ИНТЕЛЛЕКТУАЛЬНЫЕ ИНФОРМАЦИОННЫЕ СИСТЕМЫ

Федеральное агентство по образованию

Государственное образовательное учреждение

высшего профессионального образования

«Санкт-Петербургский государственный

инженерно-экономический университет»

 

 

Кафедра информационных систем в экономике

 

С.А. Иванов

 

ИНТЕЛЛЕКТУАЛЬНЫЕ ИНФОРМАЦИОННЫЕ СИСТЕМЫ

 

 

Конспект лекций

 

Специальности: 230201 – Информационные системы и технологии

080801 – Прикладная информатика в экономике

 

Санкт-Петербург

Допущено

редакционно-издательским советом СПбГИЭУ

в качестве методического издания

Составитель

канд. техн. наук, доц. С.А. Иванов

Рецензент

 

Подготовлено на кафедре

информационных систем в экономике

 

 

Одобрено научно-методическим советом факультета

информационных систем в экономике и управлении

 

 

Отпечатано в авторской редакции с оригинал-макета,

представленного составителем

 

ã СПбГИЭУ, 2010

СОДЕРЖАНИЕ

Введение..................................................................................................... 6

 

Тема 1. МОДЕЛИ ПРЕДСТАВЛЕНИЯ ЗНАНИЙ В ИИС......... 15

1.1. Понятие «Знание» в ИИ.......................................................... 15

1.1.1. Классификация знаний............................................................ 18

1.2. Проблема представления знаний........................................... 19

1.3. Логическая модель представления знаний.......................... 21

1.4. Семантические сети.................................................................. 23

1.5. Продукционная модель представления знаний.................. 25

1.5.1. Механизм функционирования систем продукции.............. 26

1.5.2. Обратная цепочка рассуждений в системе продукций...... 28

1.5.3. Свойства продукционных моделей....................................... 28

1.6. Представление знаний с применением фреймов................. 29

1.6.1. Понятие фрейма и слота.......................................................... 29

1.6.2. Фреймовые системы и их функционирование.................... 30

Контрольные вопросы........................................................................... 34

 

Тема 2. ЭКСПЕРТНЫЕ СИСТЕМЫ............................................... 35

2.1. Назначения и основные свойства ЭС.................................... 35

2.2. Особенности построения и организации ЭС....................... 38

2.3. Преимущества использования экспертных систем............ 40

2.4. Технология разработки экспертных систем........................ 41

2.5. Основные режимы работы экспертных систем................... 51

2.6. Отличия ЭС от традиционных программ............................ 52

2.7. Классификация ЭС................................................................... 52

Контрольные вопросы........................................................................... 55

 

Тема 3. НЕЧЕТКИЕ ЗНАНИЯ........................................................... 56

3.1. История возникновения теории нечетких множеств......... 56

3.1.1. Четкие и нечеткие множества................................................. 57

3.1.1.1. Четкие множества..................................................................... 57

3.1.1.2. Нечеткое множество................................................................ 58

3.1.2. Основные операции над нечеткими множествами............. 60

3.1.2.1. Нечеткое включение и нечеткое равенство множеств....... 60

3.1.2.2. Теоретико-множественные операции................................... 61

3.1.2.3. Свойства операций над нечеткими множествами............... 62

3.1.3. Дополнительные операции над нечеткими множествами. 63

3.2. Нечеткие отношения................................................................ 65

3.2.1. Способы задания нечетких отношений................................ 65

3.2.2. Основные операции над нечеткими отношениями............. 67

3.2.2.1. Проекция нечеткого отношения............................................ 68

3.2.3. Композиция двух нечетких отношений............................... 70

3.2.4. Условные нечеткие подмножества........................................ 71

3.3. Нечеткая и лингвистическая переменные............................ 73

3.4. Нечеткие высказывания........................................................... 75

3.4.1. Определение нечеткого высказывания................................. 75

3.4.1.1. Высказывания на множестве значений фиксированной лингвистической переменной....................................................................... 76

3.4.1.2. Случай двух и более лингвистических переменных......... 76

3.4.2. Правила преобразований нечетких высказываний............. 77

3.4.2.1. Правило преобразования конъюнктивной формы............. 77

3.4.2.2. Правило преобразования дизъюнктивной формы............. 77

3.4.2.3. Правило преобразования высказываний импликативной формы 78

3.4.3. Способы определения нечеткой импликации..................... 78

3.5. Нечеткий логический вывод.................................................. 79

