- •1. Характеристика основных направлений в исследованиях по искусственному интеллекту
- •2. Перспективы искусственного интеллекта
- •3. Проблемы нейрокибернетики и возможные пути их решения.
- •4. Искусственный интеллект. Основные понятия
- •5. Характеристика программно-прагматического направления в исследованиях по искусственному интеллекту
- •6. Характеристика бионического направления в исследованиях по искусственному интеллекту
- •7. Знания и модели их представления
- •8. Логические модели представления знаний
- •9. Продукционные модели представления знаний
- •10. Сетевые модели представления знаний (семантические сети)
- •11. Фреймовые модели представления знаний
- •12.Экспертные системы. Основные понятия и определения
- •14. Нейрокомпьютер и основы нейроинформатики
- •15. Нейрон, нейронные сети, основные понятия
- •16. Классификации нейронных сетей
- •17. Характеристика моделей нейронных сетей
- •18 Характеристика многослойных однонаправленных сетей
- •19. Характеристика полносвязных сетей Хопфилда
- •20. Характеристика двунаправленной ассоциативной памяти
- •21. Двунаправленная ассоциативная память. Режим обучения бинарными образами
- •22. Двунаправленная ассоциативная память. Режим распознавания
- •23. Характеристика самоорганизующихся сетей Кохонена
- •24. Области применения нейроинформатики
- •25. Характеристика этапов проектирования экспертной системы
- •26. Классификация интеллектуальных информационных систем
- •27. Организация базы знаний. Формы представления знаний
- •28. Методы рассуждения в интеллектуальных информационных системах
- •29. Характеристика этапа постановки задачи и концептуализации при разработке экспертной системы
- •30. Развитие прототипа до промышленной экспертной системы
- •31. Характеристика этапа формализации проектирования экспертной системы
- •32. Характеристика этапов реализации при проектировании экспертной системы
- •33. Характеристика этапа тестирования экспертной системы
- •34. Характеристика этапа опытной эксплуатации экспертной системы
- •37. Приобретение знаний
- •38. Извлечение знаний из данных
- •39. Технология разработки экспертных систем
- •40. Характеристика этапов оценки, стыковки и поддержки экспертной системы при её разработке
- •41. Аспекты получения знаний: психологический, лингвистический, гносеологический
- •Процедурный слой
- •Когнитивный слой
- •Лингвистический аспект
- •Проблема общего кода
- •Понятийная структура
- •Словарь пользователя
- •Гносеологический аспект
- •42. Стратегии получения знаний
- •43. Практические методы извлечения знаний. Их классификация и характеристика
- •44. Структурирование знаний. Концептуальная и функциональная структура предметной области
- •46. Инструментальные средства построения экспертных систем
15. Нейрон, нейронные сети, основные понятия
Нейрон (формальный, искусственный) — элементарный преобразующий элемент, как составная часть нейросети , в свою очередь, состоит из элементов трех типов и выполняет две основные функции — взвешенное суммирование и нелинейное преобразование. Элементы нейрона — умножители (синапсы), сумматор и нелинейный преобразователь. Синапсы осуществляют связь между нейронами, умножают входной сигнал ( xj ) на число, характеризующее силу связи, — вес синапса ( wj ). Сумматор выполняет сложение сигналов, поступающих по синаптическим связям от других нейронов и внешних входных сигналов. Нелинейный преобразователь выполняет нелинейную функцию одного аргумента — выхода сумматора. Таким образом, нейрон в целом реализует скалярную функцию векторного аргумента. Функционирование нейрона можно разбить на два такта (в соответствии с двумя его функциями):
В сумматоре вычисляется величина возбуждения, полученного нейроном,
Возбуждение пропускается через преобразующую (активационную) функцию f(•), в результате чего определяется выходной сигнал Рис. 13.2. Структурная схема нейрона
16. Классификации нейронных сетей
Не ограничивая общности, можно считать, что нейроны в сети расположены слоями. Обычно выделяют входной слой, на который подается возбуждающий сигнал, выходной слой, с которого снимают переработанный сетью сигнал, а все остальные слои называют скрытыми (поскольку они не видны пользователю). Очевидно, что для адекватного решения задачи функционирования сети нужно правильно выбрать значения весов связей между нейронами — обучить сеть.
Возможны несколько типов классификации существующих нейросетей. Наиболее часто используются следующие:
по типу входной информации:
сети, анализирующие двоичную информацию; сети, оперирующие с действительными числами;
по методу обучения:
сети, которые для того чтобы удовлетворять поставленным критериям требуют предварительного обучения перед включением их в реальную обстановку, — модели с учителем; сети, не требующие предварительного обучения, способные самообучаться (совершенствовать свои характеристики) в процессе работы;
по характеру распространения информации:
однонаправленные сети, в которых информация распространяется только в одном направлении от одного слоя элементов к другому; рекуррентные сети, в которых выходной сигнал элемента может вновь по ступать на этот элемент и другие элементы сети этого же или предыдущих слоев в качестве входного сигнала (сети с обратными связями);
по способу преобразования входной информации: автоассоциативные ; гетероассоциативные .
Они отличаются следующим. На всей сети или на одном ее слое задаются в определенный момент времени исходные состояния нейронов x =( x 1 , x 2 ,…, xn ) то есть задается входной образ. Затем этот образ трансформируется в соответствии с функциями преобразования элементов. Информация распространяется по сети, происходит ее обработка. В однонаправленных сетях информация распространяется от слоя к слою, и выходной слой выдает результирующий вектор y =( y 1 , y 2 , …, ym ) . (В однослойных сетях происходит стабилизация сети в одном из состояний.) После этого считываются значения узлов сети, представляющих выходной вектор. Возможны два варианта: х ≠ у — гетероассоциативная сеть, осуществляющая отображение входного вектора х в выходной вектор у; входной вектор х представляет искаженный или сжатый образ эталона x >0 . Такая сеть называется автоассоциативной . Выходной вектор, получающийся в результате работы нейросети, характеризует состояние элементов сети. Смысл, который имеют значения этого вектора, определяется в зависимости от решаемой проблемы.