Нечеткие множества и нейронные сети реферат

by stealinphePosted on

Материал из Википедии — свободной энциклопедии. Искусственные нейронные сети и генетические алгоритмы. Следует отметить, что некоторые из эволюционных методов моделирования похожи своими принципами на многоагентные системы, поэтому вполне могут пересекаться с последними или относиться по классификации к параллельному направлению. С самого начала нынешнего столетия в работах различных исследователей активно описываются нейро-нечёткие сети, ячеечно-нейросетевые модели. В году Розенблаттом были разработаны математическая и компьютерная модели восприятия информации мозгом на основе двухслойной обучающейся нейронной сети.

В нечеткие множества и нейронные сети реферат появилось новое направление эволюционного моделирования -- искусственные иммунные системы. Его авторы -- Паккард и Перельсон - предложили использовать типичные характеристики и модели функционирования человеческой иммунной системы главным образом для решения задач распознавания образов и оптимизации. В середине х годов эти принципы активно развивались в исследованиях Форреста, Тимминса, Нила и других исследователей.

Суть метода заключается в проведении эволюционного процесса клеток искусственной иммунной системы по принципам и механизмам, протекающим в естественных иммунных системах. Он работает напрямую с вещественными числами любой точности и подходит для оптимизации многомерных функций, в том числе не дифференцируемых, с большим количеством локальных оптимумов.

Метод прост в реализации и легко распараллеливается. Несмотря на то, что каждый из вышеописанных методов реферат развития науки независимо от других, они характеризуются наличием большего количества общих свойств, чем отличий.

Так, для любого из них формируется исходная популяция особей, которая в дальнейшем подвергается селекции и воздействию различных генетических операторов, что в итоге приводит к нахождению лучших решений, чем предыдущие. Следует отметить, что некоторые из эволюционных методов моделирования похожи своими принципами на многоагентные системы, поэтому вполне могут пересекаться с последними или относиться по классификации к параллельному направлению.

Одним из создателей кибернетики Джоном фон Нейманом было замечено, что стремление получить точную, исчерпывающую модель для достаточно сложного объекта процесса не имеет смысла, поскольку сложность такого описания становится соизмеримой со сложностью самого объекта. Следовательно, использование такой модели не позволяет просто и наглядно объяснить механизм его функционирования, воспользоваться какими-либо стандартными математическими процедурами для исследования характеристик объекта и синтеза системы управления.

Это особенно относится к таким объектам управления, как производственные процессы, организационные, транспортные, биологические системы и др. Известный специалист в области теории систем профессор факультета электротехники и информатики Калифорнийского университета г.

[TRANSLIT]

Заде сформулировал эту мысль в виде так называемого принципа несовместимости. Для систем, сложность которых превосходит некоторый пороговый уровень, точность и практический смысл становятся почти исключающими друг друга характеристиками. В большинстве случаев лица, принимающие решения, не могут формально нечеткие множества и нейронные сети реферат себе этот процесс.

И дело здесь не в том, что они нечеткие множества и нейронные сети реферат понимают то, что делают, а в том, что неопределенность нечеткость лежит в самой природе принятия решений. Выражаясь словами того же Л. Поток информации, поступающей в мозг через органы зрения, слуха, осязания и др. Способность оперировать нечеткими множествами и вытекающая из нее способность оценивать информацию является одним из наиболее ценных качеств человеческого разума, которое фундаментальным образом отличает человеческий разум от так называемого машинного разума, приписываемого существующим вычислительным машинам.

Наш мир состоит не из одних нулей и единиц - нам нужна более гибкая логика для того, чтобы представлять реальные взаимосвязи. Классическая логика развивается с древнейших времен. Ее основоположником считается Аристотель. Логика известна нам как строгая и сугубо теоретическая наука, и большинство ученых кроме разработчиков последних поколений компьютеров продолжают придерживаться этого мнения. Вместе с тем классическая или булева логика имеет один существенный недостаток - с ее помощью невозможно описать ассоциативное мышление человека.

Аналогично этому булева логика не признает ничего кроме единиц и нулей. Все это хорошо для вычислительных машин, но попробуйте представить весь окружающий вас мир только в черном и белом цвете, вдобавок исключив из языка любые ответы на вопросы, кроме ДА и НЕТ.

