Добавил:
Опубликованный материал нарушает ваши авторские права? Сообщите нам.
Вуз: Предмет: Файл:
Ответы по СИИ за 2008.doc
Скачиваний:
113
Добавлен:
02.05.2014
Размер:
3.93 Mб
Скачать

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…xn – входные сигналы нейрона, приходящие от других нейронов. W1…Wn – 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. ;

Модель нейрона:

1) Вычисляет взвешенную сумму своих входов от других нейронов.

2) На входах нейрона имеются возбуждающие и тормозящие синапсы

3) При превышении суммы входов порога нейрона, вырабатывается выходной сигнал.

Виды активационных функций:

1) пороговая функция: область значения (0;1)

«+»: простота реализации и высокая скорость вычисления

2) Сигмоидальная (логистическая функция)

При уменьшении a сегмент становится более пологим, при a=0 – прямая линия.

«+»: простое выражение ее производной, а также способность усиливать сигналы слабые лучше, чем большие и предотвращать насыщения от больших сигналов.

«-»: область значения малая (0,1).

3) Гиперболический тангенс: область значений (-1,1)