НЕЧЕТКАЯ ЛОГИКА И НЕЙРОННЫЕ СЕТИ ПИР)
Содержание:
I. Теоретическая часть:
Глава 1. История развития нейронных сетей
Искусственный интеллект, составляющей которого являются нейронные сети, имеет долгую историю, сравнимую с историей всего человечества, поскольку людей всегда интересовал вопрос – как происходит процесс их мышления? Значимость этого вопроса определялась тем, что именно процесс мышления позволял понимать окружающий мир и управлять им.
Рассмотрим эволюцию отдельных разделов тех наук, которые внесли свой вклад в появление искусственного интеллекта.
Исторически впервые вопросы, связанные с процессами мышления, начали исследовать в философии.
Основные вопросы, над которыми размышляли здесь древние философы, сводились к следующим:
- Могут ли использоваться формальные правила для вывода правильных заключений?
- Как такой идеальный объект, как мысль, рождается в таком физическом объекте, как мозг?
- Каково происхождение знаний?
Принципы, руководящие рациональной частью мышления, были сформулированы Аристотелем (384 - 322 годы до н.э.). Он разработал неформализованную систему силлогизмов, предназначенную для проведения правильных рассуждений[1].
Гораздо позднее Раймунд Луллий (умер в 1315 году) выдвинул идею, что полезные рассуждения можно фактически проводить с помощью механического устройства.
Томас Гоббс (1588-1679) проводил аналогию между нашими рассуждениями и числовым расчетам, отмечая, что «в наших неслышимых мыслях мы поневоле складываем и вычитаем».
Рене Декарт (1596-1650) впервые опубликовал результаты обсуждения различий между разумом и материей, а также возникающие при этом проблемы.
Если предположить, что знаниями манипулирует физический разум, то возникает следующая проблема - установить источник знаний. Такое научное направление, как эмпиризм, родоначальником которого был Фрэнсис Бекон (1561-1626), автор Нового Органона, можно охарактеризовать высказыванием Джона Локка (1632 - 1704): «В человеческом понимании нет ничего, что не проявлялось бы прежде всего в ощущениях».
Дэвид Юм (1711 - 1776) в своей книге A Treatise of Human Nature (Трактат о человеческой природе) предложил метод, известный теперь под названием принципа индукции.
на работе Людвига (1889 - 1951) и Рассела (1872 - знаменитый кружок, возглавляемый Карнапом (1891-1970), доктрину логического . Согласно доктрине, все знания быть охарактеризованы с логических , связанных в итоге с констатирующими , которые соответствуют сенсорным данным.
В подтверждения Карнапа и Карла (1905 - 1997) попытка понять, как могут приобретены из опыта. В Карнапа The Logical of the World определена заданная процедура для извлечения из результатов элементарных . Это можно считать теорией как вычислительного .
Философия сформулировала важные положения, рациональной мышления, но для их формализации были фундаментальные в другой науке – . На протя нескольких столетий эти проводились параллельно, обогащая обе науки. Для интеллекта влияние оказало таких разделов как логика, вычисления и .
Основными исследований здесь :
- формальные правила правильных заключений;
- пределов ;
- проведение рассуждения с недостоверной инфор.
Хотя идеи логики еще у философов древней Греции, ее принято считать Буля (1815 - который детально логику высказываний, в честь него булевой брой[2].
В 1879 году Фреге - 1925) расширил логику, создав первого порядка, в настоящее используется как наиболее система представления .
Альфред Тарский - 1983) ввел в научный теорию ссылок, показывает, как связать объекты с реального мира.
В году Гёдель , что действительно существуют пределы .
Алан Тьюринг - 1954) попытался охарактеризовать, какие способны вычисленными. Определение в тезисе Чёрча-Тьюринга, указывает, что машина способна любую вычислимую функцию.
логики и теории , третий по величине математиков в интеллект состоял в теории вероятностей. вероятности была сформулирована математиком Джероламо (1501 - 1576), описал ее в терминах событий с исходами, возникающих в играх.
