close

Вход

Забыли?

вход по аккаунту

?

презентация по вопросам

код для вставкиСкачать
ОБЛАСТНОЕ АВТОНОМНОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ
СРЕДНЕГО ПРОФЕССИОНАЛЬНОГО ОБРАЗОВАНИЯ
БОРОВИЧСКИЙ ПЕДАГОГИЧЕСКИЙ КОЛЛЕДЖ
СООБЩЕНИЕ ПО ВОПРОСАМ
РАБОТУ ВЫПОЛНИЛИ:
СТУДЕНТКИ III КУРСА
СПЕЦИАЛЬНОСТИ 080802
«
ПРИКЛАДНАЯ ИНФОРМАТИКА
»
САФАРОВА Г.М, ПЕТРОВА А.С.
Оглавление:
1.
Нечетная логика, нечетные множества, как основы для построения
нечетных экспертных систем.
2.
Нейронные сети
3
.
Инструменты для создания экспертных систем в образовании
Н
ечетная логика, нечетные множества, как основы для построения нечетных экспертных систем.
Нечткая
логика
и
теория
нечтких
множеств
—
раздел
математики,
являющийся
обобщением
классической
логики
и
теории
множеств
.
Понятие
нечткой
логики
было
впервые
введено
профессором
Лютфи
Заде
в
1965
году
.
Направления
исследований
нечткой
логики
В
настоящее
время
существует
по
крайней
мере
два
основных
направления
научных
исследований
в
области
нечткой
логики
:
-
нечткая
логика
в
широком
смысле
(теория
приближенных
вычислений)
;
-
нечткая
логика
в
узком
смысле
(символическая
нечткая
логика)
.
Символическая
нечткая
логика
основывается
на
понятии
t
-
нормы
.
После
выбора
некоторой
t
-
нормы
появляется
возможность
определить
основные
операции
над
пропозициональными
переменными
:
конъюнкцию,
дизъюнкцию,
импликацию,
отрицание
и
другие
.
Теория приближенных вычислений
Основное понятие нечткой логики в широком смысле —
нечткое множество, определяемое при помощи обобщенного понятия характеристической функции.
Затем вводятся понятия объединения, пересечения и дополнения множеств, понятие нечткого отношения, а также одно из важнейших понятий —
понятие лингвистической переменной.
Математические основы
Нечеткая логика и нейронные сети
Поскольку
нечеткие
множества
описываются
функциями
принадлежности,
а
t
-
нормы
и
k
-
нормы
обычными
математическими
операциями,
можно
представить
нечеткие
логические
рассуждения
в
виде
нейронной
сети
.
Существует
большое
разнообразие
подобных
нейро
-
нечетких
сетей
neuro
-
fuzzy
network
.
Например,
ANFIS
(
Adaptive
Neuro
fuzzy
Inference
System)
-
адаптивная
нейро
-
нечеткая
система
вывода
.
Она
может
быть
описана
в
универсальной
форме
аппроксиматоров
как
кроме
того,
этой
формулой
могут
быть
описаны
также
некоторые
виды
нейронных
сетей,
такие
как
радиально
базисные
сети
(RBF),
многослойные
персептроны
(MLP),
а
также
вейвлеты
и
сплайны
.
Нечёткое
(или
размытое,
расплывчатое,
туманное,
путанное,
пушистое)
множество
—
понятие,
введнное
Лотфи
Заде
в
1965
г
.
в
статье
«Fuzzy
Sets»
(нечткие
множества)
в
журнале
Information
and
Control
.
Л
.
Заде
расширил
классическое
канторовское
понятие
множества,
допустив,
что
характеристическая
функция
принадлежности
элемента
множеству
может
принимать
любые
значения
в
интервале
[
0
,
1
]
,
а
не
только
значения
0
или
1
.
Нечеткая
переменная
это
тоже
самое,
что
и
нечеткое
число,
только
с
добавлением
имени,
которым
фоpмализyется
понятие
описуемое
этим
числом
.
Лингвистическая
переменная
это
множество
нечетких
переменных,
она
используется
для
того
чтобы
дать
словесное
описание
некотоpомy
нечеткому
числу,
полyченномy
в
pезyльтате
некоторых
операций
.
Нечткое множество
Нейронные сети
Нейронные
сети
-
исключительно
мощный
метод
моделирования,
позволяющий
воспроизводить
чрезвычайно
сложные
зависимости
.
Нейрон
(нервная
клетка)
является
особой
биологической
клеткой,
которая
обрабатывает
информацию
.
Она
состоит
из
тела
клетки,
или
сомы,
и
двух
типов
внешних
древоподобных
ветвей
:
аксона
и
дендритов
.
Тело
клетки
включает
ядро,
которое
содержит
информацию
о
наследственных
свойствах,
и
плазму,
обладающую
молекулярными
