16.Процедура (схема) нечеткого логического вывода. Пример нечеткого логического вывода для выполнения нескольких правил. Достоинства и недостатки систем, основанных на нечеткой логике[1/2].

Фаззификация – процесс перехода от четкого множества к нечеткому.

Агрегирование предпосылок – по каждому правилу формируется -срез и уровни отсечения.

Активизация правил – активизация заключается по каждому их правил на основе min-активизации (Мамдани), prod-активизации (Ларсен)

Аккумулирование вывода – композиция, объединение найденных усеченных нечетких множеств с использованием операции max-дизъюнкции.

Лингвистическая переменная – пременная, значениями которой явл-ся термы (слова, фразы на естественном языке).

Каждому значению лингвистической переменной соответствует определенное нечеткое множество со своей функцией принадлежности.

Сфера применения нечеткой логики:

1) Недостаточность или неопределенность знаний, когда получений информации явл-ся сложной или невозможной задачи.

2) Когда появляется трудность обработки неопределенной информации.

3) Прозрачность моделирования (в отличии от нейросетей).

Область применения нечеткой логики:

1) При проектировании систем поддержки и принятия решений на основе экспертных систем.

2) При разработке нечетких контроллеров, применяемых при управлении техническими системами.

«+»:1) Решение слабоформализованных задач.

2) Применение в областях, где значения переменных желательно выразить в лингвистической форме.

«–»: 1) Проблема выбора функции принадлежности (решается при создании гибридных интеллектуальных систем)

2) Сформулированный набор правил может оказаться неполным и противоречивым.

*16.Процедура (схема) нечеткого логического вывода. Пример нечеткого логического вывода для выполнения нескольких правил. Достоинства и недостатки систем, основанных на нечеткой логике[2/2].

От выбора метода НЛВ и дефаззификации зависит конечный результат.

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 max-min (Мамдани);

Дефаззификация: Метод среднего из максимумов.

17.Искусственные нейронные сети. Особенности биологического нейрона. Модель искусственного нейрона [1/2].

Под нейронными сетями подразумеваются вычислительные структуры, которые моделируют простые биологические процессы, обычно ассоциируемые с процессами человеческого мозга. Нервная система и мозг человека состоят из нейронов, соединенных между собой нервными волокнами, которые способны передавать электрические импульсы между нейронами.

Нейрон – нервная клетка, которая обрабатывает информацию. Он состоит из тела (ядро и плазма) и отростков нервных волокон двух типов — дендритов, по которым принимаются импульсы от аксонов других нейронов, и своего аксона (в конце разветвляется на волокна), по которому может передавать импульс, сгенерированный телом клетки. На окончаниях волокон находятся синапсы, которые влияют на силу импульса. Когда импульс достигает синаптического окончания, высвобождаются определенные химические вещества, называемые непротрансмиттерами, возбуждающие или затормаживающие, способность нейрона-приемника генерировать электрические импульсы. Синапсы могут обучаться в зависимости от активности процессов, в которых они участвуют. Веса синапсов могут изменяться со временем, что изменяет и поведение соответствующего нейрона.

Модель искусственного нейрона

x₁…x_n – входные сигналы нейрона, приходящие от других нейронов. W₁…W_n – синапсические веса.

Умножители (синапсы) – осуществляют связь между нейронами, умножают входной сигнал на число, характеризующий силу связи.

Сумматор – сложение сигналов, поступающих по синапсическим связям от других нейронов.

*17.Искусственные нейронные сети. Особенности биологического нейрона. Модель искусственного нейрона [2/2].

Нелинейный преобразователь – реализует нелинейную функцию одного аргумента – выхода сумматора. Эта функция называется функцией активации или передаточной функцией нейрона. ;