3.5.1. Алгоритм Мамдани.................................................................. 81

3.5.2. Алгоритм Сугэно..................................................................... 82

Контрольные вопросы........................................................................... 83

 

Тема 4. НЕЙРОННЫЕ СЕТИ............................................................ 84

4.1. Понятие нейронной сети......................................................... 84

4.2. Принципы организации и функционирования ИНС.......... 86

4.3. Рекуррентные ассоциативные сети........................................ 92

4.4. Сеть с обратным распространением ошибки...................... 98

4.5. Сеть Кохонена........................................................................ 103

Контрольные вопросы......................................................................... 106

 

Тема 5. ИНТЕЛЛЕКТУАЛЬНЫЙ АНАЛИЗ ДАННЫХ.......... 107

5.1. Аналитические технологии и аналитические информационные системы.............................................................................................. 107

5.2. Методы и стадии ИАД.......................................................... 125

5.3. Задачи ИАД............................................................................. 129

5.4. Процесс ИАД.......................................................................... 130

5.5. Организация создания и внедрения ИАД.......................... 139

Контрольные вопросы......................................................................... 143

 

Тестовые задания.................................................................................. 144

 

Заключение............................................................................................ 145

 

Список литературы.............................................................................. 151

 

Терминологический словарь.............................................................. 152

 

Приложение Извлечение из рабочей программы дисциплины... 153

Введение

 

В современном мире прогресс производительности программиста практически достигается только в тех случаях, когда часть интеллектуальной нагрузки берут на себя компьютеры. Одним из способов достигнуть максимального прогресса в этой области, является "искусственный интеллект", когда компьютер берет на себя не только однотипные, многократно повторяющиеся операции, но и сам сможет обучаться. Кроме того, создание полноценного "искусственного интеллекта" открывает перед человечеством новые горизонты развития.

Целью изучения дисциплины является подготовка специалистов в области автоматизации трудноформализуемых задач, которые до сих пор считаются прерогативой человека. Задачей изучения дисциплины является приобретение знаний о способах мышления человека, а также о методах их реализации на компьютере.

Основным предметом изучения дисциплины являются мыслительные способности человека и способы их реализации техническими средствами.

 

Базовые понятия искусственного интеллекта

 

Рассматриваемая дисциплина отличается специфической терминологией.

Термин интеллект (intelligence) происходит от латинского слова intellectus – что означает ум, рассудок, разум; мыслительные способности человека, т.е., иными словами, его можно перевести как «умение рассуждать разумно».

Термин «искусственный интеллект» (artificial intelligence) предложен в 1956 году на семинаре с аналогичным названием, который состоялся в США, и был посвящен решению логических задач. Искусственный интеллект (ИИ) – имеет два понимания:

1) как можно создать компьютер, который перерабатывал бы информацию на уровне и по законам человеческого мозга (план-максимум);

2) создание вычислительной системы, имитирующие человеческие навыки.

Первоначально пытались работать в направлении первого понимания (цели). Однако вскоре выяснилось, что задача оказалась сложной и быстро решена быть не может. Ее приняли как план-максимум.

Чтобы продолжить работы по искусственному интеллекту, приняли второе понимание, как средство достижения первой цели. Все работы по искусственному интеллекту относятся фактически ко второму направлению.

В качестве синонима понятия «система искусственного интеллекта» используют термин «интеллектуальная система».

В качестве фундаментального для понимания термина «Интеллектуальная система» можно принять понятие – информационная система (ИС).

Информационная система – это программная система, направленная на автоматизацию функционирования предприятия (бизнеса).

Проследив развитие информационных систем, можно выстроить их следующую классификацию:

1) OLTP-системы (Online transactions Processing – оперативная обработка транзакций);

2) OLAP-системы (Online Analytical Processing – оперативная аналитическая обработка данных);

3) Системы поддержки принятия решений (Decision Support System – используются элементы естественного языка; применяются специальные структуры хранения, реализующие сложные пространственно-временные и концептуальные зависимости между данными).

Системы поддержки принятия решений – квазиинтеллектуальные системы, поскольку они призваны автоматизировать не сам процесс оценки предпочтительности гипотез или выбора варианта решения, а только готовят аналитические обобщенные данные для окончательного выбора решения специалистом-менеджером.

4) Интеллектуальные системы (автоматизируют процесс поиска метода решения задачи (принятия решения) в зависимости от наблюдаемых данных).