В такой ситуации вам можно только посочувствовать. Решить эту проблему и призвана нечеткая логика. В этом случае вы определяете необходимое число термов и каждому из них ставите в соответствие некоторое значение описываемой физической величины.

Для этого значения степень принадлежности физической величины к терму будет равна единице, а для всех остальных значений -- в зависимости от выбранной функции принадлежности. Обсудив с экспертами значения конкретного возраста для каждого терма, вы с полной уверенностью можете избавиться от жестких ограничений логики Аристотеля. Получившие наибольшее развитие из всех разработок искусственного интеллекта, экспертные системы завоевали устойчивое признание в качестве систем поддержки принятия решений.

Нечеткие множества и нейронные сети реферат 6126

Подобные системы способны аккумулировать знания, полученные человеком в различных областях деятельности. Посредством экспертных систем удается решить многие современные задачи, в том числе и задачи управления. Однако большинство систем все еще сильно зависит от классической логики.

Одним из основных методов представления знаний в экспертных системах являются продукционные правила, позволяющие приблизиться к стилю мышления человека. Любое правило продукций состоит из посылок и заключения. Возможно наличие нескольких посылок в правиле, в этом случае они объединяются посредством логических связок И, ИЛИ.

Обычно продукционное правило записывается в виде:.

Нечеткие множества и нейронные сети реферат 1075

Главным же недостатком продукционных систем остается то, что для их функционирования требуется наличие полной информации о системе. Нечеткие системы тоже основаны на правилах продукционного типа, однако в качестве посылки и заключения в правиле используются лингвистические переменные, что позволяет избежать ограничений, присущих классическим продукционным правилам. Первой работой, заложившей основы нового подхода к анализу сложных систем и процессов принятия решений была опубликованная в г. Предложенные идеи, в силу своей нацеленности на моделирование процессов принятия решений в нечеткие множества и нейронные сети реферат неопределенности, нашли много сторонников и получили широкое распространение в качестве инструмента для построения реальных систем ИИ.

Нечеткая логика использует понятия повседневной речи для определения поведения системы.

Нечёткая логика

Несмотря на огромный поток публикаций в данной области например, с г. Так, известный американский математик, специалист в области теории систем Р. Общеизвестно, что практика - критерий истины. Еще в г. В г. Япония экспортировала в общей сложности более чем на 25 млрд. Это, в первую очередь, товары культурно-бытового назначения - фотоаппараты, видеокамеры, стиральные машины, холодильники, пылесосы, микроволновые печи и многое другое.

Таким образом, технология, почти не замеченная всем миром, в Японии превратилась в одну из ключевых технологий, что сразу привлекло к себе огромное внимание. Сегодня многие ведущие компании США, Германии, Франции и ряда других стран предлагают самые разнообразные товары и системы с использованием принципов нечеткой логики, осваивая все новые и новые области применения.

Вместе с тем, по оценкам европейских ученых, Япония значительно опережает в развитии своих ближайших конкурентов в этом направлении. В Калифорнийском университете Л. В последнее время нечеткая технология нечеткие множества и нейронные сети реферат все больше сторонников среди разработчиков систем управления. В России в качестве примера можно вспомнить рекламу стиральных машин и микроволновых печей фирмы Samsung, обладающих искусственным интеллектом на основе нечеткой логики. Тем не менее, столь масштабный скачок в развитии нечетких систем управления не случаен.

Простота и дешевизна их разработки заставляет проектировщиков все чаще прибегать к этой технологии. После поистине взрывного старта прикладных нечетких систем в Японии многие разработчики США и Европы наконец-то обратили внимание на эту технологию.

Но время было упущено, и мировым лидером в области нечетких систем стала Страна восходящего солнца, где к концу х годов был налажен выпуск специализированных нечетких контроллеров, выполненных по технологии СБИС. В советской музыкальной комедии доклад ситуации Intel нашла поистине гениальное решение.

Имея большое количество разнообразных контроллеров от MCS до MCS, которые на протяжении многих лет успешно использовались во многих приложениях, корпорация решила создать средство разработки приложений на базе этих контроллеров, но с использованием технологии нечеткости. Это позволило избежать значительных затрат на конструирование собственных нечетких контроллеров, а система от Intel, получившая название fuzzy TECH, завоевала огромную популярность не только в США и Европе, но и прорвалась на японский рынок.

