ИС_метода
.pdfdouble temp = net[0][1][1]; // |
чтение значения веса 2-го |
// |
сигнала 2-го нейрона 1-го |
// |
слоя |
net[1][0][1] = 0.12; // запись |
(изменение) значения веса |
//2-го сигнала 1-го нейрона 2-го
//слоя
Значения смещений можно задавать аналогичным образом через двумерный массив, в котором первый индекс обозначает слой, а второй
– нейрон, к которому относится это смещение.
6.9.Задания для лабораторных работ
1.С помощью нейронной сети необходимо перекодировать прописные буквы в строчные (маленькие – в большие). На вход сети подается код «маленькой» буквы, с выхода «снимается» код соответствующей «большой» буквы.
2.Перевод нот из одной тональности в другую называется транспонированием. С помощью нейронной сети транспонируйте ноты на один тон выше. На вход сети подается код ноты, с выхода «снимается» код ноты на тон выше, октаву учитывать не нужно.
3.Реализуйте с помощью нейронной сети преобразование градусов в радианы.
4.Реализуйте с помощью нейронной сети конвертер валют из долларов в евро.
5.Имеется сеть с двумя входами, двумя выходами и некоторым количеством скрытых нейронов. Необходимо настроить сеть таким образом, чтобы сигналы со входа менялись на выходе сети местами. Т.е., если на вход поступили числа 0,75 и 0,34, то на выходе должны быть числа 0,34 и 0,75.
6.Научите нейронную сеть осуществлять операцию сложения двух чисел.
7.С помощью нейронной сети реализуйте определение знака зодиака по числу и месяцу. Знак зодиака определяется по величине сигнала выходного нейрона сети.
8.Дан набор точек (табл. 6.6).
Аппроксимируйте данную зависимость полиномом второй степени с помощью нейронной сети. В отчете необходимо представить график с изображением исходных точек и кривой, полученной с помощью нейронной сети.
161
|
Табл. 6.6 |
|
|
|
|
X |
Y |
|
0 |
6.45 |
|
1 |
4.06 |
|
2 |
2.53 |
|
3 |
2.05 |
|
4 |
2.48 |
|
5 |
3.97 |
|
6 |
6.57 |
|
7 |
9.94 |
|
8 |
14.45 |
|
9.Реализуйте с помощью нейронной сети операцию умножения трех чисел из диапазона [0, 1].
10.На основании данных из табл. 6.7 продолжите числовой ряд с помощью механизма предсказания на основе нейронной сети. Ряд может содержать отрицательные числа.
|
|
|
|
|
|
|
|
|
|
Табл. 6.7 |
|
|
|
|
|
|
|
|
|
|
|
a0 |
a1 |
A2 |
a3 |
a4 |
A5 |
a6 |
a7 |
a8 |
a9 |
a10 |
0.707 |
0.866 |
0.966 |
1 |
0.966 |
0.866 |
0.707 |
0.5 |
0.259 |
0 |
– 0.259 |
Правильный ответ: – 0.5, – 0.707, … (синусоида)
11.Создайте нейронную сеть, которая правильно классифицирует объекты, пользуясь данными из табл. 6.8.
Ответ: Если «Параметр 1» = 1, то 1-й класс, если «Параметр 2»=«Параметр 3», то 2-й класс, в противном случае – 3-й класс.
|
|
|
|
Табл. 6.8 |
|
Объект |
Параметр 1 |
Параметр 2 |
Параметр 3 |
Класс |
|
1 |
1 |
1 |
0 |
1 |
|
2 |
1 |
0 |
1 |
1 |
|
3 |
0 |
1 |
1 |
2 |
|
4 |
0 |
1 |
0 |
3 |
|
5 |
0 |
1 |
1 |
2 |
|
6 |
0 |
0 |
1 |
3 |
|
7 |
0 |
1 |
0 |
3 |
|
8 |
1 |
1 |
1 |
1 |
|
9 |
0 |
0 |
0 |
2 |
|
162
12.Имеется физическая система с переменными объемом и внутренним давлением. Необходимо создать нейросетевой регулятор, поддерживающий постоянную температуру внутри этой системы. На вход регулятора подается изменение давления и объема, на выходе
– изменение температуры, компенсирующее действие изменяю-
щихся параметров. Начальные условия: V0=15 дм3, P0=100 Па, Т0=280o К. Расчет требуемого изменения температуры производится по формуле:
T = |
(Po V +Vo P + V P)To , |
|
PoVo |
где V – изменение объема, а P – изменение давления.
13.Реализуйте с помощью нейронной сети сжатие бинарных изображений размером 16х16 пикселей с коэффициентом сжатия 2.
14.Научите нейронную сеть распознавать цифры от 0 до 9, заданные в матричном виде 5х7 (рис. 6.18).
