Нийтэлсэн http:// www. вэб сайт. ru/
ОХУ-ын БОЛОВСРОЛ, ШИНЖЛЭХ УХААНЫ ЯАМ
ХОЛБООНЫ УЛСЫН ТӨСВИЙН БОЛОВСРОЛЫН ДЭЭД БОЛОВСРОЛЫН БАЙГУУЛЛАГА
"ВОРОНЕЖИЙН УЛСЫН ИХ СУРГУУЛЬ"
Хэрэглээний математик, компьютерийн шинжлэх ухаан, механикийн факультет
Курсын ажил
03/38/05 Бизнесийн мэдээлэл зүй
хичээл дээр “Тодорхой логик ба мэдрэлийн сүлжээнүүд»
Воронеж 2016 он
Бүлэг 1. Мазутын хувьцааны үнийг урьдчилан таамаглах асуудлыг шийдвэрлэх
Бүлэг 2. Бүрхэг логик дүгнэлтийн "Программист ажилд авах" системийг байгуулах
Курсын ажлын эхний хэсэг нь Мазутын хувьцааны үнийн прогнозыг 5 хоногийн өмнө гаргах явдал юм.
Зураг 1-д урьдчилсан мэдээнд ашиглах шаардлагатай өгөгдлийг харуулав: БАГА ба ХААХ.
Дараа нь та "Мэдрэлийн сүлжээ" модулийг эхлүүлэх хэрэгтэй. "Түргэн" таб дээрээс даалгаврын төрлийг сонгоно уу: "Цагийн цуврал" Үүний дараа "Хувьсагч" табаас оролт, гаралтын өгөгдлийг сонгоно уу. IN курсын ажилБид "LOW" гэсэн нэг хувьсагчийн прогнозыг бүтээх бөгөөд энэ нь оролт ба гаралтын хувьсагч хоёулаа байх болно (Зураг 2).
Дараа нь "Ухаалаг асуудал шийдэгч" модулийг сонгоод "Ok" дээр товшоод нээгдэх цонхонд урьдчилан таамаглахад шаардлагатай параметрүүдийг тохируулна уу.
"Түргэн" таб дээр бид сургах сүлжээний тоог тохируулсан ("Сүлжээг шалгасан"), энэ жишээнд 500 сүлжээг сургах болно. "Сүлжээг хадгалсан" параметрт бид 10 сүлжээг тохируулсан. Энд програм нь шилдэг 10 сүлжээг сонгох болно. (Зураг 3).
Үнийг таамаглах тодорхой бус логик
Дараагийн "Цагийн цуврал" табыг сонгоно уу (Зураг 4). Энд бид урьдчилан таамаглах оролтын тоог тохируулсан.
"Санал хүсэлт" таб дээрээс "Сайжруулсан сүлжээ (бодит цаг)" гэснийг сонгоод сүүлийн хоёр параметрийг шалгана уу. Үүнийг 5-р зурагт үзүүлэв.
"Төрөл" таб дээрээс бидэнд хэрэгтэй сүлжээний төрлийг сонгоно уу. Бид олон давхаргат перцептрон ашиглан сүлжээг бий болгодог (Зураг 6). Бидэнд хэрэгтэй параметрүүд нь: "Гурван давхаргын перцептрон" ба "Дөрвөн давхаргын перцептрон"
Бүх параметрүүдийг сонгосны дараа "OK" товчийг дарна уу. Сүлжээг бий болгох үйл явцыг тодорхойлсны дараа "Түргэн" таб дээр цонх гарч ирэхэд "Тодорхойлох статистик" товчийг дарна уу (Зураг 7).
Нээгдсэн цонхонд сонгосон сүлжээнүүдийн тоон үзүүлэлтүүд харагдана. Хүлээн авсан үр дүнд дүн шинжилгээ хийх шаардлагатай.
Бидний хувьд чухал зүйл бол "S.D." алдааны үнэ цэнэ юм. Харьцаа"
Энэ нь 1-ээс 0-ийн хоорондох тоог илэрхийлдэг бөгөөд тэмдэгээс хамаардаггүй тул харьцуулах зорилгоор хамгийн тохиромжтой.
Эдгээр үр дүнд дүн шинжилгээ хийсний дараа бид дугаарласан сүлжээг сонгоно: 1,2,3,4,5. (Зураг 8)
"Plots" таб дээр бид сонгосон 5 загварын графикийг бүтээдэг. Бид хамгийн амжилттай графикуудыг сонгодог. Сонгох шалгуур бол тэгш хэм юм. Сонгосон 5 сүлжээнээс 2 сүлжээ (Зураг 9), 3 сүлжээ (Зураг 10) нь графикийн нөхцлийг хангаж байна.
Дараа нь бид дахин 2 загварыг сонгоод нээгдэх цонхонд "Төсөлийн урт" параметрийг 5 болгож, "Тохиолдол" параметрийг (эндээс та таамаглал эхлэх өдрийг 310-аас сонгоно) Энэ нь урьдчилсан мэдээ гарах болно гэсэн үг юм. 5 хоногийн өмнө хийх ёстой. "Цагийн цуврал хүснэгт" товчийг дарна уу (Зураг 11)
Манай сүлжээнүүдийн загварчилсан 310-аас 314 хүртэлх хоногийн хувьцааны үнийг харуулсан цонх нээгдэнэ. Бид NewVar шинэ баганыг нэмж, үнийг анхны хүснэгтээс хуулж авдаг (Зураг 12).
