Опишите принципы обучения нейронных сетей

Основным элементом проектирования сети является ее обучение. При обучении и переобучении НС ее весовые коэффициенты изменяются. Однако они остаются постоянными при функционировании нейросети, формируя долговременную память. НС может состоять из одного слоя, из двух слоев, из трех и большего числа, однако, как правило, для решения практических задач более трех слоев в НС не требуется

Опишите принципы технической реализации нейросистем

Простейший способ реализации ИНС - это виртуальная нейронная сеть в виде программы для компьютера С развитием технологии стало возможным создание специализированного аналогового нейрокомпьютера, в котором функции нейрона исполняет простейший процессор, либо имеющий дискретный выход,  либо представляющий собойнебольшой усилитель с сигмоидной выходной характеристикой. Самой перспективной реализацией нейронной сети, открывающей путь к созданию архитектуры ЭВМ шестого поколения, является оптический нейрокомпьютер

Опишите области эффективного применения нейросистем

Таможенники используют нейронные сети для выявления пластиковых бомб и наркотиков, банкиры - для оценки кредитных рисков, финансисты -для предсказания изменения курса валюты, авиаторы - для автоматизации управления полетами

Поясните принципы построения систем с нечеткой логикой

Существуют области, где проблемы с трудом поддаются математической формализации (медицина, маркетинг).

Причина такого кризис - это существование семантического пробела между языками, которыми пользуются компьютеры, и естественными языками.

Исследуя истоки этого разрыва, японские специалисты пришли к следующему выводу; отойти от традиционной архитектуры компьютеров, спроектировав их на совершенно новых принципах, а именно принципах обработки знаний

Какие элементы входят в        систем с нечеткой логикой

в компьютерах пятого поколения универсальность долж­на быть достигнута за счет представления знаний в неко­тором унифицированном формате и создания механизма их обработки (машины логических выводов).Одним из распространенных способов представления знаний является продукционные правила типа "если…то". Они удобны для поиска цепочки правил, ведущих от фактов к цели или от цели к фактам, выбранным из базы знаний.

Но существует огромное множество знаний, имеющих нечеткую, вероятностную природу

Какие задачи можно эффективно решать с помощью систем с нечеткой логикой.

Существуют нечеткие множества, определенные на структурах, лингвистических переменных, булевой алгебре, введен ряд операций над множествами (так, в качестве операции (*) используют алгебраическую сумму) и т.д. В1963 г П. Заде ввел понятие нечеткого множества, которое можно описать в виде так называемой функции принадлежности. Эта функция ставит в соответствие числовым значениям некоторого понятия (элементам нечеткого множества) числа из отрезка [0, 1]. Например, понятие "высокий человек" можно представить графически.

Для удобства можно сделать дискретную выборку (рис. 1,б) и сформировать вектор:

Wtall = (0, 0,…,0.1, 0.2,…,0.9,1,9).

Нечеткий дедуктивный выводс использованием продукционного правила можно записать следующим образом: (знание)

 Если х есть А, то у есть В                                   (1)

(факт) х есть А¢                                

(вывод) у есть В¢

где А, А¢, В, В¢ - нечеткие понятия (множества).

Если их представить в виде векторов:

А = (al, а2,,…. ,аМ), 0 <= а <= 1,            (2)

В = (b1, 2b,… ...,bN), 0 <= b <= 1

Нечеткие выводы в принципе можно реализовать программно на существую­щих цифровых компьютерах, но на такую обработку потре­буется много времени и непроизводительных накладных расходов. Поэтому разрабатывают специализированные аппаратные средства для обработки нечетких множеств, которые называют нечеткими компьютерами