Пьер (1601 - 1665), Паскаль Джеймс Бернулли Пьер Лаплас - 1827) и другие внесли вклад в эту теорию и новые статистические .
Томас Байес - 1761) правило обновления с учетом новых . Правило Байеса и на его основе направление, называемое анализом, лежат в большинства современных одов к проведению с учетом неопределенности в искусственного интеллекта.
в области философии и способствовали анию первых вычислительных .
В 1500 году да Винчи (1452 - спроектировал еский калькулятор.
известная вычислительная была создана в году ученым Вильгельмом (1592 - 1635).
В году Блез (1623 - построил машину, им Паскалина Готтфрид Лейбниц (1646 - создал устройство, предназначенное для операций над понятиями, а не над чис.
Несмотря на достаточно период природы мышления, результатов было мало. Это во многом с тем, что методы исследований, позволившие значительные результаты в естествеенно научных , как астрономия, и химия, оказа не эффективными при изучении .
Значительный прорыв в 20 веке, он с:
1) достижениями в области , нейроанатомии и психологии;
2) достижений различных в новейшую науки -искусственный .
В шестидесятые годы столетия группа в областях и нейроанатомии установила, что - это сотни миллиардов соединенных друг с [3].
Понимание нейрона и его связей исследователям математические модели, , в свою , явились теоретическим для создания искусственных сетей.
Первые нейронные были реализованнны в электронных схем. , в связи с развитием техники сственные нейронные стали реализовываться в программ.
Поскольку в интеллекте и автоматизируются задачи любой интеллектуальной деятельности , искусственный становится поистине научной областью.
Для эффективности интеллектуализации Тьюрингом был специальный тест, на том, что поведение объекта, об искусственным интеллектом, в итоге будет отличить от человека.
Искусственные сети (ИНС) - модели, а их программные или аппаратные , построенные по принципу организации и биологических нейронных - сетей клеток живого организма[4].
В развитии нейронных можно выделить этапов.
1 - прорыв в области :
- 1943 г. – выходит У. Маккалока и У. Питтса о активности, в они формулируют понятие сети и представляют мо нейронной сети на схемах;
- г. – Норберт Винер работу о кибернетике;
- г. – Д. Хебб предлагает алгоритм ;
- 1958 г. – Джон фон предложил имитацию функций нейронов с использованием трубок;
- в г. Ф. Розенблатт изобретает перцептрон.
На тот момент , что для создания аналога мозга лишь спроектировать большую нейронную .
2 этап - пессимизм.
:
1. Сети не решать задачи, весьма сходные с , которые они успешно .
2. Однослойные теоретически неспособны многие простые , в том числе реализовать «исключающее ».
3. В 1969 году с мировым именем М. публикует формальное ограниченности , а соответственно, и его неспособность достаточно широкий задач.
Все это вместе приводит к интереса многих ателей к нейронным .
3 этап - оптимизм.
исследованию ученых, как Кохонен, , Андерсон, сформировался фундамент, на основе стало воз конструирование мощных сетей. Однако заключалась в их обучении.
г. - П. Вербосом алгоритм обратного ошибки для обучения перцептронов, переоткрытый в 1982 г. Д. и в 1986 году И. Румельхартом,
Дж. Е. Хинтоном и Дж. Вильямсом и независимо и еменно С.И. и В.А. Охониным (Красноярская )[5]. Этот система метод для обучения сетей ограничения, указанные .
Дальнейшие исследования , что этот метод не универ, несмотря на многие практические результаты. заключается в очень процессе , а в некоторых случаях может вообще не .
Последнее возможно по причинам: сети и попадание в ло минимум.
1975 г. – представляет Когнитрон - сеть, для инвариантного распознавания .
1980 г. – в попытках когнитрон Фукусимой разработана парадигма, названная .
