Алгоритмы построения экспертных систем. Вопросы. Определение ии. Определение слабоформализуемых задач и их примеры. Определение сложных систем

• Название: Определение ии. Определение слабоформализуемых задач и их примеры. Определение сложных систем
• Дата: 30.04.2022
• Размер: 14.36 Kb.
• Имя файла: Алгоритмы построения экспертных систем. Вопросы.docx
• Тип: Документы; #505316

1. 
   Определение ИИ. Определение слабоформализуемых задач и их примеры. Определение сложных систем.
   

2. История развития исследований в области ИИ.

3. Основные свойства естественного интеллекта.

4. Основные направления исследований в области ИИ. Две точки зрения на развитие СИИ.

5. Нечеткая логика. Краткие исторические сведения. Аспекты неполноты информации.

6. Определения четких и нечетких множеств. Определение нечеткого множества. Функция принадлежности. Примеры нечетких дискретных и непрерывных множеств.

7. Основные свойства нечетких множеств. Нечеткое число и нечеткий интервал.

8. Понятия фаззификации, дефаззификации, лингвистической переменной. Пример.

9. Операции с нечеткими множествами (эквивалентность, включение, нечеткая операция «И», «ИЛИ», «НЕ»).

10. Обобщение операций пересечения и объединения в классе Т-норм и S-конорм.

11. Нечеткие отношения. Композиционные правила (max-min) и (max-prod). Примеры.

12. Нечеткие алгоритмы. Обобщенная схема процедуры нечеткого логического вывода.

13. Нечеткие алгоритмы. Метод максимума-минимума (метод Мамдани) как метод нечеткого логического вывода (изложение необходимо сопроводить примером).

14. Нечеткие алгоритмы. Метод максимума-произведения (метод Ларсена) как метод нечеткого логического вывода (изложение необходимо сопроводить примером).

15. Методы дефаззификации.

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

17. Искусственные нейронные сети. Особенности биологического нейрона. Модель искусственного нейрона.

18. Определение искусственной нейронной сети (ИНС). Однослойный и многослойный персептроны.

19. Классификация ИНС. Задачи, решаемые с помощью нейронных сетей.

20. Основные этапы нейросетевого анализа. Классификация известных нейросетевых структур по типу связей и типу обучения и их применение.

21. Алгоритм обучения с учителем для многослойного персептрона.

22. Алгоритмы обучения нейронных сетей. Алгоритм обратного распространения ошибки.

23. Проблемы обучения НС.

24. Сети Кохонена. Постановка задачи кластеризации. Алгоритм кластеризации.

25. Преобразование алгоритма кластеризации с целью реализации в нейросетевом базисе. Структура сети Кохонена.

26. Алгоритм обучения без учителя для сетей Кохонена. Обобщенная процедура.

27. Алгоритм обучения без учителя для сетей Кохонена. Метод выпуклой комбинации. Графическая интерпретация.

28. Самоорганизующиеся карты (СОК) Кохонена. Особенности обучения СОК. Построение карт.

29. Проблемы обучения ИНС.

30. Генетические алгоритмы. Определение. Назначение. Сущность естественного отбора в природе.

31. Основные понятия генетических алгоритмов.

32. Блок-схема классического генетического алгоритма. Особенности инициализации. Пример.

33. Блок-схема классического генетического алгоритма. Селекция хромосом. Метод рулетки. Пример.

34. Блок-схема классического генетического алгоритма. Применение генетических операторов. Пример.

35. Блок-схема классического генетического алгоритма. Проверка условия остановки ГА.

36. Достоинства генетических алгоритмов.

37. Гибридные СИИ и их виды.

38. Структура мягкой экспертной системы.

39. Методология разработки интеллектуальных систем. Виды прототипов экспертных систем.

40. Обобщенная структура основных этапов разработки экспертных систем.