Функція приналежності

[ виправити ] текст може містити помилки, будь ласка перевіряйте перш ніж використовувати.

скачати

МІНІСТЕРСТВО ОСВІТИ І НАУКИ УКРАЇНИ

Обнінський інститут атомної енергетики

ФАКУЛЬТЕТ КІБЕРНЕТИКИ

РЕФЕРАТ
На тему: «Функція речі»
Виконала: студентка 4-його курсу
групи А-1-96
Дьоміна А.Ю.
Обнінськ 2000

Зміст
1. Еволюція систем штучного інтелекту.
2. Напрями розвитку систем штучного інтелекту.
3. Представлення знань - основна проблема систем штучного
інтелекту.
4. Що таке функція приналежності і де вона використовується?
5. Підсумки.

Буквально кілька десятиліть тому все було зрозуміло: знання - особливість виключно людського інтелекту, так як він передбачає здатність не тільки зберігати інформацію, а й розуміти її. Проте бурхливий розвиток сучасних інформаційних технологій привів до кардинального перегляду багатьох звичних визначень. У їх числі виявилося і саме поняття інтелекту: унікальність людського розуму була поставлена ​​під сумнів самою людиною.
Перші дослідження в області штучного інтелекту (ШІ) були розпочаті в 60-х роках і спочатку обмежувалися рішенням найпростіших завдань, як то: наділення машин здатністю доводити нескладні теореми, навчання логіці гри в шахи і т.п. Від вирішення перших найпростіших завдань дослідники поступово перейшли до більш складним моделям: прискорення типових обчислень як продукт їхньої початкової діяльності перестало задовольняти потребам суспільства. Власне кажучи, звідси і бере свій початок історія добре відомих сьогодні систем автоматизації.
Однак після масового впровадження цих систем в бізнес-процеси, виникли перші труднощі. З'ясувалося, що багато завдань, які успішно і швидко вирішуються людиною-експертом, не піддаються опису в поняттях комп'ютерної логіки, заснованої тільки на математиці. Альянс «людина + комп'ютер» як і раніше залишався домінуючим при виборі та побудові моделей подібних систем. Природно, з огляду на всі зростаючу тенденцію до максимальної автоматизації діяльності, що створилося становище вимагало глобального переосмислення існуючого підходу до інформації взагалі. Машини необхідно було навчити не тільки структурувати інформацію, а й думати, приймаючи самостійні рішення. Саме цей момент можна по праву вважати початком століття ШІ.
Фахівці швидко зрозуміли, що основним завданням нової галузі має стати ефективне управління надходять інформаційними потоками, тобто, в кінцевому рахунку, отримання знань з інформації. Було очевидно, що для початку частина матеріалів може і повинна бути відсіяні, виходячи з певних критеріїв.
В даний час в дослідженнях з ШІ виділилися кілька основних напрямків:
· Подання знань.
· Маніпулювання знаннями.
· Спілкування.
· Сприйняття.
· Навчання.
· Поведінка.
Узгоджуючи з темою реферату, розглянемо тільки перший напрямок.
Проблема подання знань є однією з основних проблем для системи ШІ, тому що функціонування такої системи спирається на знання про проблемну області, які зберігаються в її пам'яті.
В області набуття знань до теперішнього часу розроблено значну кількість підходів, стратегій, методів і процедур роботи з експертами, запропоновані різні способи обробки отриманих результатів, а також створено цілий ряд програмних засобів, що автоматизують процеси вилучення знань з експертів, спеціальних текстів і баз даних.
Найбільший розвиток з усіх розробок ШІ отримали експертні системи (ЕС). Вони завоювали стійке визнання в якості систем підтримки прийняття рішення. Подібні системи здатні акумулювати знання, отримані людиною в різних областях діяльності. Однак більшість систем все ще сильно залежить від класичної логіки (її основоположником вважається Аристотель). Істотний недолік класичної чи булевої логіки - з її допомогою неможливо описати асоціативне мислення людини. Вирішити цю проблему і покликана нечітка логіка, до складу апарату якої входить функція приналежності.
Одним з основних методів представлення знань в ЕС є продукційні правила, головним недоліком яких є те, що для їх функціонування потрібно наявність повної інформації про систему.
Нечіткі системи теж засновані на правилах продукційного типу, але в якості посилки і укладання в правилі використовуються лінгвістичні змінні, що дозволяє уникнути обмежень, властивих класичним продукційних правил.
Нечіткість виникає у разі, коли експерт намагається кількісно охарактеризувати якісні поняття і відносини, які він використовує у своїх міркуваннях. Придбання нечітких знань є надзвичайно складним завданням, оскільки експерти, як правило, не в змозі визначати і будувати функцію приналежності (ФП) множини F, яка відображає елементи множини F в інтервал [0; 1]. Крім того, експерт часто не може (не хоче) оперувати чіткими поняттями, а використовує для вирішення завдання нечіткі змінні, які він підсвідомо розуміє, але висловити кількісно не може. Наприклад, у своїх міркуваннях експерт може оперувати поняттям «великий», проте жодним чином не характеризуючи це поняття кількісно. Вирішувати цю проблему має вже інженер знань за допомогою апарату нечіткої логіки. Розберемо, як це відбувається.