 

Быстрому развитию интеллектуальных информационных систем (ИИС) способствовали две основные причины:

1) потребность в компьютерном решении неформализуемых и трудно формализуемых задач, широко встречающихся в различных предметных областях и прежде всего – в процессах управления;

2) увеличение круга компьютерных пользователей-непрограммистов, среди которых все более представлены руководители различного ранга (лица, принимающие решения – ЛПР).

Неформализуемые задачи и трудно формализуемые задачи обладают одной или несколькими из следующих особенностей (свойств):

· алгоритмическое решение задачи неизвестно (хотя, возможно, и существует) или не может быть использовано из-за ограниченности ресурсов ЭВМ;

· задача не может быть определена (задана) в числовой форме (требуется символьное представление);

· цели решения задачи не могут быть выражены в терминах точно определенной целевой функции;

· большая размерность пространства решения;

· динамически изменяющиеся данные и знания.

 

ИИС способны диагностировать состояние предприятия, оказывать помощь в антикризисном управлении, обеспечивать выбор оптимальных решений по стратегии развития предприятия и его инвестиционной деятельности. Благодаря наличию средств естественно-языкового интерфейса появляется возможность непосредственного применения ИИС бизнес-пользователем, не владеющим языками программирования, в качестве средств поддержки процессов анализа, оценки и принятия экономических решений. ИИС применяются для экономического анализа деятельности предприятия, стратегического планирования, инвестиционного анализа, оценки рисков и формирования портфеля ценных бумаг, финансового анализа, маркетинга и т.д.

Как правило, подобные задачи обладают неполнотой, неоднозначностью и/или противоречивостью исходных данных и знаний о проблемной области.

В построении знаний, как научного направления, объединились когнитивный и логический подходы. Когнитивный (неформальный, нелогичный) подход рассматривал сложные проблемы, соответствующие реальности, но порой без должного теоретического обоснования. В логическом подходе изучались более простые задачи для более узкой области, однако теоретически и формально строго обоснованные. До сих пор нет однозначно выработанного определения понятия знания.

Знания – это совокупность сведений о сущностях (объектах, предметах) реального мира, их свойствах и отношениях между ними в определенной предметной области. Иными словами, знания – это выявленные закономерности предметной области (принципы, связи, законы), позволяющие решать задачи в этой области.

В этом случае, под предметной областью будем понимать область человеческих знаний, в терминах которой формулируются задачи, и в рамках которой они решаются. Таким образом, предметная область представляется описанием части реального мира, которое в силу своей приближенности рассматривается как ее информационная модель.

Проблемная область – это содержательное описание в терминах предметной области проблемы совместно с комплексом условий, факторов и обстоятельств, вызвавших ее возникновение.

В настоящее время представление знаний и моделирование концептуальных процессов является одним из важных вопросов инженерии знаний.

Первоначальные результаты были получены в системах диагностики и проектирования, имеющих сравнительно простую разомкнутую структуру. В последнее время ИИС получили распространение в системах управления, имеющих более сложную структуру с обратной связью, и привели к интересным результатам. Стало возможным не только учесть и «переложить» на компьютер богатейшие знания ЛПР и экспертов, но и использовать полученные знания для обучения и повышения квалификации специалистов. Одновременно был осуществлен прорыв в системе программирования путем создания новых декларативных языков, программных продуктов и приложений. Это относится прежде всего к экспертным системам.

Тенденции развития искусственного интеллекта

Представление знаний и разработка систем, основанных на знаниях

Это основное направление искусственного интеллекта. Оно связано с разработкой моделей представления знаний, созданием баз знаний, образующих ядро экспертных систем (ЭС).

Игры и машинное творчество

Традиционно искусственный интеллект включает в себя игровые, интеллектуальные задачи – шахматы, шашки, го. В основе лежит один из ранних подходов – лабиринтная модель плюс эвристики. Сейчас это скорее коммерческое направление, так как в научном плане эти идеи считаются тупиковыми.

Разработка естественно-языковых интерфейсов и машинный перевод

В 50-х гг. одной из популярных тем исследований искусственного интеллекта являлась область машинного перевода. Первая программа в этой области – переводчик с английского языка на русский. Первая идея – пословный перевод, оказалась неплодотворной. В настоящее время используется более сложная модель, включающая анализ и синтез естественно-языковых сообщений, которая состоит из нескольких блоков. Для анализа это:

• морфологический анализ – анализ слов в тексте;

• синтаксический анализ – анализ предложений, грамматики и связей между словами;

• семантический анализ – анализ смысла каждого предложения на основе некоторой предметно-ориентированной базы знаний;

• прагматический анализ – анализ смысла предложений в окружающем контексте на основе собственной базы знаний.