Рис. 6.18. Цифры для распознавания
163
ЗАКЛЮЧЕНИЕ
В пособии рассмотрены следующие проблемы:
•системы, основанные на знаниях, и методы извлечения знаний;
•модели представления знаний;
•архитектура и технология построения экспертных систем;
•применение нечеткой логики в экспертных системах;
•генетические алгоритмы и их применение для решения задач оптимизации;
•основные принципы функционирования искусственных нейронных сетей и возможности их применения для решения задач классификации и аппроксимации;
•предложены задания для выполнения лабораторных работ по программной реализации экспертных систем, генетических ал-
горитмов и нейронных сетей.
Следует отметить, что авторы данного пособия продолжают исследования в области применения генетических алгоритмов для настройки и обучения искусственных нейронных сетей при решении задач улучшения качества изображений, классификации, аппроксимации, моделирования, адаптивного управления и поведения [40–46].
164
ПРИЛОЖЕНИЕ 1
Контрольные вопросы
1.В чем заключается предмет исследования нейрокибернетики?
2.Охарактеризуйте принцип, положенный в основу кибернетики “черного ящика”.
3.Опишите процесс мышления, протекающий в человеческом сознании.
4.Охарактеризуйте понятие чанков.
5.Укажите признаки, отличающие знания от данных.
6.Дайте определение формализованных и неформализованных знаний.
7.Укажите основные особенности и свойства экспертных систем.
8.Охарактеризуйте виды интеллектуальных систем.
9.Приведите классификацию экспертных систем по решаемой задаче.
10.Для чего предназначена экспертная система PROSPECTOR?
11.Охарактеризуйте экспертную систему MYCIN.
12.Опишите коммуникативные методы извлечения знаний.
13.Охарактеризуйте текстологические методы извлечения знаний.
14.Как осуществляется наблюдение при пассивном извлечении знаний из эксперта?
15.Опишите протокол “мыслей вслух”, применяющийся при извлечении знаний.
16.Каким образом необходимо конспектировать содержание лекции при передаче знаний?
17.Охарактеризуйте анкетирование как один из активных индивидуальных методов извлечения знаний.
18.Каким образом необходимо построить интервью с экспертом?
19.Охарактеризуйте свободный диалог как метод извлечения знаний.
20.Опишите метод круглого стола при извлечении знаний.
21.В чем заключается идея “мозгового штурма” при извлечении знаний?
22.Охарактеризуйте экспертные игры как метод извлечения знаний.
23.Что понимается под деловой игрой?
24.Охарактеризуйте понятие диагностической игры.
25.Опишите классификацию компьютерных игр.
26.Охарактеризуйте понятия микроконтекста и макроконтекста.
27.В чем заключаются основные моменты понимания текста?
28.Охарактеризуйте понятия смысловой группы, смысловой вехи и ключевого слова в процедуре разбивки текста на части.
29.Какие вы знаете модели представления знаний?
165
30.Что представляет собой логическая модель представления знаний?
31.Из чего состоит продукционная система?
32.Опишите понятия прямых и обратных выводов, основанных на продукционных правилах.
33.Охарактеризуйте модель представления знаний в виде фреймов.
34.Каким образом осуществляется представление знаний в семантической сети?
35.Дайте определение корневого графа.
36.Опишите модель доски объявлений.
37.Дайте определение модели представления знаний в виде сценария.
38.Охарактеризуйте понятие каузального сценария.
39.Опишите архитектуру экспертных систем.
40.Как формируется база знаний?
41.Определите задачи машины вывода.
42.Каковы цели использования объяснений в экспертных системах?
43.Сформулируйте требования, которые должны выполняться при разработке экспертных систем.
44.Опишите концепцию “быстрого прототипа”, применяемую при разработке экспертной системы.
45.Охарактеризуйте этапы технологии создания экспертных систем.
46.Опишите механизм вывода экспертной системы.
47.Каковы функции управляющего компонента экспертной системы?
48.Опишите схему взаимодействия пользователя с экспертной системой.
49.В чем заключаются задачи подсистемы анализа и синтеза сообщений?
50.Дайте определение декларативного и процедурного методов морфологического анализа входных сообщений.
51.Представьте общую структуру алгоритма синтаксического анализа входных сообщений.
52.Охарактеризуйте этапы семантического анализа входных сообщений.
53.Каким образом осуществляется синтез выходных сообщений?
54.Опишите общую структуру диалога.
55.Почему потребовалось вводить понятие нечеткой логики?
56.Дайте определение лингвистической переменной.
57.Каким образом коэффициент уверенности выражается через меры доверия и недоверия?
58.Приведите соотношение между мерами доверия, полученными при независимом учете первого и второго свидетельства, и объединенной мерой доверия, полученной при учете двух свидетельств.
166
59.Дайте определение отношения правдоподобия конкурирующих гипотез.
60.Охарактеризуйте понятие функции принадлежности.
61.Опишите операции над нечеткими множествами.
62.Охарактеризуйте нечеткие правила вывода в ЭС.
63.Приведите способы суперпозиции функций принадлежности нечетких множеств.
64.Опишите понятие дефазификации нечеткого множества.
