АДАПТИВНЫЕ ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ

Размер: px
Начинать показ со страницы:

Download "АДАПТИВНЫЕ ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ"

Транскрипт

1 Министерство образования и науки Российской Федерации Южно-Российский государственный политехнический университет (НПИ) имени М. И. Платова АДАПТИВНЫЕ ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ Методические указания к лабораторным работам, практическим занятиям и домашнему заданию Новочеркасск ЮРГПУ (НПИ)

2 УДК (076.5) ББК Рецензент кандидат технических наук, доцент, доцент кафедры «Программное обеспечение вычислительной техники» Селезнѐв Сергей Анатольевич Кузнецова А.В. Адаптивные интеллектуальные системы: методические указания к лабораторным работам, практическим занятиям и домашнему заданию / Южно-Российский государственный политехнический университет (НПИ) имени М. И. Платова. - Новочеркасск: ЮРГПУ (НПИ), с. Содержат методические рекомендации к выполнению лабораторных работ, решению практических задач и выполнению домашнего задания. Лабораторные работы направлены на изучение принципов работы с искусственными нейронными сетями и системами на базе нечѐткой логики. Практические занятия охватывают раздел «Представление знаний» и содержат задачи для построения классических моделей знаний. Домашнее задание предусматривает реализацию алгоритмов обучения искусственной нейронной сети. Методические указания предназначены для студентов, обучающихся по программам бакалавриата направления подготовки Информатика и вычислительная техника очной и заочной форм обучения. УДК (076.5) Южно-Российский государственный политехнический университет (НПИ) имени М. И. Платова,

3 1. ЛАБОРАТОРНЫЕ И ПРАКТИЧЕСКИЕ ЗАНЯТИЯ, ИХ НАИМЕНОВАНИЕ И ОБЪЕМ В ЧАСАХ Лабораторные занятия, их наименование и объем в часах Наименование тем занятий Кол-во часов (ОФО/ЗФО) Форма контроля 1 Изучение модели формального нейрона и его модификаций 2/2 Защита отчета 2 Знакомство с инструментальным средством 2/2 - - моделирования ИНС 3 Обучение сетей прямого распространения сигнала 6/ Обучение самоорганизующихся сетей 6/ Обучение рекуррентных нейронных 6 - сетей 6 Изучение методов нечеткого вывода Создание нечѐткой ЭС Практические занятия, их наименование и объем в часах Наименование тем занятий 1 «Системы, основанные на знаниях. Логическая модель представления знаний». 2 Введение в язык логического программирования Пролог. Логические основы Пролога. 3 Способы представления и моделирования знаний в продукционных системах 4 Способы представления и моделирования знаний с помощью фреймов 5 Способы представления и моделирования знаний с помощью семантических сетей Кол-во часов (ОФО) Форма контроля 2 опрос, решение задач

4 2. МЕТОДИЧЕСКИЕ РЕКОМЕНДАЦИИ К ВЫПОЛНЕНИЮ ЛАБОРАТОРНЫХ РАБОТ Лабораторная работа 1 ИЗУЧЕНИЕ МОДЕЛИ ФОРМАЛЬНОГО НЕЙРОНА И ЕГО МОДИФИКАЦИЙ Цель работы: ознакомиться с пороговой моделью нейрона, научиться создавать простую нейронную сеть и освоить ручной способ обучения сети. Программа работы 1. Ознакомиться с моделями формального нейрона и модифицированного формального нейрона. 2. Получить задание у преподавателя: задача обучения, образцы обучающей выборки. 3. Создать нейронную сеть в пакете NNet, подобрать пороговые и весовые коэффициенты для решения поставленной задачи. 4. Продемонстрировать работу преподавателю. 5. Составить отчет по работе. Варианты заданий 1. Создание однослойной сети для распознавания N битовых образов размером MхR. 2. Создание двухслойной сети для классификации N битовых образов размером MхR, принадлежащих K классам. 3. Создание сети для сортировки по классам чисел размером N бит, представленных в двоичной системе счисления. Примечание. Параметры N, M, R, К и образы задаются преподавателем для каждого студента индивидуально. Контрольные вопросы 1. Что представляет собой модель формального нейрона? 2. Чем отличается модифицированная модель формального нейрона от классической модели? 3. В чѐм заключается обучение нейронной сети? 4. Каким образом производится ручная настройка нейронов сети? 4