Дараа нь бид мэдрэлийн сүлжээгээр загварчилсан таамаглалыг харахын тулд графикуудыг байгуулдаг (Зураг 14). Мэдрэлийн сүлжээнүүдийн аль нэгээр бүтээсэн график нь анхныхтай нэлээд ойрхон байрладаг бөгөөд түүний өөрчлөлтийг ойролцоогоор давтаж байгааг бид харж байна.
"Программист ажилд авах" систем
1. Өгөгдөл оруулах
· Мэдлэг Англи хэл
· Компьютерийн ур чадвар
Олон тодорхойлолтууд -
Олон нэр томъёо - (бага, дунд, өндөр)
· Ажлын туршлагатай
Олон тодорхойлолтууд -
Олон нэр томъёо - (цөөхөн, хангалттай, олон)
Олон тодорхойлолтууд -
Олон нэр томъёо - (бага, дунд, өндөр, маш өндөр)
Үүнтэй төстэй баримт бичиг
Хэл шинжлэлийн хувьсагчийн тухай ойлголт, шинж чанар, түүний сортууд. Ойролцоо үндэслэлийн онолын үндэс. Нэг болон хэд хэдэн оролтын хувьсагчтай тодорхой бус дүгнэлтийн системүүд. Тодорхой бус загварчлалын зарчим, үнэний түвшний тооцоо.
танилцуулга, 2013/10/29 нэмэгдсэн
Хиймэл оюун ухааны төрөлт. Мэдрэлийн сүлжээний хөгжлийн түүх, хувьслын програмчлал, бүдэг логик. Генетикийн алгоритмууд, тэдгээрийн хэрэглээ. Одоо хиймэл оюун ухаан, мэдрэлийн сүлжээ, хувьслын програмчлал, бүдэг логик.
хураангуй, 2015-01-22 нэмэгдсэн
ОХУ-ын банкууд дахь иргэдийн зээлийн чадварыг үнэлэх загварууд. Мэдрэлийн сүлжээ нь ангиллын асуудлыг шийдвэрлэх арга юм. STATISTICA 8 Neural Networks програмын боломжуудын тодорхойлолт. Ерөнхий шинж чанармэдрэлийн сүлжээний загварчлалын үндсэн үе шатууд.
дипломын ажил, 2013 оны 10/21-нд нэмэгдсэн
Neural Networks Toolbox болон Simulink өргөтгөлийн багц дахь мэдрэлийн сүлжээг ашиглан асуудлыг шийдвэрлэх технологиуд. Энэ төрлийн сүлжээг бий болгох, үүсэх хувилбарт дүн шинжилгээ хийх, оролтын векторуудын туршилтын массив дээрх тооцооллын үр дүнгийн найдвартай байдлын зэрэг.
лабораторийн ажил, 2013-05-20 нэмэгдсэн
Тодорхой бус дүгнэлтийн системийн үндсэн үе шатууд. Тэдгээрт хэрэглэгддэг бүдэг бадаг бүтээгдэхүүний дүрэм. Хэл шинжлэлийн тодорхой бус хэллэгүүд. Цукамото, Ларсен, Сугено алгоритмуудын тодорхойлолт. Гудамжны гэрлэн дохионы жишээг ашиглан Мамадани бүдэг бадаг дүгнэлтийг хэрэгжүүлэх.
курсын ажил, 2012/07/14 нэмэгдсэн
Хэмжилтийн арга, систем, төрөл, арга автоматжуулсан системүүдтээврийн эрүүл мэндийн аюулгүй байдал. Дасан зохицох мэдрэлийн-тодорхойгүй дүгнэлтийн сүлжээнд суурилсан аялалын өмнөх эрүүл мэндийн үзлэгт зориулсан бүдэг алгоритмыг зохион бүтээх.
дипломын ажил, 2011 оны 05-р сарын 6-нд нэмэгдсэн
Мэдрэлийн сүлжээний тухай ойлголт ба биологийн параллелууд. Сүлжээний үндсэн хиймэл загвар, шинж чанар, хэрэглээ. Сүлжээний ангилал, бүтэц, үйл ажиллагааны зарчим, мэдээлэл цуглуулах. Чухал хувьсагчдыг танихын тулд ST мэдрэлийн сүлжээний багцыг ашиглах.
хураангуй, 2015/02/16 нэмсэн
Тодорхой бус дүгнэлтийн системийг ашиглан гадаргуугийн ойролцоо тооцооллын асуудлыг шийдвэрлэх. Оролтын болон гаралтын хувьсагчийн тодорхойлолт, тэдгээрийн нэр томъёо; Сугеногийн алгоритм. Гишүүнчлэлийн функцуудыг сонгох, оролт, гаралтын хувьсагчдыг холбоход шаардлагатай дүрмийн суурийг бий болгох.
курсын ажил, 2014/05/31 нэмэгдсэн
Сургалтын загваруудын онцлог. Ерөнхий мэдээлэлнейроны тухай. Хиймэл мэдрэлийн сүлжээ, перцептрон. XOR асуудал ба түүнийг шийдвэрлэх арга замууд. Буцах тархалтын мэдрэлийн сүлжээ. Оролтын болон гаралтын өгөгдлийг бэлтгэх. Хопфилд ба Хаммингийн мэдрэлийн сүлжээ.