 

Распознавание образов

Традиционное направление искусственного интеллекта, берущее начало у самых его истоков. Каждому объекту ставится в соответствие матрица признаков, по которой происходит его распознавание. Это направление близко к машинному обучению, тесно связано с нейрокибернетикой.

Новые архитектуры компьютеров

Это направление занимается разработкой новых аппаратных решений и архитектур, направленных на обработку символьных и логических данных. Создаются Пролог- и Лисп-машины, компьютеры V и VI поколений. Последние разработки посвящены компьютерам баз данных и параллельным компьютерам.

Интеллектуальные роботы

Это самоорганизующиеся электромеханические устройства, предназначенные для автоматизации человеческого труда. Это конечная цель развития робототехники. Основная проблема при создании интеллектуальных роботов – проблема машинного зрения.

Специальное программное обеспечение

В рамках этого направления разрабатываются специальные языки для решения задач невычислительного плана. Эти языки ориентированы на символьную обработку информации – LISP, PROLOG, SMALLTALK, РЕФАЛ и др. Помимо этого создаются пакеты прикладных программ, ориентированные на промышленную разработку интеллектуальных систем, или программные инструментарии искусственного интеллекта, например КЕЕ, ARTS. Достаточно популярно создание так называемых пустых экспертных систем, или "оболочек", – EXSYS, Ml и др., в которых можно наполнять базы знаний, создавая различные системы.

Обучение и самообучение

Активно развивающаяся область искусственного интеллекта. Включает модели, методы и алгоритмы, ориентированные на автоматическое накопление знаний на основе анализа и обобщения данных. Включает обучение по примерам (или индуктивное), а также традиционные подходы распознавания образов.

Целый ряд других направлений

· Когнетивное моделирование; · Интеллектуальные интерфейсы; · Распознавание и синтез речи;

Понятие «Знание» в ИИ

Знания в информационном плане не ограничиваются рамками данных. В полном объеме информация, содержащаяся в знаниях, должна включать сведения: · о системе понятий предметной области, в которой решаются задачи; · о системе понятий формальных моделей, на основе которых решаются задачи;

Знания + вывод = система.

1.1.1. Классификация знаний

Различают два типа знаний: экстенсиональные и интенсиональные.

Экстенсиональные знания – это набор количественных и качественных характеристик различных конкретных объектов. Они представляются перечислениями объектов предметной области, экземпляров объектов, свойств объектов. Иными словами, экстенсиональные знания – это данные, хранящиеся в БД.

Интенсиональные знания – это совокупность основных терминов, применяемых в проблемной области, и правил над ними, позволяющих получать новые знания. Интенсиональные знания описывают абстрактные объекты, события, отношения.

Интенсиональные знания подразделяются на декларативные, процедурные и метазнания.

Декларативные знания отражают понятия проблемной области и связи между ними. Они не содержат в явном виде описания каких-либо процедур.

Процедурные знания описывают процедуры, т.е. указывают операции над понятиями, позволяющие получать новые понятия. Другими словами, процедурные знания – это методы, алгоритмы, программы решения различных задач, последовательности действий (в выбранной проблемной области) – они составляют ядро баз знаний.

Метазнания – это знания об организации всех остальных типов знаний. Иначе они называются специальными. Метазнания содержат признаки декларативных и процедурных знаний.

Базы данных фиксируют экстенсиональную семантику заданной проблемной области, состояние конкретных объектов, конкретные значения параметров для определенных моментов времени и временных интервалов. База знаний определяет интенсиональную семантику моделей и содержит описание абстрактных сущностей: объектов, отношений, процессов.

Проблема представления знаний

· извлечение знаний из источников (под источниками понимаются материальные средства хранения знаний, а также события и явления, но при этом… · приобретение знаний от профессионалов (экспертов); · представление знаний, т.е. их формализация, позволяющая в дальнейшем использовать знания для проведения логического…

Логическая модель представления знаний

M = < T, P, A, F >, где T –алфавит (множество базовых элементов); P –множество правил построения синтаксически правильных выражений;

Семантические сети

Семантическая сеть – это модель, имеющая определенный смысл в виде целостного образа ориентированного графа, вершины которого соответствуют понятиям… Классификация семантических отношений – лингвистические, логические,… Так, например, семантическая структура знания о событии представляется с помощью лингвистического падежного отношения…

