- •1 Основные понятия и структурная схема приборного комплекса.
- •17 Принципы построения измерителей навигационных параметров в живом организме.
- •2.Комплексы оборудования самолетов.
- •10 . Основные направления развития исследований и систем искусственного интеллекта
- •4. Основные характеристики и требования, предъявляемые к системам отображения информации.
- •5. Навигационные комплексы. Общие сведения и классификация.
- •11.Диалоговые системы искусственного интеллекта.
- •12 Бионика, как наука.
- •6.Основные закономерности построения навигационных комплексов.
- •7.Навигационные комплексы на базе микропроцессоров.
- •8.Иерархические структуры навигационных комплексов. Системы искусственного интеллекта в навигационных комплексах.
- •18 Общие принципы построения биологических навигационных комплексов.
- •22 Интеллектуальный биологический навигационный комплекс.
- •9.Понятие об искусственном интеллекте. Интеллектуальные системы.
- •13 Обобщенная модель живого организма.
- •14 Основные функции живого организма.
- •15 Навигационная бионика. Общность задач и основных принципов навигации в живой природе и технике.
- •16 Общая характеристика методов навигации.
- •19 Информационное обеспечение пространственной навигации животных.
- •20 Обеспечение точности и надежности функционирования навигационных биосистем.
- •21 .Накопление априорной информации в биологических навигационных комплексах при обучении.
- •23 Основные особенности биологических навигационных комплексов.
- •24 Системы искусственного интеллекта – системы, базирующиеся на знаниях.
- •25 Основные структуры систем искусственного интеллекта.
- •26 Представление знаний.
- •27. Семантические сети.
- •28 Фреймовые модели.
- •29 Логические модели знаний и системы логического вывода.
- •30 Продукции и продукционные системы.
- •31. База знаний систем искусственного интеллекта.
- •32 Стратегия управления и механизм вывода в системах искусственного интеллекта.
- •33 Прямая цепочка рассуждений. База знаний. Обобщенный алгоритм работы.
- •34 Обратная цепочка рассуждений. Дерево решений. База знаний. Обобщенный алгоритм работы.
- •35 Общие методы поиска решений в пространстве состояний.
- •41)Нечеткие множества и лингвистические переменные.
- •42)Операции с нечеткими множествами.
- •37 Особенности разработки баз знаний бортовых экспертных систем.
- •43)Нечеткие алгоритмы.
- •47) Программная и аппаратная реализация нечетких регуляторов.
- •44)Общие принципы построения интеллектуальных систем управления на основе нечеткой логики.
- •45) Процедура синтеза нечетких регуляторов.
- •46) Синтез адаптивной сау с эталонной моделью на основе нечеткой логики.
- •48)Общая характеристика проблемы построения искусственных нейронных сетей. История проблемы.
- •49)Моделирование механизмов человеческого мышления. Модели нейронов.
- •50_Реализация логических функций на формальных нейронах. Проблема «Исключающего или».
- •51 .Искусственные нейронные сети. Общие положения.
- •52 . Персептрон ф. Розенблатта.
- •53 .Адаптивный пороговый элемент.
- •55. Общие принципы построения интеллектуальных сау с использованием нейронных сетей.
- •39 Нечеткая логика: история проблемы, практические приложения.
- •54. Многослойные персептроны. Алгоритм обратного распространения.
- •57 Применение нейронных сетей в задачах адаптации алгоритмов управления нелинейными объектами.
- •62. Нейрокомпьютер фирмы аас.
- •61. Способы реализации нейронных сетей. Примеры реализации нейрокомпьютеров.
- •1. Нейрокомпьютеры на базе транспьютеров.
- •58. Применение нейронных сетей в задачах идентификации математических моделей динамических объектов.
- •59 Обзор возможных вариантов построения нейронных сетей.
- •63.Генетические алгоритмы. Особенности построения и реализации
- •38 Системы искусственного интеллекта с использованием нечеткой логики.
