- •1 Принципы системного анализа
- •2) Классификация проблем по степени их структуризации
- •3) Понятие системы, её структура, классификация
- •4 Типовые постановки задач системного анализа
- •5) Характеристика этапов системного анализа
- •6) Процедуры са.
- •7 Анализ структуры системы
- •7) Анализ структуры системы
- •8) Понятие модели. Построение моделей систем.
- •9) Проверка адекватности моделей, анализ неопределенности и чувствительности
- •10) Формирование критериев
- •11) Генерирование альтернатив
- •12) Реализация выбора и принятия решений
- •13) Оптимизационные методы получения детерминированных оценок. Методы линейного программирования
- •21) Постановка задач лин программирования.
- •22)Канонические задачи лин програм.
- •23.Решение линейного программирования.
- •24) Способы описания систем ( модель чёрного ящика)
- •25)Содержательный этап описания сложной системы.
- •26) Классификация задач пр
- •27) Критерии принятия решений и их шкалы
- •28) Выбор альтернатив в многокритериальных задачах
- •29) Условная максимизация
- •30) Нахождение множества Парето
- •31) Выбор в условиях неопределенности
- •32) Методы выбора оптимальных стратегий
- •1 Принцип Вальда максиминный критерий
- •2 Критерий Лапласа
- •33) Сведение многокритериальной задачи к однокритериальной
- •34) Теория игр. Оптимальность в конфликтных ситуациях.
- •35) Теория игр. Игровые динамические задачи
- •36) Понятие информационной системы. Свойства ис. Предназначение ис.
- •38) Информационные системы также классифицируются:
- •38) Классификация информационных систем
- •40) Алгебра логики. Теоремы алгебры логики.
- •41)Алгебра логики. Упрощение логических выражений.
- •42) Алгебра логики. Функциональные схемы.
- •43) Алгебра логики. Дизюнктивная нормальная форма.
- •44)Алгебра логики. Коньюнкивная нормальная форма
- •45) Алгебра логики. Построение логических схем в базисе и-не
- •46)Алгебра логики. Построение логических схем в базисе или-не
- •47)Алгебра логики. Операция искл-или.
- •48)Алгебра логики. Карты Карно.
- •49)Алгебра логики. Принцип и закон двойственности
- •50)Алгебра логики. Теоремы разложения
- •51) Алгебра логики. Разложение Шеннона
- •52)Алгебра логики. Разложение Рида
- •53Алгебра логики. Решение систем логических уравнений с одним неизвестным.
- •54,Алгебра логики. Решение систем логических уравнений с двумя неизвестнымы.
- •55) Алгебра логики. Доказательство тождеств на основе логических уравнений.
- •56) Модели представления знаний. Сетевые модели.
- •57) Модели представления знаний. Фреймовые модели
- •58. Алгоритмы прогнозирования.
- •59) Типы задач в распознавании
- •60 Распознавание образов. Основные методы.
- •61)Нейронные сети. Однослойные сети.
- •62) Нейронные сети. Многослойные сети.
56) Модели представления знаний. Сетевые модели.
57) Модели представления знаний. Фреймовые модели
58. Алгоритмы прогнозирования.
Алгоритм прогнозирования – это, прежде всего, алгоритм построения модели данных, где вычисление прогнозного значения является заключительным этапом построения модели. Этот алгоритм можно описать в виде следующей последовательности этапов:
1. Подготовка данных. Этап предварительного анализа имеющихся данных: анализ резко выделяющихся наблюдений, восстановление пропущенных данных, исключение факторов, явно не влияющих на прогнозируемую переменную Y.
2. Выделение трендовой составляющей – подбор функций, аппроксимирующих трендовую компоненту, и вычисление параметров этих функций, отбор значимых факторов.
3. Выделение сезонной составляющей – вычисление сезонных коэффициентов по разностям между фактическими значениями переменной Y и вычисленным значениям тренда.
4. Анализ остатков и отбор моделей. После построения функции прогнозирования (модели данных) проводится статистический анализ остатков – разностей между значениями переменной Y и вычисленным значением функции прогнозирования. На основе анализа остатков
отбираются одна или несколько моделей данных, наиболее адекватно представляющих исходные данные.