1982 г. – Дж. Хопфилд нейронную сеть с связями. сеть имела ряд недостатков и не могла использована на практике, заложил нейронных рекуррентных , после чего об нейронных сетях возможным как об ассоциативной памяти.
г. – Кохоненом представлены сети, обучающейся без еля на основе .
1987 г. – Роберт , решая временные сети обратного ошибки, сети встречного (СВР). Время в сетях обучения по с обратным ением может в сто раз.
Следующей проблемой нейронных сетей проблема , суть, которой в том, что новому образу или изменяет результаты обучения.
- г. – Гроссберг создал резонансную теорию () и модели нейронных , построенных на ее .
Сети и алгоритмы APT пластичность, необходимую для изу новых образов, в то же , предотвращая ранее запомненных .
2000-е годы - попадания в локальный была , в частности, применением методов обучения ( обучение. Обучение ).
2007 г. - Хинтоном в университете созданы алгоритмы обучения многослойных сетей. обусловлен тем, что Хинтон при нижних слоев использовал ограниченную ма Больц (RBM - Restricted Machine).
На сегодня достаточно много моделей сетей, имеющих свои .
В современном обществе проблемы сводятся к управ слабоструктурированными, а часто и сложными системами.
оценить перспективы нейронных можно, лишь их место в решении проблемы[6].
Существующие в время управления можно ифицировать следующим :
1. Классическая система , построенная на теории автоматического с различными математическими обработки данных.
2. управления, на основе нечеткой и экспертных систем.
3. управления на основе алгоритмов и нных нейронных сетей.
метода нейросетевого являются:
- Отсутствие на линейность .
- Эффективность в условиях .
- После окончания обеспечивается управление в масштабе .
- Нейросетевые системы более адаптивны к условиям.
Однако, при нейронных возникают трудности, свя с надежностью их работы, так как нейронные сети быть даже при их правильном . Следовательно, для критических использование нейронных необходимо другими системами.
2. Аналогия нейронных с мозгом и биологическим
Искусственные являются электронными нейронной структуры , который, главным , учится на .
Естественной аналог , что множество проблем, не еся решению традиционными , могут эффективно решены с нейросетей.
Интеллектуальные на основе искусственных сетей с успехом решать распознавания образов, прогнозов, оптимизации, памяти и .
Традиционные подходы к этих проблем не дают необхо гибкость и приложений выигрывают от нейросетей.
Базовым мозга человека специфические , известные как нейроны, запоминать, думать и предыдущий опыт к действию, что их от остальных клеток тела.
головного мозга является плоской, из нейронов , содержит около 1011 . Каждый нейрон с 103 - 104 другими . В целом человека имеет изительно от 1014 до 1015 .
Биологический нейрон крайне . Искусственные нейросети лишь главнейшие сложного мозга.
(нервная ) состоит из тела - сомы (soma), и типов внешних древовидных : аксона () и дендритов (dendrites). клетки содержит (nucleus), где находится ация про свойства , и плазму, которая необходимые для нейрона . Нейрон получает (импульсы) от нейронов через (приемники) и передает , сгенерированные телом клетки, аксона (), который в конце на волокна (strands). На иях волокон находятся (synapses).
1 – Схема биологического
Синапс является узлом между нейронами (во аксона одного и дендрит другого). импульс достигает си окончания, химические вещества, нейротрансмиттерами. Нейротрансмиттеры через синаптическую , и в зависимости от синапса, возбуждают или способность нейрона-приемникагенерировать импульсы. Результативность настраивается через него , поэтому синапсы в зависимости от активности , в которых они участие. Сообщение с помощьючастотно-импульсноймодуляции
Глава 3. искусственного нейрона
Иску нейрон ( нейрон Маккалока — , Формальный нейрон) – искусственной нейронной , являющийся моделью естественного . Математически, искусственный обычно представляют, как нелинейную от единственного аргумента – комбинации всех сигналов. Данную называют активации или функцией , передаточной . Полученный результат на единственный . Такие искусственные объединяют в сети – выходы одних с входами . Искусственные нейроны и являются основ элементами идеального .
