- •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
13. Нечеткие алгоритмы. Метод максимума-минимума (метод Мамдани) как метод нечеткого логического вывода (изложение необходимо сопроводить примером). [1/2]
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
*13. Нечеткие алгоритмы. Метод максимума-минимума… [2/2]


Если х1=А1 И х2=Сj, то у=Bk

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.
14. Нечеткие алгоритмы. Метод максимума-произведения (метод Ларсена) как метод нечеткого логического вывода (изложение необходимо сопроводить примером)[1/1].
Нечеткие алгоритмы – упорядоченное множество нечетких инструкций (правил) в формулировках которых содержаться нечеткие указания (термы).
Термы – слова, фразы на естественном языке (много, очень мало, слегка увеличить и т.п.). 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. Метод НЛВ – это правила формирования результирующей функции принадлежности при выполнении одного или нескольких нечетких правил. 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);
Дефазификация: Метод максимума.

15.Методы дефаззификации[1/1].
Результатом применения любого метода НЛВ является некоторое нечеткое множество, которое описывается функцией принадлежности. В такой ситуации неопределенность выбора сохраняется. Для определения окончательного решения (конкретного значения Y) необходимо совершить переход от полученного нечеткого множества к единственному значению Y, которое признается в качестве решения поставленной задачи, такой переход наз-ся дефаззификацией.
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 кооржинат 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).
Элементы
области определения, для которых значение
функции принадлежности меньше, чем
некоторый уровень (
в расчет не входит):
.
