм обратного распространения ошибки [1/1]
- •23. Проблемы обучения нс[1/1].
- •24. Сети Кохонена. Постановка задачи кластеризации. Алгоритм кластеризации[1/1].
- •25. Преобразование алгоритма кластеризации с целью реализации в нейросетевом базисе. Структура сети Кохонена [1/1]
- •26. Алгоритм обучения без учителя для сетей Кохонена. Обобщенная процедура [1/1]
- •27. Алгоритм обучения без учителя для сетей Кохонена. Метод выпуклой комбинации. Графическая интерпретация [1/1]
- •28. Самоорганизующиеся карты (сок) Кохонена. Особенности обучения сок. Построение карт [1/1]
- •29. Проблемы обучения инс [1/1]
- •30. Генетические алгоритмы. Определение. Назначение. Сущность естественного отбора в природе [1/1]
- •31. Основные понятия генетических алгоритмов [1/1]
- •32. Блок-схема классического генетического алгоритма. Особенности инициализации. Пример. [1/1]
- •33. Блок-схема классического генетического алгоритма. Селекция хромосом. Метод рулетки. Пример.[1/2]
- •33. Блок-схема классического генетического алгоритма. Селекция хромосом. Метод рулетки. Пример.[2/2]
- •34. Блок-схема классического генетического алгоритма. Применение генетических операторов. Пример.[1/1]
- •35. Блок-схема классического генетического алгоритма. Проверка условия остановки га.[1/1]
- •36. Достоинства генетических алгоритмов.[1/1]
- •37. Гибридные сии и их виды.[1/2]
- •38. Структура мягкой экспертной системы.[1/1]
- •39.Методология разработки интеллектуальных систем. Виды прототипов экспертных систем.[1/1]
- •40.Обобщенная структура основных этапов разработки экспертных систем.[1/2]
- •1. Идентификация.
- •2. Концептуализация.
- •3. Формализация
- •4. Программирование.
- •5. Тестирование на полноту и целостность
38. Структура мягкой экспертной системы.[1/1]
Мягкая ЭС обладает особенностями:
а) Использует статические данные, на основе которых формируется обучающая выборка для НС.
б) Использует обученные НС для извлечения знаний.
в) Использует НЛ для осуществления нечеткого логического вывода.
г) Использует ГА для оптимизации базы правил
Структура:
39.Методология разработки интеллектуальных систем. Виды прототипов экспертных систем.[1/1]
Основывается на технологии прототипирования.
Сущность технологии: Разработчики информационной системы не ставят целью разработать сразу конечный полный вариант информационной системы, а разрабатывают вначале её упрощенный вариант – прототип. В целом весь процесс проектирования представляет собой разработку серии прототипов по мере усложнения. Цель первого прототипа – (применительно к экспертной системе) доказать пригодность методов инженерии знаний к решению задач. Результаты решения задачи с помощью первого прототипа:
1. Может быть доказана пригодность, тогда переходят к разработке следующего прототипа.
2. Если непригоден, тогда: - либо меняют формализм представления знаний и пытаются разработать, - либо отказываются.
При разработке ЭС разрабатываются как правило следующие прототипы:
1. Демонстрационный прототип. 1 - 2 месяца; 50-100 правил.
2. Исследовательский прототип. 2 - 6 месяцев; 100 общих правил. Исследовательский прототип решает только типовые задачи, он неустойчив в работе и не полностью проверен.
3. Действующий прототип. 9 мес. – 1 год; 500 общих правил. Решает все задачи, полностью проверен, но при этом расходует много времени и памяти.
4. Готовая ЭС (промышленная ЭС). До 1,5 года; 1000 общих правил. Эффективно решает все виды задач с минимумом расхода времени и памяти.
5. Коммерческая ЭС. До 3 лет; 3000 общих правил. Проблемно – предметно ориентированная ЭС: Определенные процедуры + список терминов, который присущ предметной области.
40.Обобщенная структура основных этапов разработки экспертных систем.[1/2]
1. Идентификация.
На этом этапе осуществляется вербальное описание проблемной области (постановка задачи, определение цели для ЭС, определение исходных значений) и оговаривается группы разработчиков, сроки (организационные моменты).
2. Концептуализация.
2.1 Под извлечением понимается извлечение знаний из эксперта, т.е. перенос компетентности от эксперта к когнитологу (наблюдение, текстологические методы).
2.2 Структурирование
проблемной области –
концептуализация
предметной области.
Осуществляется целостное
систематическое описание
системы.
Результатом является
пояснительная записка.
Пояснительная записка
– условное (неформальное)
описание основных понятий
проблемной области и
взаимосвязь между ними в
виде графов, диаграмм,
таблиц. Для разработки
пояснительной записки могут
применяться следующие
подходы:
1) структурный (BPWin, ERWin, IDEF);
2) объектно-ориентированный (RRose).
2.3. Формирование знаний – процесс анализа больших объемов данных с целью извлечения знаний.