5 Отчет по лабораторной работе должен содержать: 1. Цель работы. 2. Формулировку задания. 3. Графическое изображение и описание архитектуры созданной сети (тип сети, количество слоѐв, число нейронов в каждом слое, размерность входного сигнала, тип функции активации нейронов). 4. Графическое представление обучающей выборки. 5. Описание принципа, использующегося для подбора параметров сети или набор весовых коэффициентов каждого нейрона сети. 6. Примеры работы сети. 7. Выводы. Лабораторная работа 2 ЗНАКОМСТВО С ИНСТРУМЕНТАЛЬНЫМ СРЕДСТВОМ МОДЕЛИРОВАНИЯ ИНС Цель работы: изучить принципы работы свободно распространяемого программного инструментального средства Lightweight Neural Network++ для работы с сетями прямого распространения сигнала. Программа работы 1. Ознакомиться с составом команд главного меню системы. 2. Изучить способы создания и организации обучающей выборки. 3. Ознакомиться с настройками параметров алгоритма обучения. 4. Ознакомиться с принципами организации и использования контрольной выборки. 5. Выбрать и открыть в программе пример нейронной сети и обучающих данных из папки Samples, входящей в состав пакета. 6. Отобрать данные для тестового множества, определить контрольную выборку, настроить алгоритм обучения и обучить нейронную сеть. 7. Проанализировать результаты обучения сети на тестовом множестве. 8. Составить отчѐт по работе. 5

6 Контрольные вопросы 1. В чѐм заключается процесс автоматического обучения сети? 2. Каковы параметры алгоритма обучения сети? В каких диапазонах они находятся? 3. Каким способом можно остановить процесс обучения сети? 4. Какие типы ошибок регистрируются при обучении сети? Отчет по лабораторной работе должен содержать: 1. Цель работы. 2. Формулировку задания. 3. Краткое описание основных функций программы. 4. Реализацию контрольного примера: задачу обучения, изображение и словесное описание архитектуры сети, обучающую выборку (или еѐ фрагмент), настройки алгоритма обучения. 5. Детали процесса обучения (графики ошибок, важность входов, число циклов обучения, причина остановки процесса обучения). 6. Результаты проверки обученной сети на примерах тестового множества. 7. Выводы. Лабораторная работа 3 ОБУЧЕНИЕ СЕТЕЙ ПРЯМОГО РАСПРОСТРАНЕНИЯ СИГНАЛА Цель работы: ознакомиться со способами решения задач, которые могут быть реализованы с помощью нейронной сети прямого распространения сигнала. Программа работы 1. Подготовить обучающую выборку, контрольную выборку и тестовое множество для решения задачи классификации на основе графического представления объектов (рис. 1, а) согласно варианту задания. 6

7 2. Создать нейронную сеть в пакете Lightweight Neural Network++ и обучить еѐ на обучающей и контрольной выборках. 3. Проверить качество обучения на тестовом множестве. При неудовлетворительных результатах (относительная ошибка >4,5%) переобучить сеть. 4. Подготовить обучающую выборку, контрольную выборку для решения задачи прогнозирования на основе идеальной функциональной зависимости (рис. 1, б) согласно варианту задания. 5. Создать нейронную сеть в пакете Lightweight Neural Network++ и обучить еѐ на обучающей и контрольной выборках. 6. Проверить качество обучения сети. При неудовлетворительных результатах переобучить сеть. Варианты заданий Вариант 1 Вариант 2 Вариант 3 Объекты 1-го класса Объекты 2-го класса Объекты 3-го класса Объекты 1-го класса Объекты 2-го класса Объекты 3-го класса Объекты 1-го класса Объекты 2-го класса Объекты 3-го класса а) а) а) 4,5 1, ,4 5 3,5 1, , ,8 1 y=-x ,6 1,5 y=0.1x y=0.5x 2 0, ,5 0, б) б) б) Рисунок 1. Контрольные вопросы 1. Какие типы задач могут быть реализованы при помощи сети прямого распространения сигнала? Охарактеризуйте каждый тип. 2. Опишите работу алгоритма обратного распространения ошибки. 7

8 3. Что такое обучающая выборка, контрольная выборка, тестовое множество? 4. Какие меры следует предпринять при неудовлетворительном обучении сети? Отчет по лабораторной работе должен содержать: 1. Цель работы. 2. Формулировку задания. 3. Реализацию обучения сети задаче классификации (см. п. 4,5,6 лабораторной работы 2). 4. Реализацию обучения сети задаче прогнозирования (см. п. 4,5,6 лабораторной работы 2). 5. Выводы. Лабораторная работа 4 ОБУЧЕНИЕ САМООРГАНИЗУЮЩИХСЯ СЕТЕЙ Цель работы: ознакомиться с принципами организации и обучения самоорганизующихся нейронных сетей. Программа работы 1. Подготовить обучающую выборку, контрольную выборку и тестовое множество для решения задачи классификации. 2. Создать нейронную сеть в пакете Lightweight Neural Network++ и обучить еѐ на подготовленных данных. 3. Проверить качество обучения на тестовом множестве. При неудовлетворительных результатах (относительная ошибка >4,5%) переобучить сеть. Продемонстрировать работу сети. 4. Подготовить обучающую выборку, контрольную выборку для решения задачи прогнозирования. 5. Создать нейронную сеть в пакете Lightweight Neural Network++ и обучить еѐ на обучающей и контрольной выборках. 6. Проверить качество обучения сети. При неудовлетворительных результатах переобучить сеть. Продемонстрировать работу сети. 7. Составить отчѐт по работе. 8