туршилт, 2011 оны 01-р сарын 28-нд нэмэгдсэн
Ухаалаг систем нь техникийн эсвэл програм хангамжийн систем, асуудал шийдэгч, эдгээр нь бүтээлч гэж тооцогддог бөгөөд тодорхой сэдвийн хүрээнд хамаардаг. Тодорхой бус логик дүгнэлтийн системийн шинжилгээ. FuzzyTECH програмчлалын орчны танилцуулга.
Жишээ нь: 0 C C = 0/10; 0,60/50;
Хоёр бүдэг олонлогийн огтлолцол (тодорхойгүй “БА”): MF AB (x)=min(MF A (x), MF B (x)). Хоёр бүдэг олонлогийн нэгдэл (тодорхойгүй "OR"): MF AB (x)=max(MF A (x), MF B (x)).
Лотфи Задегийн хэлснээр хэл шинжлэлийн хувьсагч нь байгалийн болон зохиомол хэлний үг, өгүүлбэр бүхий хувьсагч юм. Хэл шинжлэлийн хувьсагчийн утгууд нь тодорхой бус хувьсагч байж болно, жишээлбэл. хэл шинжлэлийн хувьсагч тодорхой бус хувьсагчаас өндөр түвшинд байна.
Хэл шинжлэлийн хувьсагч бүр нь: нэр; түүний утгуудын олонлог, үүнийг үндсэн нэр томьёоны олонлог T. Үндсэн нэр томьёоны олонлогийн элементүүд нь тодорхой бус хувьсагчдын нэрс; бүх нийтийн X багц; синтаксистик дүрэм G, үүний дагуу байгалийн болон албан ёсны хэлний үгсийг ашиглан шинэ нэр томъёо бий болдог; Хэл шинжлэлийн хувьсагчийн утга бүрийг X олонлогийн бүдэг бадаг олонлогт оноодог семантик дүрэм P.
"Хувьцааны үнэ" хэл шинжлэлийн хувьсагчийн тодорхойлолт X= Үндсэн нэр томъёоны багц: "Бага", "Дунд", "Өндөр"
"Нас" хэл шинжлэлийн хувьсагчийн тодорхойлолт
"Зөөлөн тооцоолол" (тодорхойгүй логик, хиймэл мэдрэлийн сүлжээ, магадлалын үндэслэл, хувьслын алгоритм)
Сүлжээг байгуулах (оролтын хувьсагчдыг сонгосны дараа) Сүлжээний анхны тохиргоог сонгох Санаж байх зуураа өөр өөр тохиргоотой хэд хэдэн туршилт хийх. хамгийн сайн сүлжээ(хяналтын алдаа гэсэн утгаараа). Тохиргоо бүрийн хувьд хэд хэдэн туршилт хийх шаардлагатай. Хэрэв дараагийн туршилтанд дутуу бэлтгэл ажиглагдвал (сүлжээ нь хүлээн зөвшөөрөгдсөн чанарын үр дүнг гаргахгүй бол) завсрын давхаргад нэмэлт нейронууд нэмж үзээрэй. Хэрэв энэ нь тус болохгүй бол шинэ завсрын давхарга нэмж үзээрэй. Хэрэв хэт тохируулагдсан бол (хяналтын алдаа нэмэгдэж эхэлсэн) хэд хэдэн далд элементүүдийг (болон магадгүй давхаргыг) устгаж үзээрэй.
Мэдрэлийн сүлжээг ашиглан шийдвэрлэсэн өгөгдөл олборлох асуудлууд Ангилал (хяналттай суралцах) Урьдчилан таамаглах кластер (хяналтгүй суралцах) Текст таних, яриа таних, хувь хүний таних зэрэг нь оролтын хязгаарлагдмал багц утгын дагуу тодорхойлсон функцийн хамгийн сайн ойролцооллыг олох (сургалтын жишээнүүд нь мэдээллийн асуудал). өгөгдлийн хэмжээг багасгах замаар шахах
Суутгагч (BaseGroup) сургалтын багц аналитик багц дахь “Би үйлчлүүлэгчид зээл олгох уу” даалгавар - харилцагчийн талаарх мэдээллийг агуулсан мэдээллийн сан: – Зээлийн хэмжээ, – Зээлийн хугацаа, – Зээл олгох зорилго, – Нас, – Хүйс, – Боловсрол, – Хувийн өмч, – Орон сууц, – Орон сууцны талбай. Зээл авахыг хүссэн Үйлчлүүлэгч зээлийн эргэн төлөгдөхгүй байх эрсдэлтэй эсэхэд хариулж чадах загварыг бий болгох шаардлагатай. хэрэглэгч "Би зээл олгох ёстой юу?" Гэсэн асуултын хариуг авах ёстой. Даалгавар нь ангиллын асуудлын бүлэгт хамаарна, i.e. багштай сургалт.