средствами
для
производства
необходимых
нейрону
материалов
.
Нейрон
получает
сигналы
(импульсы)
от
других
нейронов
через
дендриты
(приемники)
и
передает
сигналы,
сгенерированные
телом
клетки,
вдоль
аксона
(передатчик),
который
в
конце
разветвляется
на
волокна
.
На
окончаниях
этих
волокон
находятся
синапсы
.
Чтобы
отразить
суть
биологических
нейронных
систем,
определение
искусственного
нейрона
дается
следующим
образом
:
-
Он
получает
входные
сигналы
(исходные
данные
либо
выходные
сигналы
других
нейронов
нейронной
сети)
через
несколько
входных
каналов
.
Каждый
входной
сигнал
проходит
через
соединение,
имеющее
определенную
интенсивность
(или
вес
)
;
этот
вес
соответствует
синоптической
активности
биологического
нейрона
.
С
каждым
нейроном
связано
определенное
пороговое
значение
.
Вычисляется
взвешенная
сумма
входов,
из
нее
вычитается
пороговое
значение
и
в
результате
получается
величина
активации
нейрона
.
-
Сигнал
активации
преобразуется
с
помощью
функции
активации
(или
передаточной
функции)
и
в
результате
получается
выходной
сигнал
нейрона
.
Применение нейронных сетей
Класс
задач,
которые
можно
решить
с
помощью
нейронной
сети,
определяется
тем,
как
сеть
работает
и
тем,
как
она
обучается
.
Вот
некоторые
примеры
таких
задач
:
Прогнозирование
на
фондовом
рынке
.
Зная
цены
акций
за
последнюю
неделю
и
сегодняшнее
значение
индекса
FTSE,
спрогнозировать
завтрашнюю
цену
акций
.
Предоставление
кредита
.
Требуется
определить,
высок
ли
риск
предоставления
кредита
частному
лицу,
обратившемуся
с
такой
просьбой
.
В
результате
разговора
с
ним
известен
его
доход,
предыдущая
кредитная
история
и
т
.
д
.
Управление
.
Нужно
определить
что
должен
делать
робот,
чтобы
достичь
цели
;
известно
изображение,
которое
передает
установленная
на
роботе
видеокамера
.
Архитектура нейронной сети
Нейронная сеть
Сеть прямого распространения
Рекуррентные с обратной связью сети
Однослойный
перцептрон
Многослойный перцептрон
Сеть радиальных
Базисных функций
Соревновательные
сети
SOM
Кохонена
Сеть
Хопфилда
Модели
АРТ
Инструменты для создания экспертных систем в образовании
Экспертная
система
(ЭС,
expert
system
)
-
компьютерная
программа,
способная
частично
заменить
специалиста
-
эксперта
в
разрешении
проблемной
ситуации
.
В
информатике
экспертные
системы
рассматриваются
совместно
с
базами
знаний
как
модели
поведения
экспертов
в
определенной
области
знаний
с
использованием
процедур
логического
вывода
и
принятия
решений,
а
базы
знаний
-
как
совокупность
фактов
и
правил
логического
вывода
в
выбранной
предметной
области
деятельности
.
Структура, режимы функционирования, классификация экспертных систем
Структура
:
-
интерфейс
пользователя
(Интерфейс
-
совокупность
средств
и
методов
взаимодействия
между
элементами
системы)
;
-
пользователь
;
интеллектуальный
редактор
базы
знаний
;
-
эксперт
(Эксперт
(от
лат
.
expertus
--
опытный)
--
специалист,
дающий
заключение
при
рассмотрении
какого
-
нибудь
вопроса)
;
-
инженер
;
-
рабочая
(оперативная)
память
;
-
база
знаний
;
-
решатель
(механизм
вывода)
;
-
подсистема
объяснений
.
База
знаний
состоит
из
правил
анализа
информации
от
пользователя
по
конкретной
проблеме
.
ЭС
анализирует
ситуацию
и,
в
зависимости
от
направленности
ЭС,
дает
рекомендации
по
разрешению
проблемы
.
Структура экспертных систем
Как
правило,
база
знаний
ЭС
содержит
факты
(статические
сведения
о
предметной
области)
и
правила
-
набор
инструкций,
применяя
которые
к
известным
фактам
можно
получать
новые
факты
.
В
рамках
логической
модели
баз
данных
и
базы
знаний,
записываются
на
языке
Пролог
с
помощью
языка
предикатов
для
описания
фактов
и
правил
логического
вывода,
выражающих
правила
определения
понятий,
для
описания
обобщенных
и
конкретных