65.Охарактеризуйте задачи, для решения которых применяется генетический алгоритм.
66.В чем заключаются отличия генетических алгоритмов от традиционных методов?
67.Приведите блок-схему работы генетического алгоритма.
68.Охарактеризуйте понятия целочисленного и вещественного кодирования.
69.Каким образом осуществляется оценивание особей в популяции?
70.Опишите способы селекции.
71.Охарактеризуйте принцип работы одноточечного, двухточечного и однородного операторов кроссинговера для целочисленного кодирования.
72.Опишите принцип работы двухточечного, арифметического и BLX-α операторов кроссинговера для вещественного кодирования.
73.Охарактеризуйте понятие разрушающей способности кроссинговера.
74.Опишите процесс формирования нового поколения.
75.Охарактеризуйте принципы работы оператора мутации для целочисленного и вещественного кодирования.
76.Каким образом осуществляется настройка параметров генетического алгоритма?
77.Охарактеризуйте канонический генетический алгоритм.
78.Опишите варианты реализации компонентов генетического алгоритма.
79.Охарактеризуйте биологические нейронные сети.
80.Приведите блок-схему функционирования формального нейрона.
81.Охарактеризуйте функции активации нейрона.
82.Опишите наиболее распространенные топологии искусственных нейронных сетей.
83.Какими преимуществами обладают искусственные нейронные сети по сравнению с другими методами?
84.Охарактеризуйте процесс обучения искусственных нейронных сетей прямого распространения
167
85.Опишите алгоритм обратного распространения ошибки.
86.Приведите вид разделяющей поверхности для нейрона, реализующего логическую операцию «ИЛИ».
87.Опишите особенности радиально-базисных функций активации.
88.Приведите вид разделяющих поверхностей для нейронов с пороговой и радиальной функциями активации.
89.Охарактеризуйте особенности программной реализации многослойной искусственной нейронной сети с использованием объектноориентированного подхода.
90.Охарактеризуйте особенности программной реализации многослойной искусственной нейронной сети с использованием структурного подхода.
ПРИЛОЖЕНИЕ 2
Темы индивидуальных заданий
Темы заданий
1.Реализация алгоритма дифференциальной эволюции (differential evolution).
2.Реализация алгоритма оценки распределений (estimation of distribution algorithms).
3.Реализация алгоритма ройной оптимизации (particles swarm optimization).
4.Реализация алгоритма обработки изображений на основе применения клеточных автоматов.
5.Разработка программы улучшения качества изображений, полученных в условиях плохой видимости, на основе применения средств пакета MATLAB.
6.Разработка программы улучшения качества изображений, содержащих шумовую компоненту, на основе применения средств пакета
MATLAB.
7.Разработка программы сегментации изображений на основе применения средств пакета MATLAB.
Темы рефератов
1.Эволюционное программирование (evolutionary programming).
2.Генетическое программирование (genetic programming).
168
3.Эволюционные стратегии (evolution strategies).
4.Меметичные алгоритмы (memetic algorithms).
5.Алгоритм дифференциальной эволюции (differential evolution).
6.Алгоритмы оценки распределений (estimation of distribution algorithms).
7.Алгоритмы ройной оптимизации (particles swarm optimization).
8.Системы обучающихся классификаторов (learning classifiers systems)
9.Адаптация параметров в эволюционных алгоритмах.
10.Интеллектуальная обработка изображений
11.Методы распознавания образов.
12.Обработка изображений на основе применения клеточных автоматов.
13.Применение теории графов для обработки изображений и распознавания образов.
14.Методы масштабирования изображений.
15.Методы распознавания лиц.
16.Методы построения трехмерных изображений объектов по их двумерным изображениям.
17.Методы сегментации изображений.
ПРИЛОЖЕНИЕ 3
Ресурсы в сети Интернет
1.http://raai.org/ – Российская ассоциация искусственного интеллекта.
2.http://www.niisi.ru/iont/ni – Российская ассоциация нейроинформатики.
3.http://ransmv.narod.ru/ – Российская ассоциация нечетких систем и мягких вычислений.
4.http://lis.epfl.ch/ – Laboratory of Intelligent Systems.
5.http://nn.cs.utexas.edu/ – Neural networks research group (University of Texas).
6.http://datadiver.nw.ru/ – Data mining и технология "Deep Data Diver".
7.http://genetic-programming.org/ – Генетическое программирование.
8.http://www.gotai.net/ – Искусственный интеллект.
9.http://www.sigevolution.org – Sigevolution – электронный журнал-
дайджест по эволюционным вычислениям.
10.http://www.makhfi.com/KCM_intro.htm – Введение в моделирование знаний.
169
11.http://groups.csail.mit.edu/medg/ftp/psz/k-rep.html – Представление знаний.
12.http://www.blackwellpublishing.com/journal.asp?ref=0266-4720&site=1
– Экспертные системы. Expert Systems. The Journal of Knowledge Engineering.
170