Мэдэгдэж байгаагаар бүдэг олонлог ба бүдэг логикийн аппаратыг анхдагч өгөгдөл нь найдваргүй, албан ёсны хэлбэр муутай асуудлыг шийдвэрлэхэд удаан хугацаанд (10 гаруй жил) амжилттай ашиглаж ирсэн. Энэ аргын давуу талууд:
-байгалийн ойролцоо хэлээр асуудлыг шийдвэрлэх нөхцөл, аргачлалын тодорхойлолт;
- универсал байдал: 1993 онд Б.Коскогийн нотолсон алдарт FAT теоремын дагуу (Fuzzy Approximation Theorem) ямар ч математик системийг бүдэг логик дээр суурилсан системээр ойртуулж болно;
Үүний зэрэгцээ тодорхойгүй шинжээч ба хяналтын системүүд нь тодорхой сул талуудаар тодорхойлогддог.
1) тодорхой бус дүрмийн анхдагч багцыг хүний мэргэжилтэн боловсруулсан бөгөөд бүрэн бус эсвэл зөрчилдөөнтэй байж болно;
2) системийн оролт, гаралтын хувьсагчдыг тодорхойлсон гишүүнчлэлийн функцүүдийн төрөл, параметрүүдийг субъектив байдлаар сонгосон бөгөөд бодит байдлыг бүрэн илэрхийлэхгүй байж болно.
Эдгээр дутагдлыг хэсэгчлэн арилгахын тулд хэд хэдэн зохиогчид бүрхэг шинжээч, хяналтын системийг дасан зохицох, систем ажиллаж байгаа үед гишүүнчлэлийн функцүүдийн дүрэм, параметрүүдийг тохируулахыг санал болгов. Ийм дасан зохицох хэд хэдэн сонголтуудын дунд хамгийн амжилттай нь эрлийз мэдрэлийн сүлжээ гэж нэрлэгддэг арга юм.
Эрлийз мэдрэлийн сүлжээ нь бүтцийн хувьд жишээлбэл, буцаан тархалтын алгоритмыг ашиглан сургалттай олон давхаргат мэдрэлийн сүлжээтэй албан ёсоор ижил боловч түүний доторх далд давхаргууд нь бүдэг бадаг системийн үйл ажиллагааны үе шаттай тохирдог. Тэгэхээр:
-Нейроны 1-р давхарга нь оролтын заасан гишүүнчлэлийн функц дээр үндэслэн бүдэг бадаг байдлыг нэвтрүүлэх үүргийг гүйцэтгэдэг;
-2-р давхарга нь тодорхой бус дүрмийн багцыг харуулдаг;
-3-р давхарга нь тодорхой болгох үүргийг гүйцэтгэдэг.
Эдгээр давхарга бүр нь олон тооны параметрүүдээр тодорхойлогддог (гишүүнчлэлийн функцуудын параметрүүд, тодорхой бус шийдвэрийн дүрэм,
ation функцууд, холболтын жин) нь ердийн мэдрэлийн сүлжээнүүдийн нэгэн адил үндсэндээ тохируулагдсан байдаг.
Энэхүү номонд ийм сүлжээний бүрэлдэхүүн хэсгүүдийн онолын талыг, тухайлбал бүдэг логикийн аппарат, хиймэл мэдрэлийн сүлжээний онолын үндэс ба эрлийз сүлжээг тодорхой бус нөхцөлд хяналт, шийдвэр гаргах асуудлуудтай холбон судалсан болно.
Эдгээр аргын загваруудын програм хангамжийн хэрэгжилтэд онцгой анхаарал хандуулдаг. багаж хэрэгсэлматематикийн MATLAB системүүд 5.2/5.3.
Өмнөх нийтлэлүүд:
Бизнест өргөн хэрэглэгдэхгүй байгаа зарим "зөөлөн" тооцоолох аргуудыг авч үзье. Эдгээр аргуудын алгоритм ба параметрүүд нь уламжлалт аргуудтай харьцуулахад бага тодорхойлогддог. "Зөөлөн" тооцооллын тухай ойлголт бий болсон нь санамсаргүй шинж чанартай оюуны болон байгалийн үйл явцын загварчлалыг хялбарчлах оролдлогоос үүдэлтэй юм.
Мэдрэлийн сүлжээ нь тархины бүтэц, үйл ажиллагааны талаархи орчин үеийн ойлголтыг ашигладаг. Тархи нь энгийн элементүүдээс бүрддэг гэж үздэг - мэдрэлийн эсүүд нь хоорондоо дохио солилцдог синапсуудаар холбогддог.
Мэдрэлийн сүлжээний гол давуу тал бол жишээнүүдээс суралцах чадвар юм. Ихэнх тохиолдолд суралцах нь тодорхой алгоритмын дагуу синапсуудын жингийн коэффициентийг өөрчлөх үйл явц юм. Энэ тохиолдолд дүрмээр бол олон жишээ, олон сургалтын мөчлөг шаардагдана. Эндээс бид Павловын нохойны рефлекстэй зүйрлэж болно, шүлс нь дуудагдах үед тэр даруй гарч ирээгүй. Мэдрэлийн сүлжээнүүдийн хамгийн төвөгтэй загварууд нь нохойн тархинаас хамаагүй хялбар байдаг гэдгийг анхаарна уу; мөн илүү олон сургалтын мөчлөг шаардлагатай.