Продукционная модель представления знаний

i : S; L; A®B; Q , где i – индивидуальный номер продукции; S – описание класса ситуаций, в котором данная структура может использоваться;

Представление знаний с применением фреймов

Термин фрейм (frame — каркас, рамка) предложен М. Минским в 70-е годы. Под фреймом понимается абстрактный образ или ситуация. В психологии и… В общем случае фрейм определяется следующим образом: f = [( r1 , v1 ,), … ,( rn , vn )],

Назначения и основные свойства ЭС

ЭС – это программное средство, использующее экспертные знания для обеспечения высокоэффективного решения неформализованных задач в узкой проблемной… Основу ЭС составляет БЗ о ПрО, которая накапливается в процессе построения и…

Особенности построения и организации ЭС

Коэффициент доверия – это число, которое означает вероятность или степень уверенности, с которой можно считать данный факт или правило достоверным… Многие правила ЭС являются эвристиками, т.е. эмпирическими правилами или… Знания в ЭС организованы так, чтобы знания о предметной области отделить от других типов знаний системы, таких как…

Преимущества использования экспертных систем

Отметим лишь основные преимущества, которые дает использование ЭС: 1). Ее постоянство. Человеческая компетенция ослабевает со временем. Перерыв… 2). Легкость передачи. Передача знаний от одного человека другому – долгий и дорогой процесс. Передача искусственной…

Технология разработки экспертных систем

   

Основные режимы работы экспертных систем

Используя компонент приобретения знаний, эксперт описывает проблемную область в виде совокупности фактов и правил. Другими словами,… Отметим, что этому режиму при традиционном подходе к программированию… В режиме консультаций общение с ЭС осуществляет конечный пользователь, которого интересует результат и (или) способ…

Отличия ЭС от традиционных программ

1) Компетентностью, а именно: Ø Достигать экспертного уровня решений (т.е. в конкретной предметной… Ø Быть умелой (т.е. применять знания эффективно и быстро, избегая, как и люди, ненужных вычислений);

Следует отметить, что ЭС разрабатываются с той целью, чтобы вести себя как эксперты. Они, как правило, дают правильные ответы, но иногда, как и люди, способны ошибаться. Так вот, ЭС должны иметь потенциальную возможность учиться на своих ошибках.

Классификация ЭС

Класс ЭС сегодня объединяет несколько тысяч различных программных комплексов, которые можно классифицировать по различным критериям. Полезными могут оказаться следующие классификации (см. рис. 2.6).

 

 

Рис. 2.6. Схема классификации экспертных систем

Интерпретация данных. Это одна из традиционных задач для ЭС. Под интерпретацией понимается определение смысла данных, результаты которого должны быть согласованными и корректными. Обычно предусматривается многовариантный анализ данных: обнаружение и идентификация различных типов океанских судов; определение основных свойств личности по результатам психодиагностического тестирования.

Диагностика. Под диагностикой понимается обнаружение неисправности в некоторой системе. Неисправность – это отклонение от нормы. Такая трактовка позволяет с единых теоретических позиций рассматривать и неисправность оборудования в технических системах, и заболевания живых организмов, и всевозможные природные аномалии. Важной спецификой является необходимость понимания функциональной структуры диагностирующей системы: диагностика и терапия сужения коронарных сосудов; диагностика ошибок в аппаратуре и математическом обеспечении ЭВМ.

Мониторинг. Основная задача мониторинга – непрерывная интерпретация данных в реальном масштабе времени и сигнализация о выходе тех или иных параметров за допустимые пределы. Главные проблемы – пропуск тревожной ситуации и инверсная задача ложного срабатывания. Сложность этих проблем в размытости симптомов тревожных ситуаций и необходимость учета временного контекста: контроль за работой электростанций, помощь диспетчерам атомного реактора; контроль аварийных датчиков на химическом заводе.

Проектирование. Проектирование состоит в подготовке спецификаций на создание объектов с заранее определенными свойствами. Под спецификацией понимается весь набор необходимых документов – чертеж, пояснительная записка и т.д. Основные проблемы здесь – получение четкого структурного описания знаний об объекте и проблема «следа». Для организации эффективного проектирования и, в еще большей степени, перепроектирования необходимо формировать не только сами проектные решения, но и мотивы их принятия. Таким образом, в задачах проектирования тесно связываются два основных процесса, выполняемых в рамках соответствующей ЭС: процесс вывода решения и процесс объяснения: проектирование БИС; синтез электрических цепей.