сведений,
а
также
конкретных
и
обобщенных
запросов
к
базам
данных
и
базам
знаний
.
База
знаний
ЭС
создается
при
помощи
трех
групп
людей
:
1
.
эксперты
той
проблемной
области,
к
которой
относятся
задачи,
решаемые
ЭС
;
2
.
инженеры
по
знаниям,
являющиеся
специалистами
по
разработке
ИИС
;
3
.
программисты,
осуществляющие
реализацию
ЭС
.
Структура экспертной системы, основанной на правилах.
В
cистеме
,
основанной
на
правилах,
знания
в
проблемной
области,
необходимые
для
решения
задач,
закодированы
в
форме
правил
и
содержатся
в
базе
знаний
.
Безусловно,
для
представления
знаний
наиболее
широко
применяются
правила
.
Режимы функционирования Экспертных систем
ЭС
может
функционировать
в
2
-
х
режимах
.
1
.
Режим
ввода
знаний
-
в
этом
режиме
эксперт
с
помощью
инженера
по
знаниям
посредством
редактора
базы
знаний
вводит
известные
ему
сведения
о
предметной
области
в
базу
знаний
ЭС
.
2
.
Режим
консультации
-
пользователь
ведет
диалог
с
ЭС,
сообщая
ей
сведения
о
текущей
задаче
и
получая
рекомендации
ЭС
.
Например,
на
основе
сведений
о
физическом
состоянии
больного
ЭС
ставит
диагноз
в
виде
перечня
заболеваний,
наиболее
вероятных
при
данных
симптомах
.
Принципы работы экспертной системы, основанной на знаниях
Пользователь передает в экспертную систему факты или другую информацию и получает в качестве результата экспертный совет или экспертные знания. По своей структуре экспертная система подразделяется на два основных компонента -
базу знаний и машину логического вывода. База знаний содержит знания, на основании которых машина логического вывода формирует заключения. Эти заключения представляют собой ответы экспертной системы на запросы пользователя, желающего получить экспертные знания.
Области применения экспертных систем
Области применения систем, основанных на знаниях, могут быть сгруппированы в несколько основных классов
: медицинская диагностика, контроль и управление, диагностика неисправностей в механических и электрических устройствах, обучение.
а) Медицинская диагностика.
Диагностические системы используются для установления связи между нарушениями деятельности организма и их возможными причинами. Наиболее известна диагностическая система MYCIN, которая предназначена для диагностики и наблюдения за состоянием больного при менингите и бактериальных инфекциях. б) Прогнозирование.
Прогнозирующие системы предсказывают возможные результаты или события на основе данных о текущем состоянии объекта.
в)
Планирование.
Планирующие системы предназначены для достижения конкретных целей при решении задач с большим числом переменных.
г) Интерпретация.
Интерпретирующие системы обладают способностью получать определенные заключения на основе результатов наблюдения.
Области применения экспертных систем
д
)
Контроль
и
управление
.
Системы,
основанные
на
знаниях,
могут
применятся
в
качестве
интеллектуальных
систем
контроля
и
принимать
решения,
анализируя
данные,
поступающие
от
нескольких
источников
.
е)
Диагностика
неисправностей
в
механических
и
электрических
устройствах
.
В
этой
сфере
системы,
основанные
на
знаниях,
незаменимы
как
при
ремонте
механических
и
электрических
машин
(автомобилей,
дизельных
локомотивов
и
т
.
д
.
),
так
и
при
устранении
неисправностей
и
ошибок
в
аппаратном
и
программном
обеспечении
компьютеров
.
ж)
Обучение
.
Системы,
основанные
на
знаниях,
могут
входить
составной
частью
в
компьютерные
системы
обучения
.
Система
получает
информацию
о
деятельности
некоторого
объекта
(например,
студента)
и
анализирует
его
поведение
.
СПАСИБО ЗА ВНИМАНИЕ!!!
Автор
alina8880
Документ
Категория
Презентации
Просмотров
295
Размер файла
474 Кб
Теги
вопросам, презентация
1/--страниц
Пожаловаться на содержимое документа