Базовый нейронных сетей – нейрон – моделирует функции естественного (рис. 2).
2 – Базовый искусственный
Искусственный нейрон, как и биологический, состоит из «итов» - сигналов. Каждый сигнал либо ивается, либо . Для этого сигнал xi умножается на так синаптический вес wi, что синапсы биологического она. После сигналы передаются в «тело» нейрона, где он в два этапа: сумматором и так передаточной , и по выходящей дуге y ( аксона) передаются нейронам. Рассмотрим ком искусственного подробнее.
Глава 4. искусственных нейронных
Для начала стоит , что любая состоит из двух слоёв - принимающего (он же и ) сигналы и обрабатываю. Однако, нейронная сеть только лишь из двух слоев - то она , если больше, то многослойная. поподробнее.
Однослойная ИНС - сигналы сразу с входного на выходной, который их и выдает готовый . На изображении распределяющий изображен , а обрабатывающий - квадратиками.
3 – Однослойная сеть
Многослойная ИНС – , которая из входного, скрытого и об слоев. Сигнал с слоя частично тся скрытым , после чего на последний слой , вычисляющий результат.
4 – Многослойная нейронная
Интересно то, что скрытые ИНС ученые научились совсем и это большой шаг вперед, многослойные нейросети суще превосходят по производительности и однослойные.
стоит знать, что сети в двух - прямое распределение и . ИНС прямого дают возможность с успехом большинство : прогнозирование, кластеризация и ание. В таких сигнал передается вперед, назад он ься не имеет возможности.
А что же с обратными в ИНС? В подобных часть сигнала от может быть назад и принцип работы расширяет возможности . Такие ИНС могут кратковременной как у человека.
Глава 5. нейронных сетей
свойством искусственных сетей их способность к . В процессе обучения сеть использует данные из среды, корректируя свои веса и пороговые , что приводит в результате к производительности сети.
Обучение – это , при котором свободные нейронной сети посредством среды, в которую эта встроена.
Тип обучения способом подстройки параметров. При во внимание это определение, обучения искусственной нной сети может представлен в , показанном на рис. 5.
Рисунок 5 – обучения нейронной
Таким образом, в обучения не сети можно следующие этапы ()[7]:
- В нейронную сеть из среды стимулы.
- В результате воздействий прои изменение свободных пара нейронной .
- После изменения структуры нейронная отвечает на последующие иначе.
процесс обучения следующим образом[8]. В функционирования нейронная для входного X формирует выходной Y, реализуя некоторую Y = G(X) . Если архитектура сети , то вид функции G определяется ями синаптических весов и этой сети.
решением задачи является Y = F(X), заданная парами и выходных данных (X1, Y1), (X2, Y2), …, (XN, YN), для которых Yk=F(Xk) (kN). Таким , обучение нейронной заключается в функции G, близкой к F в некоторой функции ки E.
В процессе обучения на нейронной сети входной сигнал и выходное . Оно сравнивается с соответствующим из целевым значением и разница между (сигнал ). Сигнал ошибки (error ) – это разность между сигналом и текущим откликом нейронной .
Далее происходит синаптических весов в с выбранным алгоритмом, минимизировать . Сети пооче предъявляются обучающие , вычисляются ошибки и тся веса до тех пор, ошибка по всему множеству не достигнет при низкого уровня[9].
процессы нейронных сетей большой интерес в мире. В значительной этому тот факт, что искусные нейронные сети менять свое в зависимости от внешней среды. предъявления входных (возможно, вместе с емыми выхо) они самонастраиваются, обеспечивать требуемую ре. За годы исследований в области искусственного было ано множество алгоритмов, каждый со сильными и слабыми .