Прогнозирование. Прогнозирующие системы логически выводят вероятные следствия из заданных ситуаций. В прогнозирующей системе обычно используется параметрическая динамическая модель, в которой значения параметров «подгоняются» под заданную ситуацию. Выводимые из этой модели следствия составляют основу для прогнозов с вероятностными оценками: предсказание погоды; прогнозы в экономике.

Планирование. Под планированием понимается нахождение планов действий, относящихся к объектам, способным выполнять некоторые функции. В таких ЭС используются модели поведения реальных объектов с тем, чтобы логически вывести последствия планируемой деятельности: планирование промышленных заказов; планирование эксперимента.

Обучение. Системы обучения диагностируют ошибки при изучении какой-либо дисциплины с помощью ЭВМ и подсказывают правильные решения. Они аккумулируют знания о гипотетическом «ученике» и его характерных ошибках, затем в работе способны диагностировать слабости в знаниях обучаемых и находить соответствующие средства для их ликвидации. Кроме того, они планируют акт общения с учеником в зависимости от успехов ученика с целью передачи знаний.

 

 

Контрольные вопросы:

1. Что такое экспертная система.

2. Приведите примеры возможных целей ЭС.

3. За счет чего в экспертной системе может обеспечиваться институциональная память.

4. Что такое «инженерия знаний».

5. В чем заключается отличие средств построения экспертных систем от обычных языков программирования.

6. Перечислите основные этапы жизненного цикла ЭС.

7. Чем определяются уровень компетенции и уровень самосознания экспертной системы.

8. Опишите роли эксперта и инженера по знаниям.

9. Перечислите основные приемы извлечения знаний.

10. Классифицируйте ЭС по сложности и мощности.

11. Что входит в понятие концепции “быстрого прототипа”.

12. Перечислите критерии оценки работы экспертной системы.

13. Приведите пример типовой архитектуры статической экспертной системы.

14. Каковы основные функции механизма логического вывода.

15. Какую роль выполняет объяснительная компонента в экспертной системе.

Тема 3. НЕЧЕТКИЕ ЗНАНИЯ

Глава посвящена понятию нечеткости знаний и способу их обработка на основе теории нечетких множеств с использованием нечетких высказыванием. Раскрыты теоретические основы построения конструкций нечетких высказываний: операции над нечеткими множествами, нечеткие отношения (проекция и композиция), лингвистические переменные, способы определения нечеткой импликации. Особое внимание уделено рассмотрению вопросов реализации нечеткого логического вывода в экспертных системах.

История возникновения теории нечетких множеств

Началом практического применения теории нечетких множеств можно считать 1975г., когда Мамдани и Ассилиан построили первый нечеткий контролер для… Системы, основанные на нечетких множествах, разработаны и успешно внедрены в… 3.1.1. Четкие и нечеткие множества

Тема 4. НЕЙРОННЫЕ СЕТИ

 

Вводятся понятие нейронной сети, принципы ее организации, типы и процесс функционирования.

 

Понятие нейронной сети

Нейронные вычисления – это теория разработки и исследования систем обработки информации, использующих механизмы восприятия и переработки информации… Исследования нейрофизиологов показали, что основным функциональным элементом… Для хранения информации в нейронах имеются так называемые синапсы. Эти образования представляют собой в большинстве…

Задачи, решаемые с помощью нейронных вычислений

Кластеризация/категоризация. При решении задачи кластеризации, (классификация образов без учителя), отсутствует обучающая выборка с метками классов.… Аппроксимация функций. Необходима при решении многочисленных инженерных и… Предсказание/прогноз. Пусть заданы значения дискретных отсчетов в последовательные моменты времени. Задача состоит в…

Принципы организации и функционирования ИНС

Нейронная сеть – это параллельная распределенная структура обработки информации в виде направленного графа с учетом следующих определений и… 1) вершинами графа являются обрабатывающие элементы; обрабатывающий элемент… 2) дуги графа - связи; каждая функционирует как однонаправленный канал непрерывной передачи сигнала; математический…

Классификация законов и способов обучения

Существует два основных класса методов обучения ИНС:

1. Обучение с учителем;

2. Самообучение.

 

Архитектуры искусственных нейронных сетей

1. Однослойные прямонаправленные сети. K-слойной называется ИНС, состоящая из k групп нейронов, разделенных по слоям. Если сигналы в сети… Рис. 4.2. Прямонаправленная сеть с одним слоем нейронов