Преимущества ЭС перед человеком – экспертом.

У них нет предубеждений.

Они не делают поспешных выводов.

Экспертные системы выбирают наилучшую альтернативу из всех возможных.

База знаний предметной области может быть очень большой.

Экспертные системы устойчивы к "помехам".

 

При каких условиях и для решения, каких задач применяются нейронные сети.

Нейрон состоит из трех основных элементов:

-один или несколько дендритов (вход нейрона - принимает импульсы);

- сома (тело нейрона - обрабатывает входящие импульсы);

- аксон (выход нейрона - передача импульса другому нейрону).

Аксон контактирует с дендритами других нейронов через синапсы. Синапсы - это такие образования, которые регулируют входящие импульсы. Синапсы могут усиливать или уменьшать импульс. Каждый синапс имеет свою «силу» - ее называют весом синапса. Вес синапса - это его способность усиливать или уменьшать входящий импульс.

Модель биологического нейрона.

Модель биологического нейрона состоит из:

Дендриты – вход нейрона (прием) входящих импульсов)

Сома – тело нейрона (отвечают за обработку входящих импульсов)

Аксон – выход нейрона (через него передается обработанный импульс)

Синапсы (м/у дендритами и аксонами других нейронов) – регулирование (вверх, вниз) входящих импульсов; расставляют приоритеты входящих сигналов

Вес синапса – сила, способность регулировать входящих импульс.

Если суммарный импульс в соме превышает ее пороговое значение, то нейрон активизируется.

Математическая модель искусственного нейрона.

 

х – суммарный импульс

х1, х2, х3 – исходные данные, поступившие в нейронную сеть

w1, w2, w3 – коэффициенты, играют роль весов синапса

f(x) - функция активации (передаточная функция)

Матем. Процесс:

1 а – пороговое значение

х = x1*w1 + x2*w2 + x3*w3

2. Если х>a то нейрон расчитывает функции активации и передают импульс дальше

Обучение нейросети.

Для того чтобы нейросеть начала работать (решать задачи), необходимо выполнить два этапа:

1. выбрать архитектуру нейросети;

2. обучить нейросеть (подобрать веса).

Обучение нейросети осуществляется по принципу обратной связи.

Обучить нейронную сеть - значит, сообщить ей, чего мы от нее добиваемся. Этот процесс очень похож на обучение ребенка алфавиту.

Для обучения подбирается ряд успешных примеров решения поставленной задачи. Примеры включают исходные данные и ответы, которые мы бы хотели получать от нейросети.

Количество необходимых примеров зависит от сложности задачи. Одно из простейших эвристических правил гласит, что число примеров должно быть в десять раз больше числа связей в сети.

11.Генетические алгоритмы – понятие, причины возникновения.

ГА – это эвристический алгоритм поиска, используемый для решения задач оптимизации и моделирования путём случайного подбора, комбинирования и вариации искомых параметров с использованием механизмов, напоминающих биологическую эволюцию. Является разновидностью эволюционных вычислений. Отличительной особенностью генетического алгоритма является акцент на использование оператора «скрещивания», который производит операцию рекомбинации решений-кандидатов, роль которой аналогична роли скрещивания в живой природе.

 

12.Модель биологической эволюции, кроссинговер.

Эволюция – процесс оптимизации живых организмов. Оптимизация – приспособление организмов к условиям внешней среды.

Основные механизмы: 1.естественный отбор – наиболее приспособленные имеют больше возможности на выживание, размножение. Сам по себе не обеспечивает эволюцию; 2.генетическое наследование -обеспечивает большую приспособленность потомка, чем естественный отбор.

Кроссинговер – процесс обмена участками ДНК, обеспечивает разнообразие внутри вида.

Кроссинговер (от англ. crossingover), перекрест, взаимный обмен участками парных хромосом, происходящий в результате разрыва и соединения в новом порядке их нитей; приводит к перераспределению (рекомбинации) сцепленных генов.

Кроссинговер — важнейший механизм, обеспечивающий комбинаторную изменчивость, а следовательно, — один из главных факторов эволюции.

13.Схема генетических алгоритмов:

1. Создание начальной популяции

 

2. Выбор родителей

 

3. Размножение

 

 

4. Мутация потомства

5. Оценка приспособленности

 

 

6. Отбор (редукция)

 

 

1. Анализ (цель достигнута?)

Да Нет

Конец

Пример поиска глобального экстремума функции с помощью ген. алгоритма.

Создадим начальную популяцию. Популяция состоит из особей (хромосома). Положим, что х принимает только целые значения (0,1,2,3,4,5,6,7).

Выберем начальную популяцию, напр (4,5,7). Чем большее значение особи, тем более она приспособленна.

Выберем родителей и создадим потомков с помощью кроссинговера (будем осущ-ть в точке разрыва 2).Для формирования новой популяции необходимо осущ-ть отбор – выбрать наиболее приспособленные особи из родителей и потомков. В результате отбора получена новая популяция (5,5,6) (локальный максимум).Для поиска глобального максимума, повторяем проделанную выше процедуру.

Новая популяция (0,3,6). ГА удалось найти решение вне максимума и перескочить через область худших решений.Проделываем новый цикл. Новая популяция (1,2,6). Глобальный экстремум найден.

Агенты, свойства.

Агенты – это компьютерные программы, которые самостоятельно решают поставленные пользователем задачи. Агенты (с лат. – вести, действовать.)

Свойства агентов:

1)Реактивность (реакции) - агенты воспринимают и реагируют на окружающую среду. Сенсоры: изображение через видеокарту, через клавиатуру, общая память.

2)Автономность – для создания самозапуска не нужно вмешательство пользователя.

3)Целенаправленность - агент имеет глобальную цель для достижения. Для достижения сущ-щей локальной цели.

4)Непрерывность функционирования - агент постоянно нах-ся в состоянии исполнения

5)Коммуникативность - агент может общаться с другими агентами, людьми; общение, запрос.

6)Обучаемость (адаптивность) - агенты обучаются на основании предыдущих действий и результатов, полученных действий. Результатами яв-ся нейронные сети

7)Мобильность - агент перемещается по сети

8)Гибкость - поведение агента яв-ся непростым выбирает одно из альтернативных вариантов поведения.

Программный агент StaffCop.

Программа StaffCop состоит из двух модулей - администраторского, который устанавливается на компьютер администратора, и пользовательского (агента).

Собирает инф-ию с экрана комп-ра, интернет пейджеров, программы, файлы, веб-сайты, USB-устройства, рабочий день.

Агенты осуществляют сбор информации об активности сотрудников и передают ее администраторскому модулю. Агент представляет собой драйвер небольшого размера, работающий как служба Windows. Агент может работать в двух режимах: как обычная программа либо как программа-шпион (в невидимом режиме) -пользователь компьютера не будет знать, что за ним ведется наблюдение.