Эти алгоритмы нейронных сетей (в том и описанные выше) находят и успешное применение. На их создаются ьно действующие для распознавания образов, информации, автоматизирован управления, оценок и много .
II. Практическая часть:
6. Применение нечеткой на практике на определение расхода на полив
Условие : В задаче требуется расход при поливе с/х угодий. Входные : а) количество с/х культур ( культур, мало культур); б) воздуха (засушливое лето, лето, холодное ). Выходной сигнал: воды на (большой расход, средний , маленький расход). : 1. Если с/х угодий много, лето , то расход воды . 2. Если с/х культур , лето нормальное, то воды . 3. Если с/х культур , лето холодное то воды маленький.
(в программном MATLABFuzzyLogicToolbox):
В данной предлагается использовать 2 переменные и 1 выходную .
В качестве входной переменной оценка количе с/х культур.
В качестве входной предлагается взять температуры воздуха .
В качестве выходной берется расхода воды на .
Из анализа расхода на полив определяется правил, данных в задачи.
Построение модели:
- Формирование переменных.
Будем , что переменные принимать значения в от 0 до 10. Самая низкая 0, самая высокая 10.
получаем исходные входные :
– количество с/х культур;
– воздуха летом.
, на входе четкий вектор {.
На модели должна четкая переменная Y.
- входных переменных (формирование лингвистических переменных).
Для оценки первой используются два – мало культур, культур, т.е. терм-множество =(мало культур, культур)=(, ).
Для оценки второй используются три терма – , нормальное, холодное, т.е. переменной =(, нормальное, холодное)=(, ).
Для оценки выходной используются три терма – , средний, , т.е. терм-множество переменной =(, средний, большой)=(, ).
- базы правил вывода.
правила, сформулированные в задачи в следующем :
- Если = много и засушливое, то = ;
- Если = много и нормальное, то = средний;
- = мало культур и , то = маленький.
- алгоритма нечеткого с использованием средств .
Спроектируем нечеткую , выполнив последовательность :
В редакторе FIS Editor ( систем нечеткого ) определим две переменные и и одну . Переименуем их в блоках 1, Input2, Output. ( 6).
Рисунок 6
1. , средствами редактора принадлежности (Membership editor) для каждой с соответствующими значениями термами и принадлежности.
Для этого диапазон значений , напечатав его в поле .
Зададим функции переменной . Для лингвистиче оценки этой будем два терма с треугольными функ принадлежности (установлены по ).
Зададим наименования переменной .Для необходимо щелкнуть мыши на график функции принадлежности, она вы красным цветом и в поле вводим название терма «Много и нажимаем .Аналогично наименования для остальных первой входной .
Аналогично зададим принадлежности и термов для второй переменной и выходной (рисунок 7)
Рисунок 7
2. С редактора системы нечеткого (Rule Editor) 3 правила для разрабатываемой . Для этого в Edit выберем команду . Для ввода правил соответствующую комбинацию и нажимаем Add .На рисунке 3 изображено редактора правил нечеткой системы после ввода всех 3 правил.
Рисунок 8
На рисунке 9 отображено окно визуализации нечеткого вывода. Окно активизируется с помощью программы просмотра правил системы нечеткого вывода (Rule Viewer).
Рисунок 9
Теперь можно осуществить анализ построенной системы нечеткого вывода для решения поставленной задачи. Для этого в поле Input зададим значения входных переменных, для которых выполняется нечеткий логический вывод и проанализируем значение выходной переменной. Итак, при значениях и получаем 8,65 (Рис. 10); при значениях и 5,05 получаем 5; при значениях и 0,5 получаем . Получаем верные значения, соответствующие заданным правилам.
Для анализа разработанной нечеткой модели можно воспользоваться визуализацией соответствующей поверхности нечеткого вывода. (Surface viewer). На рисунке 10 приведена поверхность «входы-выход», соответствующая синтезированной нечеткой системе.