5. Вычисление прогнозного значения. На основе отобранных функций прогнозирования вычисляются прогнозные значения.
На практике эти этапы могут перемежаться или накладываться друг на друга. После каждого этапа необходимо иметь законченный результат:
• после 1-го этапа – набор данных, готовый к дальнейшей обработке;
• после 2-го этапа – одну или несколько моделей трендовой составляющей;
• после 3-го этапа – сезонные к коэффициенты, описывающие сезонные изменения;
• после 4-го этапа – одну или несколько моделей данных;
• после 5-го этапа – один или несколько наборов прогнозных значений и по возможности доверительных интервалов для них.
Прогнозирование – это умение строить качественные и адекватные модели данных. Построение качественных и адекватных моделей данных требует, во-первых, хорошего знания той предметной области, отображением которой являются имеющиеся наборы данных, а во-вторых, высокого уровня знаний математической статистики и умения применять их на практике.
59) Типы задач в распознавании
Системы распознавания имеют следующую типичную функциональную схему. Входные данные, подлежащие распознаванию, подаются на вход системы и подвергаютсяпредобработке с целью их преобразования в необходимый для следующего этапа вид или для выделения из них необходимых характерных признаков. Далее на этапепринятиярешения над обработанным массивом данных производится ряд вычислений и на основе их результатов формируется ответ, содержащий ожидаемые от системы сведения о входных данных. Содержаниевходных ивыходных данных определяется назначением системы.
Например, если входом служит описание симптомов болезни, то в качестве выхода система может выдавать название болезни; система распознавания текста может принимать на вход растровое изображение страницы текста в установленном формате и преобразовывать его в кодовую последовательность составляющих данный текст символов.
Кроме описанных этапов функционирования системы распознавания предусматривают свою настройку на множество возможных входных данных; этот этап называют этапом обучения системы. Целью обучения системы является формирование в её памяти набора сведений, необходимых для распознавания предполагаемого класса входных данных. В зависимости от специфики решаемой задачи обучение может быть выражено процедурой однократного ручного задания параметров работы системы её разработчиком, автоматической процедурой определения оптимальных значений параметров в результате проведения учебных циклов распознавания или процессом непрерывной подстройки параметров в результате анализа вырабатываемых системой ответов. Как правило, имеет место комбинация названных подходов.
На этапе предобработки решается задача создания формализованного описания объектов распознавания, пригодного для использования алгоритмами собственно распознавания. Как правило, исходные данные о наблюдаемых объектах представлены в
форме, непригодной непосредственно для распознавания. Это могут быть растровые изображения, звуковые файлы, статистические данные (числовые наборы), видео-записи и пр — т.н. «код 0». Некоторые алгоритмы распознавания требуют более высокоуровневого представления. Это приводит к необходимости произвести одно или более преобразований исходных данных, переходя от кода 0 к коду 1, 2 и т.д. В качестве примера можно рассмотреть процедуру сегментации изображения, т.е. выделения на нём одноцветных областей.
Этап принятия решения является наиболее значимым в цикле работы системы распознавания с точки зрения её характеристики в целом. Т.е. задача, решаемая на данном этапе, во многом определяет назначение системы. Кроме того, для обеспечения возможности системы выполнять качественное принятие решений выдвигается ряд требований к этапу обучения. Наконец, как уже отмечалось выше, алгоритмы этапа принятия решений требуютнеобходимой предобработки входных данных. Рассмотрим два основных класса задач, решаемых на этапе принятия решений и
характеризующих назначение систем распознавания в целом.
1. Распознавание — отнесение предъявляемых объектов к определённым классам с помощью применения известных правил классификации. Это наиболее типичная задача систем распознавания. Перед тем, как система сможет выполнять данную функцию, предполагается её обучение на множестве примеров —обучающей выборкеобъектов распознавания. При этом применяется процедура т.н.обучения с учителем.
2. Классификация (таксономия) — разбиение множества объектов на непересекающиеся классы по их формализованным описаниям. Данная задача решается в тех случаях, когда от системы не требуется отнесения входных образов к каким-либо определённым классам, а требуется лишь способность различать их каким-либо способом по определённым признакам. Можно говорить об оперировании безымянными классами объектов. Для обеспечения решения задачи классификации часто используется процедураобучение без учителя.