Сегодня область искусственного интеллекта содержит в себе взаимодействие нейронных сетей, эволюционного программирования и нечеткой логики. Это показано на рис 1. Нечеткие множества и нейронные сети реферат концепции нечеткой логики в НС дает возможность гибридной системе иметь дело с человекоподобным процессом рассуждений, закладывать в информационное поле НС априорный опыт экспертов-экономистов, использовать нечеткое представление информации, извлекать знания из входного потока экономических показателей, а интеллектуальные средства анализа позволяют оптимизировать затраты на модификацию и эксплуатацию корпоративного сайта субъекта рыночных отношений.

Взаимодействие между разделами науки занимающимися нейронными сетями, эволюционным программированием и нечеткой логикой. Объединение возможностей нейронных сетей и нечеткой логики является наиболее перспективным подходом к организации систем интеллектуального анализа экономических данных. НЛ наилучшим образом дополняет нейронные сети.

Нечеткая логика позволяет формализовать качественную информацию, полученную от экспертов-экономистов для конкретной сферы применения, и представить совокупность полученных знаний в виде системы нечетких правил логического вывода, позволяющих анализировать заключения, полученные в процессе работы гибридной интеллектуальной системы. Нейронные сети дают возможность отобразить алгоритмы нечеткого логического вывода в структуре НС, вводя в информационное поле нейронной сети информацию, полученную от экспертов-экономистов.

Сформированная подобным образом база знаний автоматически корректируется в процессе обучения нейро-нечеткой сети исходя из реальных нечеткие множества и нейронные сети реферат анализируемых экономических показателей и результаты коррекции могут быть подвергнута последующему анализу.

  • Нечеткие системы тоже основаны на правилах продукционного типа, однако в качестве посылки и заключения в правиле используются лингвистические переменные, что позволяет избежать ограничений, присущих классическим продукционным правилам.
  • Возможно наличие нескольких посылок в правиле, в этом случае они объединяются посредством логических связок И, ИЛИ.
  • Определение основных операций, перечисленных выше, приводит к формальному определению базисной нечёткой логики , которая имеет много общего с классической булевозначной логикой точнее, с исчислением высказываний.
  • Нейронные сети, эволюционное моделирование и нечеткая логика бурно развиваются и находят всё новые и новые ниши для себя.

Важной особенностью нейро-нечетких сетей является способность автоматически генерировать систему нечетких правил, извлекая скрытые закономерности изданных обучающей выборки. Под названием адаптивной нейро-нечеткой системой вывода - ANFIS Adaptive Neuro-Fuzzy Inference System известна специализированная пейросетевая структура, характеризующаяся хорошей сходимостью и ориентированная на извлечение знаний в виде системы нечетких правил из данных обучающей выборки.

Таким образом, проведенный анализ показывает, что знания квалифицированных экономистов для конкретной предметной области, представленные в форме нечетких правил логического вывода, могут быть прозрачным способом отражены в структуре нейро-нечеткой сети. Обучение нечеткой НС позволяет не только настроить веса связей т.

В случае отсутствия исходной информации по данной предметной области, но при достаточном объеме обучающей выборки нейро-нечеткая сеть автоматически преобразует скрытые в анализируемых экономических показателях закономерности в базу знаний в виде системы правил нечеткого логического вывода.

Решение задач управления и принятия решений корпоративного уровня сопровождается оптимизацией сайта хозяйствующего субъекта.

Нейронечёткая классификация слабо формализуемых данных

Причем оптимизация информационной структуры коропративного сайта в соответствии с интересами его посетителей базируется на придании сайту адаптивных свойств, что требует привлечения современных интеллектуальных средств. Поэтому для подбора параметров таких сетей применим метод обратного распространения ошибки, нечеткие множества и нейронные сети реферат предложенный для обучения многослойного персептрона.

Для этого модуль нечеткого управления представляется в форме многослойной сети. Нечеткая нейронная сеть как правило состоит из четырех слоев: слоя фазификации входных переменных, слоя агрегирования значений активации условия, слоя агрегирования нечетких правил и выходного слоя.

Доказано, что такие сети являются универсальными аппроксиматорами. Быстрые алгоритмы обучения и интерпретируемость накопленных знаний — эти факторы сделали сегодня нечеткие нейронные сети одним из самых перспективных и эффективных инструментов мягких вычислений.

