- •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
6. Определения четких и нечетких множеств. Определение нечеткого множества. Функция принадлежности. Примеры нечетких дискретных и непрерывных множеств. [1/2]
Нечеткость – понятие, относящееся к таким множествам, в которых возможны градация степени принадлежности к ним, от полной принадлежности до полной не принадлежности, т.е. такой класс объектов в котором нет резкой границы между объектами с полной принадлежностью к нему и его окружением.
Четкое множество – множество, которое задано в виде множества пар
, где X€AcX, - функция принадлежности
Нечеткое множество считается заданным, если задано множество пар
В нечетком множестве вводится понятие функции принадлежности , которая показывает степень принадлежности элементаX множеству A.
Существует также нечеткие дискретные множества, которые формируются при известной функции
*6. Определения четких и нечетких множеств. Определение нечеткого множества. Функция принадлежности. Примеры нечетких дискретных и непрерывных множеств. [2/2]
Например подходящая температура купания на море
Четкое множество в теории множеств:
Выбор функции принадлежности осуществляется двумя способами:
а) Прямой. Группа экспертов непосредственно определяют виды и параметры функции принадлежности, основываясь на особенностях предметной области.
б) Косвенной. Проводит опрос экспертов, в процессе которого они отвечают на да или нет.
7. Основные свойства нечетких множеств. Нечеткое число и нечеткий интервал.[1/3]
1. Носитель (основание) нечеткого множества А – множество тех элементов х для которых функция принадлежности>0.
Если SuupA<∞, то основание называется компактным (совокупность точек является замкнутом и ограниченным)
Если SuupA=±∞, то основание называется некомпактным
2. Высота нечеткого множества – это точная верхняя грань функции принадлежности
Если hghA=1, то это нормализованное (нормальное) множество.
Если hghA<1, то это субнормализованное множество.
- коэффициент нормирования
3. -срез
cut А = {xX , µA }
-срез – множество элементов х, для которых принимает значения не меньше заданного числа (0≤≤1).
4. Ядро
core A = {x X | µA(x)=1}
*7. Основные свойства нечетких множеств. Нечеткое число и нечеткий интервал.[2/3]
5. Точка перхода
сrossover_point = {xX | µA=0,5}
6. Выпуклые нечеткие множества. Нечеткое множество называется выпуклой, если выполняется следующее условие:
x1, x2, x3 Х : x1 x2 x3 µA(x) min {µA(x1); µA(x3)}.
7. Нечеткое разбиение нечеткого множества А на нечеткие подмножества Аj:
Если Аj, j=1..N, hgh Aj = 1, Aj – выпуклое и для любого j Аj содержит не более 2-х пересечений с другими нечеткими подмножествами, то {Aj} – нечеткое разбиение.
*7. Основные свойства нечетких множеств. Нечеткое число и нечеткий интервал.[3/3]
8. Нечеткое число.
Задается следующим образом: если для нечеткого множества задаются следующее условие: выпуклое, нормальное, кусочно-непрерывное, ядро А содержит одну точку
9. Нечеткий интервал.
Если выполняются условия 1, 2, 3, но не выполняется условие 4.
8. Понятия фаззификации, дефаззификации, лингвистической переменной. Пример. [1/1]
Определение операции фаззификации (fuzzification)
Определение: Процесс перехода от четкого представления к нечеткому называется фаззификацией.
Определение понятия лингвистическая переменная.
Определение: Переменная, значениями которой являются термы (слова, фразы на естественном языке) называется лингвистической.
Для проектирования нечеткой системы необходимо все переменные описать как лингвистические: задать для каждой переменной множество термов, а каждый терм описать как нечеткое множество со своей функцией принадлежности.
х – температура воды
Таким образом, граница между нечеткими подмножествами является размытой и переход из одного подмножества в другое осуществляется плавно без скачков.