Нарийвчилсан тооцоо хийх боломжгүй тохиолдолд мэдрэлийн сүлжээг ашиглах нь зөвтгөгддөг математик загварсудалж буй объект эсвэл үзэгдэл. Жишээлбэл, 12-р сарын борлуулалт ерөнхийдөө 11-р сарынхаас өндөр байгаа боловч энэ жил хэр их байх талаар тооцоолох томъёо байхгүй; Борлуулалтын хэмжээг урьдчилан таамаглахын тулд та өмнөх жилүүдийн жишээг ашиглан мэдрэлийн сүлжээг сургаж болно.
Мэдрэлийн сүлжээний сул талуудын дунд: сургалтын урт хугацаа, сургалтын өгөгдөлд дасан зохицох хандлага, сургалтын хугацаа нэмэгдэхийн хэрээр ерөнхий ойлголтын чадвар буурдаг. Нэмж дурдахад, сүлжээ нь асуудлын тодорхой шийдэлд хэрхэн хүрч байгааг тайлбарлах боломжгүй, өөрөөр хэлбэл мэдрэлийн сүлжээ нь "хар хайрцаг" систем юм, учир нь нейронуудын үйл ажиллагаа, синапсуудын жинг бодитоор тайлбарладаггүй. Гэсэн хэдий ч эдгээр болон бусад дутагдлууд нь нэг юмуу өөр түвшинд байдаг мэдрэлийн сүлжээний маш олон алгоритмууд байдаг.
Урьдчилан таамаглахад мэдрэлийн сүлжээг ихэвчлэн ашигладаг хамгийн энгийн схем: оролтын өгөгдлийн хувьд өмнөх хэд хэдэн хугацааны урьдчилан боловсруулсан параметрийн утгын талаархи мэдээллийг гаралт дээр сүлжээнд нийлүүлдэг тул сүлжээ нь дээр дурдсан жишээн дээр дурдсанчлан дараах үеийн урьдчилсан мэдээг гаргадаг; борлуулалт. Урьдчилан таамаглах энгийн аргууд бас байдаг; Мэдрэлийн сүлжээ нь маш уян хатан хэрэгсэл тул сүлжээнүүдийн олон тооны хязгаарлагдмал загварууд, тэдгээрийн хэрэглээний сонголтууд байдаг.
Өөр нэг арга бол генетикийн алгоритмууд юм. Эдгээр нь чиглэсэн санамсаргүй хайлт, өөрөөр хэлбэл байгаль дахь хувьслын үйл явцыг дуурайх оролдлого дээр суурилдаг. Үндсэн хэлбэрээрээ генетикийн алгоритмууд дараах байдлаар ажилладаг.
1. Асуудлын шийдэл нь хромосомоор илэрхийлэгддэг.
2. Хромосомын санамсаргүй багц үүсдэг - энэ нь уусмалын анхны үе юм.
3. Тэдгээрийг нөхөн үржих, мутацийн тусгай операторууд боловсруулдаг.
4. Тохиромжтой байдлын функц дээр үндэслэн шийдлийг үнэлж, сонгоно.
5. Шинэ үеийн шийдлүүдийг нэвтрүүлж, мөчлөг давтагдана.
Үүний үр дүнд хувьслын эрин үе бүр илүү дэвшилтэт шийдлүүдийг олж авдаг.
Генетикийн алгоритмыг ашиглахдаа шинжээчид эх өгөгдлийн мөн чанар, тэдгээрийн бүтэц гэх мэт априори мэдээлэл хэрэггүй. Энд аналоги нь ил тод байдаг - нүдний өнгө, хамрын хэлбэр, үсний зузаан. хөл нь бидний генд ижил нуклеотидуудаар кодлогдсон байдаг.
Урьдчилан таамаглахад генетикийн алгоритмыг шууд ашиглах нь ховор байдаг, учир нь таамаглалыг үнэлэх шалгуур, өөрөөр хэлбэл шийдлийг сонгох шалгуурыг гаргахад хэцүү байдаг - төрөх үед хүн ямар болохыг тодорхойлох боломжгүй байдаг - сансрын нисгэгч эсвэл алконавт. Тиймээс генетикийн алгоритмууд нь ихэвчлэн туслах арга болдог - жишээлбэл, градиент алгоритмыг ашиглах боломжгүй стандарт бус идэвхжүүлэх функц бүхий мэдрэлийн сүлжээг сургах үед. Энд жишээ болгон бид санамсаргүй мэт санагдах үзэгдлүүд болох нарны толбоны тоо, лазерын эрчмийг амжилттай урьдчилан таамаглаж буй MIP сүлжээг нэрлэж болно.
Өөр нэг арга бол сэтгэн бодох үйл явцыг загварчлах бүдэг логик юм. Нарийвчлалтай, хоёрдмол утгагүй томъёолол шаарддаг хоёртын логикоос ялгаатай нь бүдэг логик нь сэтгэлгээний өөр түвшнийг санал болгодог. Жишээлбэл, "өнгөрсөн сард борлуулалт бага байсан" гэсэн мэдэгдлийг уламжлалт хоёртын буюу "Боолийн" логикийн хүрээнд албан ёсны болгох нь "бага" (0) ба "өндөр" (1) борлуулалтын ойлголтыг хоёрдмол утгагүй ялгахыг шаарддаг. Жишээлбэл, 1 сая шекелтэй тэнцэх буюу түүнээс дээш борлуулалт өндөр, бага нь бага байна.