Точні значення змінних перетворюються на значення лінгвістичних змінних за допомогою застосування деяких положень теорії нечітких множин, а саме - за допомогою певних ФП.
У нечіткої логіки значення будь-якої величини подаються не числами, а словами природної мови і називаються термами. Належність кожного точного значення одному з термів лінгвістичної змінної (ЛП) і визначається за допомогою ФП. Її вигляд може бути абсолютно довільним. Зараз сформувалося поняття про так званих стандартних ФП (див рис. Нижче).
Рис. 3.
Стандартні ФП легко застосовні до вирішення більшості завдань. Однак, якщо має вирішувати специфічне завдання, можна вибрати і більш відповідну форму ФП, при цьому можна досягти кращих результатів роботи системи, ніж при використанні функції стандартного типу.
Дамо якусь подобу алгоритму щодо формалізації задачі в термінах нечіткої логіки.
  1. Для кожного терма взятої ЛП знайти числове значення або діапазон значень, найкращим чином характеризують даний терм. Так як це значення або значення є «прототипом» нашого терма, то для них вибирається одиничне значення ФП.
  2. Після визначення значень з одиничною приналежністю необхідно визначити значення параметра з належністю «0» до даного терму. Це значення може бути вибрано як значення з приналежністю «1» до іншого терму з числа визначених раніше.
  3. Після визначення екстремальних значень потрібно визначити проміжні значення. Для них вибираються П-і Л-функції з числа стандартних ФП.
  4. Для значень, що відповідають екстремальним значенням параметра, вибираються S-або Z-ФП.
Після такого опису завдання необхідно перейти до складання бази нечітких правил.
Можна виділити дві групи методів побудови ФП: прямі і непрямі. У прямих методах експерт безпосередньо задає правила визначення значень ФП lia (u). Сюди відноситься безпосереднє завдання ФП таблицею, формулою або прикладом.
У непрямих методах значення ФП вибираються таким чином, щоб задовольнялися заздалегідь сформульовані умови. Як правило прямі методи використовуються для опису понять, які характеризуються вимірними ознаками (заввишки, зростанням, масою, об'ємом).
Підіб'ємо деякі підсумки нашого огляду і відзначимо найбільш важливі аспекти впливу і роль, яку відіграли й відіграють ФП у формуванні та розвитку ШІ.
· ФП можуть відображати думку як деякої групи експертів, так і одного унікального експерта. Комбінуючи можливі два методи побудови ФП з двома типами експертів (колективним і унікальним), можна отримати чотири типи експертизи.
· Теорія нечітких множин, як один з методів ШІ, дає можливість представити з єдиних позицій абстрактних різнотипних вихідну інформацію, обмеження і цілі. При цьому коректне обчислення значень ФП об'єктів до нечітких безлічей є перетворенням у сильну інтервальну шкалу вихідного ознаки, будь то невизначений числової або номінальний ознаки, які суб'єктивні судження фахівця з розв'язуваної проблеми.
· Вирішується проблема придбання нечітких знань.
· Розробка одного з компонентів незнання в апараті Знання - недовизначеність математики - не лише забезпечила справжній стрибок у вирішенні традиційних для ШІ логіко-комбінаторних проблем у рамках розвитку напрямку constraint programming, але і радикально змінила технологію самої обчислювальної математики, значно розширивши її можливості.
· Крім того апарат недовизначеність математики і останні тенденції constraint programming реалізуються на радикально новому - неалгарітміческом - процесі data-driven (управління з даними), що володіє природно паралельними і недетермінізму, що дозволяють подолати властивий апарату знань поріг ефективності.

Література
  1. "Методи роботи зі знаннями. Формалізація якісних знань ". http://www.saslib.ru/ref/arh/14/240-2905/index.html
  2. Г.В. Рибіна, Р.В. Душкін. "Деякі аспекти автоматизованого вилучення і обробки знань з НЕ-факторами".
  3. "Непрості будні штучного інтелекту". http://www.computery.ru/upgrade/
  4. А.С. Наріньяні. "Штучний інтелект: стагнація чи нова перспектива?"
  5. Конспект лекцій "Тенденції розвитку систем штучного інтелекту".
  6. С.Л. Сотник. Конспект лекцій з курсу "основи проектування систем штучного інтелекту"
Додати в блог або на сайт

Цей текст може містити помилки.

Програмування, комп'ютери, інформатика і кібернетика | Реферат
21.5кб. | скачати


Схожі роботи:
функція
Гроші і їх функція 2
G-білки і їх функція
Функція держави
Неперервність та функція
Функція та її виклики
Функція Дірака
Гроші і їх функція
Функція Планування
© Усі права захищені
написати до нас