Характеристика моделей нейронных сетей. 2

Характеристика моделей нейронных сетей. 2

Характеристика основных направлений в исследованиях по искусственному интеллекту. 3

Знания и модели их представления. 3

Логические модели представления знаний. 4

Продукционные модели представления знаний. 4

Сетевые модели представления знаний (семантические сети) 5

Характеристика экспертных систем.. 6

Фреймовые модели представления знаний. 6

Обобщенная структура экспертной системы.. 7

Характеристика многослойных однонаправленных сетей. 7

Характеристика полносвязных сетей Хопфилда. 8

Характеристика двухнаправленной ассоциативной памяти. 9

Характеристика самоорганизующихся сетей Кохонена. 10

Области применения нейроинформатики. 11

Искусственный нейрон. Схема, основные блоки и функции. 11

Знания и модели их представления. 12

Фреймовые модели представления знаний. 13

Обобщенная структура экспертной системы.. 13

Характеристика моделей нейронных сетей. 14

Области применения нейроинформатики. 15

 

Характеристика основных направлений в исследованиях по искусственному интеллекту.

Интеллект – способность субъетка или объекта находить решения конкретных задач, для которых может и не существовать стандартных, заранее известных алгоритмов.

ИИ – это свойство автоматической системы брать на себя отдельные функции интеллекта человека.

Система искусственного интеллекта (СИИ) – система, которая может решать различные, в том числе творческие, задачи, причем эта грань довольно тонкая.

В современных СИИ рассматривается 3 направления:

1)Программно-прагматическое (человек, разрабатывая различные инструментальные средства, создавая СИИ, решает задачи, которые считаются творческими и интеллектуальными);

2)Бионическое (в рамках бионического направления учеными создается субстанция, схожая по своей структуре, составу и функциям с естественным интеллектом);

3)Комбинированное (объединяет (1) и (2)).

К области применения ИИ относятся восприятия и распознавание образов, автоматическое доказательство математических терем, игры, решение задач, понимание естественных языков. В соответствии с этим можно выделить следующие направления в исследованиях по искусственному интеллекту:

Восприятие и распознавание образов. Техническим аналогом зрения выступают телекамеры и лазеры, работа которых напрямую связана с программами распознавания и анализа изображения. Это направление включает разработку методов представления информации о зрительных образах в базе знаний, создание методов перехода от зрительных сцен к их текстовому описанию и методов обратного перехода и т.д.

Понимание естественных языков. Формируются методы построения лингвистических процессов, вопросно – ответных систем, диалоговых систем и других интеллектуальных систем, целью которых является обеспечение комфортных условий для общения человека с системой искусственного интеллекта.

Решение задач. Р азрабатываются методы формирования условий задач по описанию проблемной ситуации или по наблюдению за ней, методы перехода от известного решения частных задач (примеров) к решению общей задачи, создание приемов декомпозиции исходной задачи на более мелкие и уже известные для интеллектуальных систем.

Моделирование поведения. Это направление рассматривает данные о нейрофизиологических и психологических механизмах интеллектуальной деятельности, а в более широком плане— разумном поведении.

Представление и манипулирование знаниями. Решаются задачи, связанные с формализацией и представлением знаний в памяти системы ИИ. Для этого разрабатываются специальные модели представления знаний и языки описания знаний, внедряются различные типы знаний.

 

Классификация ЭС.

1) по решаемым задачам

• интерпретация данных (одна из традиц.задач ЭС – опр.смысла данных, рез-ты которого д.б.согласованными и корректными).

• диагностика (обнаруж.неисправности в некот.системе. Неисправность – отклонение от нормы)

• мониторинг (наблюдение и обследование, а также непрерывная интерпретация данных в реальном времени. Если опр.пар-ры выйдут за пределы, сигнализация!!)

• проектирование (подготовка спецификаций на создание объектов с заранее опр.св-вами)

• прогнозирование (логический вывод вероятных следствий из заданных ситуаций)

• планирование (нахождение плана действий, относ.к объектам, способных выполнить некот.функции)

• обучение (самый простой вариант – диагностирование ошибки при обучении дисциплины и подсказка, как действовать дальше. Они аккумулируют знание об «ученике», их характ.ошибках, а затем на основе анализа находят соотв.подходы к обучению и планируют алгоритм обучения).

2) по связи с реальным временем (статические, квазидинамически, динамические)

3) по типу компьютера, для кот.реал.ЭС

4) по степени интеграции с др.программами и системами

 

Типы:

Линейная передаточная функция

Сигнал на выходе нейрона линейно связан со взвешенной суммой сигналов на его входе.

, где t — параметр функции. В искусственных нейронных сетях со слоистой структурой нейроны с передаточными функциями такого типа, как правило, составляют входной слой. Кроме простой линейной функции могут быть использованы её модификации. Например, полулинейная функция (если её аргумент меньше нуля, то она равна нулю, а в остальных случаях, ведет себя как линейная) или шаговая (линейная функция с насыщением), которую можно выразить формулой

При этом возможен сдвиг функции по обеим осям.

Недостатками шаговой и полулинейной активационных функций относительно линейной можно назвать то, что они не являются дифференцируемыми на всей числовой оси, а значит не могут быть использованы при обучении по некоторым алгоритмам.

Пороговая передаточная функция. Другое название — Функция Хевисайда. Представляет собой перепад. До тех пор пока взвешенный сигнал на входе нейрона не достигает некоторого уровня — сигнал на выходе равен нулю. Как только сигнал на входе нейрона превышает указанный уровень — выходной сигнал скачкообразно изменяется на единицу.

Сигмоидальная передаточная функция. Использование сигмоидальных функций позволило перейти от бинарных выходов нейрона к аналоговым.

В число других передаточных функций входят такие как:

Экспонента ;

Тригонометрический синус;

Модульная: ;

Квадратичная.

 

Характеристика моделей нейронных сетей. 2