Асуулт гарч ирнэ: яагаад NIS 999,999-ийн борлуулалт аль хэдийн бага гэж тооцогддог вэ? Мэдээжийн хэрэг, энэ нь бүрэн зөв мэдэгдэл биш юм. Тодорхой бус логик нь илүү зөөлөн ойлголттой ажилладаг. Жишээлбэл, 900 мянган NIS-ийн борлуулалтыг 0.9 зэрэглэлээр өндөр, 0.1 зэрэглэлээр бага гэж үзнэ.
Тодорхой бус логикийн хувьд асуудлыг нөхцөл, үр дүнгийн багцаас бүрдэх дүрмийн дагуу томъёолдог. Хамгийн энгийн дүрмүүдийн жишээ: "Хэрэв үйлчлүүлэгчдэд зээлийн хугацаа бага байсан бол борлуулалт тийм байх болно", "Хэрэв үйлчлүүлэгчдэд зохих хөнгөлөлт үзүүлсэн бол борлуулалт сайн байх болно."
Асуудлыг дүрмийн хувьд тогтоосны дараа нөхцлийн тодорхой утгыг (зээлийн хугацаа хоногоор, хөнгөлөлтийн хэмжээ хувиар) тодорхой бус хэлбэрт (том, жижиг гэх мэт) хөрвүүлнэ. Дараа нь тэдгээрийг логик үйлдлүүдийг ашиглан боловсруулдаг ба урвуу хувиргалттоон хувьсагчдад (үйлдвэрлэлийн нэгжээр урьдчилан таамагласан борлуулалтын түвшин).
Магадлалын аргуудтай харьцуулахад бүдэг бадаг аргууд нь гүйцэтгэсэн тооцооллын хэмжээг эрс багасгадаг боловч ихэнхдээ тэдгээрийн нарийвчлалыг нэмэгдүүлдэггүй. Ийм системийн сул талуудын дунд стандарт дизайны арга зүй байхгүй, уламжлалт аргыг ашиглан математикийн шинжилгээ хийх боломжгүй байгааг тэмдэглэж болно. Нэмж дурдахад, сонгодог бүдэг системд оролтын хэмжигдэхүүнүүдийн тоо нэмэгдэх нь дүрмийн тоог экспоненциал байдлаар нэмэгдүүлэхэд хүргэдэг. Мэдрэлийн сүлжээнүүдийн нэгэн адил эдгээр болон бусад дутагдлыг арилгахын тулд бүдэг логик системийн олон өөрчлөлтүүд байдаг.
"Зөөлөн" тооцоолох аргуудын хүрээнд бид хэд хэдэн өөр бүрэлдэхүүн хэсгүүдийг багтаасан эрлийз алгоритм гэж нэрлэгддэг алгоритмуудыг ялгаж чаддаг. Жишээлбэл, тодорхойгүй логик сүлжээнүүд эсвэл генетикийн сургалттай мэдрэлийн сүлжээнүүд.
Гибрид алгоритмд дүрмээр бол нэг аргын сул талыг бусдын давуу талуудаар нөхөх синергетик нөлөө байдаг бөгөөд эцсийн систем нь аль ч бүрэлдэхүүн хэсэгт тусад нь байхгүй үр дүнг харуулдаг.
Мэдрэлийн тодорхой бус эсвэл эрлийз системүүд, үүнд бүдэг логик, мэдрэлийн сүлжээ, генетикийн алгоритмууд болон шинжээчдийн системүүд нь бодит ертөнцийн өргөн хүрээний асуудлыг шийдвэрлэх үр дүнтэй хэрэгсэл юм.
Оюуны арга бүр өөрийн гэсэн онцлог шинж чанартай байдаг (жишээлбэл, суралцах чадвар, шийдлийг тайлбарлах чадвар), энэ нь зөвхөн тодорхой тодорхой асуудлыг шийдвэрлэхэд тохиромжтой болгодог.
Жишээлбэл, мэдрэлийн сүлжээ нь хэв маягийг танихдаа амжилттай байдаг ч шийдэлд хэрхэн хүрэх талаар тайлбарлахдаа үр дүнгүй байдаг.
Тодорхой бус мэдээлэлтэй харьцдаг бүдэг логик системүүд нь шийдвэрээ тайлбарлахдаа амаар ашиглагддаг боловч тэдгээр шийдвэр гаргахад шаардлагатай дүрмийн системийг автоматаар дүүргэж чадахгүй.
Эдгээр хязгаарлалтууд нь хоёр ба түүнээс дээш аргыг хослуулан дангаар нь арга бүрийн хязгаарлалтыг даван туулах ухаалаг эрлийз системийг бий болгоход түлхэц болсон.
Гибрид системүүд нь янз бүрийн хэрэглээний салбарт асуудлыг шийдвэрлэхэд чухал үүрэг гүйцэтгэдэг. Олон тооны нарийн төвөгтэй програмуудад бие даасан бүрэлдэхүүн хэсгүүдтэй холбоотой асуудлууд байдаг бөгөөд тэдгээр нь тус бүрдээ өөр өөр боловсруулалтын аргыг шаарддаг.