Классические нечеткие системы обладают тем недостатком, что для формулирования правил и функций принадлежности необходимо привлекать экспертов той или иной предметной области, что не всегда удается обеспечить. Адаптивные нечеткие системы adaptive fuzzy systems решают эту проблему.

Лермонтов м ю докладДоклад на тему развитие науки 19 века
Отчет о прохождении практики в коммерческом банкеДоклад о качестве образования в школе
Крестовый поход хроно рецензияОбразец презентации для дипломной работы
Реферат по философии для студентовНестероидные противовоспалительные средства реферат
Пауки реферат по биологииЭссе по истории про ленина

В таких системах подбор параметров нечеткой системы производится в процессе обучения на экспериментальных данных. Алгоритмы обучения адаптивных нечетких систем относительно трудоемки и сложны по сравнению с алгоритмами обучения нейронных сетей, и, как правило, состоят из двух стадий: 1. Генерация лингвистических правил; 2. Корректировка функций принадлежности. Первая задача относится к задаче переборного типа, вторая — к оптимизации в непрерывных пространствах.

При этом возникает определенное противоречие: для генерации нечетких правил необходимы функции принадлежности, а для проведения нечеткого вывода — правила. Кроме того, при автоматической генерации нечетких правил необходимо обеспечить их полноту и непротиворечивость.

Значительная часть методов обучения нечетких систем использует генетические алгоритмы. В англоязычной литературе этому соответствует специальный термин — Нечеткие множества и нейронные сети реферат Fuzzy Systems. Значительный вклад в развитие теории и практики нечетких систем с эволюционной адаптацией внесла группа испанских исследователей во главе с Ф.

Херрера F. Нечеткие запросы к базам данных fuzzy queries — перспективное направление в современных системах обработки информации.

Существует большое количество методов и алгоритмов предварительной подготовки данных, расчета структуры сети и модифицированных методов обучения, но все они в значительной мере опираются на опыт разработчика. Реферат по программному обеспечению, программированию. Теория Хебба считается типичным случаем самообучения, при котором испытуемая система спонтанно обучается выполнять поставленную задачу без вмешательства со стороны экспериментатора. Беркинблит М.

Данный инструмент дает возможность формулировать запросы на естественном языке, например: "Вывести список недорогих предложений о съеме жилья близко к центру города", что невозможно при использовании стандартного механизма запросов. Для этой цели разработана нечеткая реляционная алгебра и специальные расширения языков SQL для нечетких запросов. Большая часть исследований в этой области принадлежит западноевропейским ученым Д. Дюбуа и Г.

2119851

Нечеткие ассоциативные правила fuzzy associative rules — инструмент для извлечения из баз данных закономерностей, которые формулируются в виде лингвистических высказываний. Здесь введены специальные понятия нечеткой транзакции, поддержки и достоверности нечеткого ассоциативного правила.

Генетические алгоритмы, их применение. Эволюционное вычисление г. Математическая модель нейрона. История развития нейронных сетей, эволюционного программирования, нечеткой логики.

Нечеткие когнитивные карты fuzzy cognitive maps были предложены Б. Коско в г. В отличие от простых когнитивных карт, нечеткие когнитивные карты представляют собой нечеткий ориентированный граф, узлы которого являются нечеткими множествами.

Направленные ребра графа не только отражают причинно-следственные связи нечеткие множества и нейронные сети реферат концептами, но и определяют степень влияния вес связываемых концептов.

Нечёткая логика и искусственные нейронные сети: Учеб. Нейронные сети используются там, где необходимо обучить объект перед использованием. Не исключение и искусственные нейронные сети.

Также нейронные сети используются, например, для настройки параметров нечётких систем управления. Беркинблит М. Заенцев И. Она может быть описана в универсальной форме аппроксиматоров.

В обозначениях, принятых для лингвистической переменной :. Нечёткой логике свойственно отсутствие строгих стандартов. Чаще всего она применяется в экспертных системахнейронных сетях и системах искусственного интеллекта.

Материал из Википедии — свободной энциклопедии. Круглов, M. Дли, Р. Нечеткая логика и искусственные нейронные сети. ISBN Непрерывная логика. Теория и применения. Britannica онлайн. Для улучшения этой статьи желательно :.