Рисунок 10
Заключение
Построенная нечеткая модель обладает достаточной адекватностью, что позволяет использовать ее на практике для определения расхода полива с/х угодий.
СПИСОК ЛИТЕРАТУРЫ
- Хайкин С. Нейронные сети: полный курс. – 2-е издание. – М.: Издательский дом «Вильямс», 2006. – 1104 с.
- Круглов В.В., Дли М.И., Голунов Р.Ю. Нечеткая логика и искусственные нейронные сети. – М.: Физматлит, 2001. – 61 с.
- Яхъяева Г.Э. Нечеткие множества и нейронные сети: учебное пособие. – М.: Интернет-университет информационных технологий: БИНОМ. Лаборатория знаний, 2006. – 316 с.
- Осовский С. Нейронные сети для обработки информации. – М.: Финансы и статистика, 2002. – 344 с.
- Тарков М.С. Нейрокомпьютерные системы: учебное пособие. – М.: Интернет-университет информационных технологий: БИНОМ. Лаборатория знаний, 2006. – 140 с.
- Каллан Р. Основные концепции нейронных сетей. – М.: Издательский дом «Вильямс», 2003. – 288 с.
-
Грицанов, А.А. История философии: Энциклопедия / А.А. Грицанов - Мн.: Интерпрессервис, 2002 ↑
-
Лохин, В.М. Интеллектуальные системы управления: понятия, определения, принципы построения / В.М. Лохин, В.М. Захаров // Мехатроника. - 2001. - №2. - С. 27-35. ↑
-
Цой, Ю.Р. Эволюционный подход к настройке и обучению искусственных нейронных сетей / Ю.Р. Цой, В.Г. Спицын // Нейроинформатика. - 2006. - Т. 1. - №1. - С. 34- 61. ↑
-
Романов, В.П. Интеллектуальные информационные системы в экономике: Учебное пособие / В.П. Романов; под ред. д.э.н., проф. Н.П. Тихомирова. - М.: Экзамен, 2003. ↑
-
Мареев, С.Н. История философии (общий курс): Учебное пособие / С.Н. Мареев, Е.В. Мареева - М.: Академический Проект, 2004 ↑
-
Потапов, И.В. Модели, методы и задачи прикладной теории надежности нейрокомпьютерных систем: автореферат дис.... доктора технических наук: 05.13.15, 05.13.17 / И.В. Потапов. - Новосибирск, 2010 ↑
-
Хайкин С. Нейронные сети: полный курс. – 2-е издание. – М.: Издательский дом «Виль- ямс», 2006 ↑
-
Круглов В.В., Дли М.И., Голунов Р.Ю. Нечеткая логика и искусственные нейронные сети. – М.: Физматлит, 2001 ↑
-
Яхъяева Г.Э. Нечеткие множества и нейронные сети: учебное пособие. – М.: Интернет- университет информационных технологий: БИНОМ. Лаборатория знаний, 2006 ↑
- Операции, производимые с данными (Предпосылки и правовые аспекты совершенствования управленческого учёта персонала в коммерческой организации)
- Исковая давность и ее гражданско-правовое значение (Требования, на которые не распространяется исковая давность)
- Система источников предпринимательского права (Российское законодательство, регулирующее предпринимательскую деятельность)
- Влияние кадровой стратегии на работу организации на рынке труда)
- Россия в системе международных кредитных отношений (Перспективы участия России в международных экономических отношениях)
- Принципы построения налоговых систем развитых стран (алоговая система Великобритании)
- Реформа электроэнергетики в России. Реформирование электроэнергетической отрасли в РОССИИ: предпосылки, этапы
- Анализ денежных средств предприятия (Экономическая сущность и функции денежных средств)
- Инфляция и антиинфляционная политика
- Налоговый учет по налогу на имущество
- Политика мотивации персонала в системе стратегического управления кадровым направлением деятельности организации (Понятие мотивации и особенности его отражения в теориях)
- Аналитический обзор существующих систем поддержки принятия решения)