ИИСиТ вопросы и ответы. ИИСиТ - вопросы 2018 ответы. Вопросы к экзамену Искусственный интеллект, понятие интеллектуальной информационной технологии
 Скачать 0.71 Mb.
|
|
Нечеткие правила вывода, системы нечеткого вывода Сугено.  Нейронные сети, понятие и классификация. В настоящее время нейронные сети (НС) представляют собой формализованную модель функционирования человеческого мозга и используются для решения широкого спектра задач. Ниже перечисляются основные проблемные вопросы, решаемые с помощью искусственных нейронных сетей (ИНС) в соответствии с классификацией приведенной в работе Классификация/распознавание образов. Задача состоит в указании принадлежности входного образа (например, речевого сигнала или рукописного символа), представленного вектором признаков, одному или нескольким предварительно определенным классам. К известным приложениям относятся распознавание букв, распознавание речи, классификация сигнала электрокардиограммы, классификация клеток крови, распознавание отпечатков пальцев, а также, лиц. Кластеризация/категоризация. При решении задачи кластеризации, которая известна также как классификация образов «без учителя» отсутствует обучающая выборка с метками классов. Алгоритм кластеризации основан на подобии образов и размещает близкие образы в один кластер. Известны случаи применения кластеризации для извлечения знаний, сжатия данных и исследования свойств данных. Аппроксимация функций. Предположим, что имеется обучающая выборка (пары данных вход-выход), которая генерируется неизвестной функцией (x), искаженной шумом. Задача аппроксимации состоит в нахождении оценки неизвестной функции (x). Аппроксимация функций необходима при решении многочисленных инженерных и научных задач моделирования. Предсказание/прогноз. Пусть заданы n дискретных отсчетов в последовательные моменты времени t, Задача состоит в предсказании значения y(t) в некоторый будущий момент времени t > n+1. Предсказание/прогноз имеют значительное влияние на принятие решений в бизнесе, науке и технике. Предсказание цен на фондовой бирже и прогноз погоды являются типичными приложениями техники предсказания/прогноза. Предсказание является также основной задачей, решаемой сомообучаемыми мобильными автономными системами в условиях адаптации к незнакомой окружающей среде. Оптимизация. Многочисленные проблемы в математике, статистике, технике, науке, медицине и экономике могут рассматриваться как проблемы оптимизации. Задачей алгоритма оптимизации является нахождение такого решения, которое удовлетворяет системе ограничений и максимизирует или минимизирует целевую функцию. Задача коммивояжера, относящаяся к классу NP-полных, является классическим примером задачи оптимизации. Ассоциативная память. Содержимое ассоциативной памяти или памяти, адресуемой по содержанию, может быть вызвано по частичному входу или искаженному содержанию. Ассоциативная память полезна при создании мультимедийных информационных баз данных. А также, она является основой системы управления обучаемых мобильных роботов. Управление. Рассмотрим динамическую систему, заданную совокупностью {u(t), y(t)}, где u(t) является входным управляющим воздействием, а y(t) – выходом системы в момент времени t. В системах управления с эталонной моделью целью управления является расчет такого входного воздействия u(t), при котором система следует по желаемой траектории, диктуемой эталонной моделью. Примером является оптимальное управление двигателем. В общем случае все вышеуказанные задачи, решаемые нейронными сетями, можно свести к двум основным: распознавание (классификация); регрессия. Задача классификации заключается в формировании нейронной сетью в процессе обучения гиперповерхности в пространстве признаков, разделяющей признаки на классы. И выходы обученной нейронной сети соответствуют распознанному классу входного вектора (набора признаков). Задача регрессии заключается в аппроксимации нейронной сетью произвольной нелинейной функции. В этом случае значение функции снимается с выхода нейронной сети, а входами являются аргументы. Существует теорема, доказывающая, что многослойный персептрон может аппроксимировать любую нелинейную функцию от n аргументов с какой угодно заданной точностью. Нейронные сети различают: 1. по структуре сети (связей между нейронами), 2. по особенностям модели нейрона, 3. по особенностям обучения сети. 1. По структуре нейронные сети можно разделить на: 1.1 по признаку связности: - неполносвязные (или слоистые), - полносвязные, 1.2 по виду связей: - со случайными связями, - с регулярными связями, - с обратными (рекуррентными) связями; 1.3. по симметрии связей: - с симметричными связями, - с несимметричными связями. Неполносвязные нейронные сети описываются неполносвязным ориентированным графом. Наиболее распространенным типом таких нейронных сетей являются персептроны: однослойные (простейшие персептроны) и многослойные, с прямыми, перекрестными и обратными связями. В нейронных сетях с прямыми связями нейроны j-ого слоя по входам могут соединяться только с нейронами i-ых слоев, где j>i, т.е. с нейронами нижележащих слоев. В нейронных сетях с перекрестными связями допускаются связи внутри одного слоя, т.е. выше приведенное неравенство заменяется на j≥i. В нейронных сетях с обратными связями используются и связи j-ого слоя по входам с i-ым при j < i. Кроме того, по виду связей различают персептроны с регулярными и случайными связями. Нейронные сети с обратными связями называют рекуррентными. 2. По особенностям модели нейрона нейронные сети можно разделить на: 2.1 по используемым на входах и выходах сигналам - аналоговые, - бинарные; 2.2 по изменяемым показателям состояния нейрона: - веса синапсов нейронов, - веса синапсов и пороги нейронов, - установление новых связей между нейронами; 2.3 по принципу моделирования времени: - сети с непрерывным временем, - сети с дискретным временем. Для программной реализации применяется, как правило, дискретное время. 3. По особенностям обучения нейронных сетей различают: 3.1 по наличию учителя: - сучителем (supervised neural networks), - без учителя (nonsupervised). 3.2 по способу обучения: - обучение по входам, - обучение по выходам; 3.3 по способу предъявления примеров: - предъявление одиночных примеров, - предъявления «страницы» (множества) примеров. При обучении с учителем предполагается, что есть внешняя среда, которая предоставляет обучающие примеры (значения входов и соответствующие им значения выходов) на этапе обучения или оценивает правильность функционирования нейронной сети и в соответствии со своими критериями меняет состояние нейронной сети или поощряет (наказывает) нейронную сеть, запуская тем самым механизм изменения ее состояния. - веса синапсов нейронов (карта весов – map) (коннекционистский подход); - веса синапсов и пороги нейронов (обычно в этом случае порог является более легко изменяемым параметром, чем веса синапсов); - установление новых связей между нейронами (свойство биологических нейронов устанавливать новые связи и ликвидировать старые называется пластичностью). Кроме того, есть так называемые «растущие» нейронные сети, в которых количество нейронов изменяется в процессе обучения. Алгоритмы обучения таких сетей называются конструктивными. При обучении по входам обучающий пример представляет собой только вектор входных сигналов, а при обучении по выходам в него входит и вектор выходных сигналов, соответствующий входному вектору. В случае предъявления одиночных примеров изменение состояния нейронной сети (обучение) происходит после предъявления каждого примера. В случае предъявления «страницы» примеров – на основе анализа сразу их всех. |