- •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
18.Определение искусственной нейронной сети (инс). Однослойный и многослойный персептроны [1/1].
ИНС – это множество нейронов соединенных определенным образом между собой. При этом:
1) Выделяют 3 типа нейронов:
– Входные
– Выходные
– Промежуточные
2) Функции активации считаются неизмененными в работе сети.
3) Веса являются параметрами сети и корректируются, т.е. изменяются для достижения сетью некоторой поставленной цели.
Модели ИНС:
1) Однослойный персептрон Ф. Розенблатта
Задача персептрона – классификация вектора X классом Y (;Y=[y1…ym]). Модель способна обучаться распознаванию простых зрительных образов.
2) Многослойный персептрон – ИНС, в которой имеется несколько слоев нейронов с настраиваемыми весами связи.
Вкаждом слое может быть различное количество элементовLk. Нейроны выходного слоя принимают синаптические сигналы от нейронов предыдущего слоя. Нейроны в пределах одного слоя не соединяются между собой.
Ukj – значение выходного сигнала j k-го слоя.
1 слой: U1=x
2 слой:
k-ый слой:
Выходной слой:
19. Классификация инс. Задачи, решаемые с помощью нейронных сетей [1/2].
1) Выделяют 3 основных типа сетей (по топологии):
a) Полносвязные сети. Каждый нейрон передает свой входной сигнал остальным нейронам, в том числе и самому себе. Все входные сигналы подаются всем нейронам. Сеть Хопфильда.
б) Многослойные сети – нейроны объединяются в слои.
Выделяют сети:
– без обратной связи – нейрон входного слоя получает входной сигнал, преобразует его и передают нейрону одного скрытого слоя вплоть до выходного. Нейроны могут связываться через один или несколько слоев. Среди многослойных сетей различают: полносвязные сети и частично-полносвязные. Классический вариант: полносвязные сети прямого распространения.
– с обратной связью – информация с последующих слоев передется на предыдущий. Среди них выделяют: слоисто-стоциклистические, слоисто-полносвязные, полносвязно-слоистые.
Сеть Элмана: частично рекуррентные сети с обратными связями.
Сеть Жордана: частично рекуррентная, слоистая.
в) Слабосвязные НС. Нейроны располагаются в узлах прямоугольной (гексогональной) решетки. (Пример, Сети Кохонена, самоорганизующиеся карты).
*19. Классификация ИНС. Задачи, решаемые с помощью нейронных сетей [2/2].
2) Классификация по типу структур нейронов:
– гомогенное (однородное) состоят из нейронов одного типа с единой функцией активности.
– гетерогенная нейросеть состоит из нейронов с различными функциями активации.
3) Классификация по видам сигналов:
– бинарные сети
– аналоговые сети
4) По методу обучения:
– Обучение с учителем
– Обучение без учителя
– Смешанное
Классы задач решаемых НС:
1) Классификация (распознавание образов).
2) Кластеризация.
3) Аппроксимация функции. Формируется набор пар которые генерируются функцией. Требуется найти вид функции, удовлетворяющих некоторым критериям. ИНС – универсальны аппроксиматор.
4) Прогнозирование.
Пример: Дано . Требуется найти:y(tn+1).
5) Оптимизация – применяется в задачах, если поиск решения очень большой.
6) Ассоциативная память позволяет считать содержание по частично искаженному представлению занесенных данных.