Нарийн төвөгтэй хэрэглээний домэйнд хоёр тусдаа дэд даалгавар байх ёстой, жишээлбэл, дохио боловсруулах даалгавар ба шийдлийн дүгнэлт хийх даалгавар, дараа нь эдгээр тусдаа даалгавруудыг шийдвэрлэхийн тулд мэдрэлийн сүлжээ болон шинжээчийн системийг тус тус ашиглана.
Ухаалаг эрлийз системүүд нь менежмент, техникийн дизайн, худалдаа, зээл, эмнэлгийн оношлогоо, танин мэдэхүйн загварчлал зэрэг олон салбарт амжилттай хэрэгжиж байна. Нэмж дурдахад эдгээр системүүдийн хэрэглээний хүрээ байнга нэмэгдэж байна.
Бүрхэг логик нь танин мэдэхүйн тодорхойгүй байдлаас дүгнэлт хийх механизмыг хангадаг бол тооцооллын мэдрэлийн сүлжээ нь суралцах, дасан зохицох, алдааны тэсвэрлэх чадвар, параллелизм, ерөнхий ойлголт зэрэг мэдэгдэхүйц давуу талуудтай.
Систем танин мэдэхүйн тодорхой бус байдлыг хүн шиг зохицуулахын тулд бүдэг логикийн ойлголтыг мэдрэлийн сүлжээнд хэрэглэх ёстой. Ийм эрлийз системийг бүдэг мэдрэлийн сүлжээ эсвэл бүдэг мэдрэлийн сүлжээ гэж нэрлэдэг.
Мэдрэлийн сүлжээг шийдвэр гаргах систем болгон ашигладаг бүдэг бадаг системд хамаарах функцуудыг тохируулахад ашигладаг.
Бүрхэг логик нь хэл шинжлэлийн шошгоны дүрмийг ашиглан шинжлэх ухааны мэдлэгийг шууд тайлбарлаж болох боловч эдгээр шошгыг тодорхойлсон гишүүнчлэлийн функцийг зохион бүтээх, тохируулах үйл явц нь ихэвчлэн удаан байдаг.
Мэдрэлийн сүлжээний сургалтын аргууд нь энэ үйл явцыг автоматжуулж, хөгжүүлэлтийн хугацаа, эдгээр функцийг олж авах зардлыг эрс багасгадаг.
Онолын хувьд мэдрэлийн сүлжээ ба бүдэг логик системүүд нь харилцан хувирч өөрчлөгддөг тул ижил төстэй боловч практик дээр тус бүр өөрийн гэсэн давуу болон сул талуудтай байдаг.
Мэдрэлийн сүлжээнд мэдлэгийг ухарсан дүгнэлтийн алгоритмын тусламжтайгаар автоматаар олж авдаг боловч сургалтын үйл явц харьцангуй удаан бөгөөд бэлтгэгдсэн сүлжээний шинжилгээ нь нарийн төвөгтэй ("хар хайрцаг") байдаг.
Сургалтын горимыг хялбарчлахын тулд бэлтгэгдсэн мэдрэлийн сүлжээнээс бүтэцтэй мэдлэг (дүрэм) гаргаж авах, мөн асуудлын талаар тодорхой мэдээлэл цуглуулах боломжгүй юм.
Тодорхой бус логик дүрмүүдийг ашиглан тэдгээрийн зан төлөвийг тодорхойлж, эдгээр дүрмийг тохируулах замаар хянах боломжтой тул бүдэг бадаг системүүдийг өргөн ашигладаг. Мэдлэг олж авах нь нэлээд төвөгтэй үйл явц бөгөөд оролтын параметр бүрийн өөрчлөлтийн талбарыг хэд хэдэн интервалд хуваах ёстой гэдгийг тэмдэглэх нь зүйтэй; тодорхой бус логик системийг ашиглах нь шинжээчдийн мэдлэгийг хүлээн зөвшөөрч болохуйц, оролтын параметрүүдийн багц нь нэлээд бага байдаг хэсэгт хязгаарлагддаг.
Мэдлэг олж авах асуудлыг шийдэхийн тулд мэдрэлийн сүлжээг тоон өгөгдлөөс тодорхой бус логик дүрмийг автоматаар олж авах шинж чанараар нөхдөг.
Тооцооллын процесс нь дараах бүдэг бадаг мэдрэлийн сүлжээг ашиглах явдал юм. Энэ үйл явц нь сургалтын механизмын дагуу биологийн мэдрэлийн морфологийг танихад үндэслэсэн "тодорхой нейрон" -ийг хөгжүүлэхээс эхэлдэг. Энэ тохиолдолд бид бүдэг мэдрэлийн сүлжээний тооцооллын дараах гурван үе шатыг ялгаж салгаж болно.
биологийн мэдрэлийн эсүүд дээр суурилсан бүдэг мэдрэлийн загварыг боловсруулах;
мэдрэлийн сүлжээнд тодорхойгүй байдлыг бий болгодог синоптик холболтын загварууд;
сургалтын алгоритм боловсруулах (синоптик жингийн коэффициентийг зохицуулах арга).
Зураг дээр. P1.1 ба P1.2 нь бүдэг мэдрэлийн системийн хоёр боломжит загварыг харуулж байна.