- •36.Проблемы разработки бортовых оперативно-советующих экспертных систем.
41)Нечеткие множества и лингвистические переменные.
Термин «нечеткое множество» (fuzzy set) был впервые введен в уже упоминавшейся классической работе Л.А.Заде. Прежде чем дать строгое толкование этого понятия, обратимся к следующему примеру. Допустим, что объектом нашего исследования является множество «взрослых людей», к которому формально можно отнести всех людей, достигших совершеннолетия (18 лет). Если обозначить через переменную x «возраст человека», а функцию (x) задать следующим образом:
То множество “взрослых людей” А может быть задано с помощью выражения
A={x x)=1}, хХ,
где Х - множество всех возможных значений х. Другими словами, множество А образуют такие «объекты» («элементы»), для которых указанная выше функция (х), называемая функцией принадлежности (membership function), принимает значение 1 (см. верхнюю ветвь графика, выделенного сплошной линией, на рис. 26.1). Напротив, те значения хХ, для которых x)=0, не принадлежат множеству А.
В то же время, очевидно, что двузначная логика (типа “да” - “нет”), определяемая функцией принадлежности (х): Х{0;1}, не учитывает возможного разброса мнений различных субъектов относительно границ исследуемого множества А, влияния чисто биологических факторов, национальных особенностей и т. д. Поэтому более естественным является задание функции принадлежности в виде некоторой непрерывной зависимости (пунктирная кривая на рис. 26.1), определяющей плавный переход из одного крайнего состояния в другое (т.е. от принадлежности элементов рассматриваемому множеству до непринадлежности ему).
Рис. 26.1. Графическое представление множества «взрослых людей»
В данном случае функция принадлежности x): Х [0;1] ставит в соответствие каждому элементу хХ число x) из интервала [0;1], описывающее степень принадлежности элемента х множеству А. Заданное таким образом множество пар
(26.1)
называется нечетким (или размытым) множеством.
Перечислим основные свойства нечетких множеств. Будем называть носителем А множество тех его элементов х, для которых x) положительна:
Точка перехода А - это элемент х множества А, для которого x)=0,5.
- срез нечеткого множества (А) - множество элементов х, для которых функция принадлежности x) принимает значения не меньше заданного числа (0<<1):
(26.3)
Высота нечеткого множества А находится как точная верхняя грань (максимум) его функции принадлежности:
. (26.4)
Если высота нечеткого множества равна 1, то такое множество называется нормализованным. В том случае, когда высота нечеткого множества А меньше 1 (такое множество называется субнормальным), можно осуществить переход к нормализованному множеству путем деления его функции принадлежности x) на высоту.
Если носитель нечеткого множества А состоит из единственной точки х, то такое множество называется одноточечным (singleton). Данное одноточечное множество обычно записывают в виде
Если носитель нечеткого множества А состоит из бесконечного числа точек, например, представляет собой некоторый интервал (a, в) на числовой оси х, то функция принадлежности x) обычно задается графически или в виде аналитической зависимости. Рассмотрим следующий пример. Допустим, что для косвенного измерения скорости вращения вала нагруженного электропривода используется выходное напряжение генератора постоянного тока. Известно значение этого напряжения х=5В. Кроме того, известно, что ошибка такого измерения составляет ±1В. Тогда переход от четкого значения х=5 к нечеткому множеству «х= приблизительно 5» осуществляется следующим образом (рис. 26.2). Функция принадлежности x), приведенная на рис. 26.2, в, описывается выражением
Рис. 26.2. Построение функции принадлежности
Представленный на рис.15.2, а-в процесс перехода от «четкого» (т.е. измеренного) значения х=5 к его «нечеткой» интерпретации х= «приблизительно 5» называется фаззификацией (fuzzyfication).
Переменные, значениями которых являются термы (слова, фразы, предложения), выраженные на естественном языке, называют лингвистическими переменными (linguistic variables).