Содержание работы

1. Установить связи Responsible For между старшим кассиром и операторами.

2. Заполнить каждый класс и подкласс минимум двумя экземплярами.

3. Сконструировать и сохранить в библиотеку сложный запрос, включающий как минимум два условия.

4. Установить связи Interact With (взаимодействует с) между существующими абонентами и работниками компании.

5. Построить онтологию заданной предметной области (вариант получить у преподавателя).

Варианты задания

1. Диагностика компьютерной поломки.

2. Выбор подходящей модели сотового телефона.

3. Выбор музыкального инструмента.

4. Составление меню.

5. Выбор желаемого автомобиля.

6. Составление учебных курсов.

10. Выбор бытовой техники.

11. Магазин спортинвентаря;

12. Детский сад;

13. Магазин канцелярских товаров;

14. Железнодорожная касса;

15. Туристическое агентство (подбор туристического продукта);

16. Автосервис;

17. Магазин стройматериалов;

18. Почтовое отделение;

19. Подбор кредитного продукта;

20. Функционирование Университета;

21. Поликлиника;

22. Телекоммуникационная компания;

23. Организация экскурсионных поездок;

24. Функционирование Ресторана;

25. Процесс оплаты коммунальных услуг;

26. Риэлтерское агентство;

27. Деятельность мебельной фабрики;

28. Функционирование Областной библиотеки;

29. Деятельность Издательства еженедельной газеты;

30. Функционирование IT-компании.

Требования к отчету

Отчет о проделанной работе должен содержать:

• название работы, ее задачи и описание последовательности выполнения;

• реализацию онтологии предметной области «Районное отделение электросвязи»;

• реализацию онтологии согласно варианту, полученному у преподавателя.

Контрольные вопросы

1. Что такое онтологический инжиниринг?

2. Перечислите основные этапы создания онтологии предметной области.

3. Дайте определения понятиям: класс, слот, экземпляр класса.

4. Поясните этапы создания онтологий в системе Protégé.

Лабораторная работа 2

Тема: Искусственные нейронные сети. Многослойный персептрон. Алгоритм обратного распространения ошибки.

Цель работы: закрепление навыков применения математического аппарата искусственных нейронных сетей для решения задач прогнозирования; ознакомление с пакетом Deductor Studio 4.4.

Задачи работы:

1. Изучить структурную схему искусственного нейрона.

2. Изучить алгоритм обучения многослойного персептрона (алгоритм обратного распространения ошибки).

3. Изучить встроенные средства построения нейронной сети пакета Deductor Studio 4.4.

2.1 Теоретические сведения. Основные понятия

Под искусственной нейронной сетью (НС) понимается математическая модель, представляющая собой систему из соединенных и взаимодействующих между собой простых процессоров (искусственных нейронов).

Искусственный нейрон – узел нейронной сети, представляющий собой упрощенную модель естественного нейрона. С математической точки зрения, это сумматор всех входящих сигналов, применяющий к полученной сумме некоторую простую функцию.

Структурная схема модели искусственного нейрона приведена на рисунке 2.1.

Рис. 2.1 – Структурная схема модели искусственного нейрона

Входные сигналы x_i (i = 1, 2, …, n) суммируются с учетом соответствующих весов W_i в сумматоре (S). Выходной сигнал нейрона y_i определяется следующей зависимостью: ,

где F(S) – функция активации.

Основные виды функций активации, используемых при построении НС: линейная, пороговая, сигмоидальная (сигмоид) и др.

Объединение нейронов в общую сеть осуществляется различными способами. В зависимости от выбранной топологии выделяют следующие виды нейронных сетей:

1) полносвязные нейронные сети – структуры, в которых каждый нейрон сети имеет прямую связь с другими нейронами.

2) многослойные нейронные сети (персептроны) – нейроны объединяются в слои, содержащие совокупность нейронов с едиными входными сигналами. Могут содержать входной, выходной и N промежуточных слоев.

После того как определено число слоев и число элементов (нейронов) в каждом из них, нужно найти значения весовых коэффициентов и порогов сети, которые бы минимизировали ошибку выдаваемого сетью прогноза. Именно для этого служат алгоритмы обучения. Выделяют обучение с учителем, когда известны желаемые выходные значения нейронов выходного слоя, и обучение без учителя, когда обучающее множество состоит лишь из входных векторов и веса сети подстраиваются таким образом, чтобы выходные векторы были согласованы.