Тодорхой бус логик интерфэйсийн блок нь үүссэн хэл шинжлэлийн мэдэгдлийг олон түвшний мэдрэлийн сүлжээний оролтын вектор болгон хувиргадаг. Мэдрэлийн сүлжээг шаардлагатай гаралтын тушаалууд эсвэл шийдвэрийг гаргахын тулд сургаж болно
Олон түвшний мэдрэлийн сүлжээ нь интерфейсийн бүдэг логик механизмыг ажиллуулдаг.
Мэдрэлийн сүлжээний үндсэн боловсруулсан элементүүдийг хиймэл мэдрэлийн эсүүд буюу энгийн мэдрэлийн эсүүд гэж нэрлэдэг. Мэдрэлийн оролтын дохио xj нэг чиглэлтэй гэж үзвэл чиглэлийг сумаар зааж өгсөн бол мэдрэлийн гаралтын дохионд мөн адил хамаарна
Цагаан будаа. P1.2.Тодорхой бус мэдрэлийн системийн хоёр дахь загвар
Энгийн мэдрэлийн сүлжээг Зураг дээр үзүүлэв. P1.3. Бүх дохио, жинг бодит тоогоор тодорхойлно.
Оролтын нейронууд нь оролтын дохиог өөрчилдөггүй тул гаралт болон оролтын параметрүүд нь ижил байна.
Жингийн хүчин зүйлтэй харилцах үед w т х дохионы хувьд бид p = wi xi, i = 1, …, n үр дүнг авна. Оролтын мэдээллийн pi-ийн элементүүдийг нэмж, үр дүнд нь нейроны оролтын утгыг өгдөг.
Нейрон нь шилжүүлэх функцийг ашигладаг бөгөөд энэ нь дараах хэлбэрийн сигмоид функц байж болно.
Гаралтын утгыг тооцоолохын тулд:
Сигмоид функцийг үржүүлэх, нэмэх, тооцоолох энэхүү энгийн мэдрэлийн сүлжээг нэрлэе стандарт мэдрэлийн сүлжээ.
Гибрид мэдрэлийн сүлжээнь тодорхой бус дохио, жин, тодорхой бус дамжуулах функц бүхий мэдрэлийн сүлжээ юм. Гэсэн хэдий ч: (1) нэгтгэж болно Xj Тэгээд w h бусад тасралтгүй үйлдлүүдийг ашиглах; (2) бусад тасралтгүй функцуудыг ашиглан p1-ийн бүрэлдэхүүн хэсгүүдийг нэмэх; (3) дамжуулах функц нь бусад тасралтгүй функцийн хэлбэрийг авч болно.
Эрлийз мэдрэлийн сүлжээг боловсруулах элемент гэж нэрлэдэг бүдэгнейрон.
Гибрид мэдрэлийн сүлжээний бүх оролт, гаралтын параметрүүд, жин нь интервалаас авсан бодит тоо гэдгийг тэмдэглэх нь зүйтэй.
Цагаан будаа. P.4. Дамжуулах функцэрлийз мэдрэлийн сүлжээ
P1.2. Бүдэг мэдрэлийн эсүүд
Тодорхойлолт 1 - бүдэг мэдрэлийн I. X ба w дохиог хамгийн их оператор нэгтгэж, дараахыг өгнө.
Оролтын мэдээллийн элементүүдийг p хамгийн бага оператор ашиглан нэгтгэдэг бөгөөд үүний үр дүнд нейроны гаралтын мэдээллийг өгдөг.
Тодорхойлолт 2 - бүдэг бадаг OR нейрон. Х дохио ба жин w, хамгийн бага оператороор нэгтгэсэн:
Оролтын мэдээллийн элементүүдийг p, хамгийн их оператор ашиглан нэгтгэж, үр дүнд нь нейроны гаралтын мэдээллийг өгдөг.
Дохио X,ба жин w-ийг үржүүлэх оператороор нэгтгэнэ:
Тодорхой бус мэдрэлийн эсүүд БА болон OR нь тогтоосон утгууд дээр стандарт логик үйлдлүүдийг гүйцэтгэдэг. Холболтын үүрэг нь бие даасан оролтын параметрүүдийн тэдгээрийн хослолын үр дүнд үзүүлэх нөлөөллийн тодорхой түвшинг ялгах явдал юм.
Стандарт сүлжээнүүд нь бүх нийтийн ойролцоолсон, өөрөөр хэлбэл ямар ч нарийвчлалтайгаар авсаархан багц дээр ямар ч тасралтгүй функцийг ойртуулж чаддаг гэдгийг мэддэг. Энэ үр дүнтэй холбоотой асуудал бол; бүтээмжгүй бөгөөд өгөгдсөн сүлжээг хэрхэн байгуулах талаар мэдээлэл өгдөггүй.
Эрлийз мэдрэлийн сүлжээг IF-THEN тодорхой бус логик дүрмийг бүтээлч байдлаар хэрэгжүүлэхэд ашигладаг.
Хэдийгээр эрлийз мэдрэлийн сүлжээнүүд нь стандарт ухарсан дүгнэлтийн алгоритмыг шууд ашиглах боломжгүй ч дүрэмд заасан хэл шинжлэлийн нэр томьёо болох гишүүнчлэлийн функцүүдийн параметрүүдийг таних хамгийн эгц уруулын аргыг ашиглан сургаж болно.
Сонголт