9 Варианты заданий Провести анализ объектов, используя различные сочетания собранных данных (не менее 20 объектов, не менее 6 параметров). Проанализировать полученные результаты, попытаться определить, какой смысл имеют выявленные кластеры: 1) информация о физических параметрах студентов группы (пол, рост, вес, размер ноги, объѐм талии, цвет глаз, ); 2) информация об учебных результатах студентов группы(успеваемость по группам дисциплин, по отдельным дисциплинам, средние баллы, ); 3) психологические особенности студентов группы (темперамент, результаты психологического тестирования, ); 4) информация о ряде государств Европы, Азии, Латинской Америки (площадь, население, политический строй и т.п.); 5) информация об игроках футбольных клубов (возраст, число лет в клубе, количество игр в сезоне, количество голов, ); 6) информация о параметрах автомобилей. Контрольные вопросы 1. Какие типы задач могут быть реализованы при помощи сети Кохонена? 2. Опишите работу алгоритма обучения сети Кохонена. 3. Каким образом можно остановить обучение сети Кохонена? 4. Приведите конкретные примеры из собственного опыта, где можно было бы использовать самоорганизующиеся сети. Отчет по лабораторной работе должен содержать: 1. Цель работы. 2. Формулировку задания. 3. Реализацию обучения сети задаче кластеризации (см. п. 4,5,6 лабораторной работы 2). 4. Результаты кластеризации и их анализ. 5. Выводы. 9

10 Лабораторная работа 5 ОБУЧЕНИЕ РЕКУРРЕНТНЫХ НЕЙРОННЫХ СЕТЕЙ Цель работы: ознакомиться с архитектурой и свойствами рекуррентных сетей, предназначенных для реализации автоассоциативной памяти. Программа работы 1. Подготовить обучающую выборку для предъявления рекуррентной сети. 2. Создать нейронную сеть в пакете NNHopfield и провести процесс обучения (запоминания). 3. Проверить качество обучения сети на исходном множестве. 4. Проверить качество сети на зашумлѐнных данных, постепенно увеличивая процент зашумлѐнности. 5. Проанализировать полученные результаты. 6. Продемонстрировать результат восстановления данных и составить отчѐт по работе. Варианты заданий Образы для запоминания сетью в количестве 10 шт. 1. Изображения символов латинского алфавита размером Изображения символов русского алфавита размером Изображения символов греческого алфавита размером Изображения арабских цифр размером Изображения смайликов размером Изображения иероглифов размером 7 7. Контрольные вопросы 1. Как происходит создание и обучение сети Хопфилда? 2. Что понимается под ѐмкостью сети Хопфилда? От чего она зависит? 3. Какая память называется ассоциативной и почему сеть Хопфилда может служить еѐ моделью? 4. Изобразите сеть Хопфилда в традиционном представлении. 5. Почему не имеет смысла говорить о звене обратной связи с внешним миром (учителе) применительно к сетям Хопфилда? 10

11 Отчет по лабораторной работе должен содержать: 1. Цель работы. 2. Формулировку задания. 3. Реализацию обучения сети задаче кластеризации (см. п. 4,6 лабораторной работы 2). 4. Результаты восстановления образов. Анализ полученных результатов. 5. Выводы. Лабораторная работа 6 ИЗУЧЕНИЕ МЕТОДОВ НЕЧЕТКОГО ВЫВОДА Цель работы: ознакомиться с алгоритмами нечѐткого вывода Сугэно и Мамдани в среде Fuzzy Logic системы MatLab Программа работы 1. Ознакомиться с редактором нечѐткой системы вывода Fuzzy Inference System Editor (FIS-редактор) вместе со вспомогательными программами: редактором функций принадлежности (Membership Function Editor); редактором правил (Rule Editor); просмотрщиком правил (Rule Viewer); Редактором поверхности отклика (Surface Editor). 2. Создать пробную систему по типу Сугэно с одной входной и одной выходной переменной: задать три функции принадлежности входной переменной и три константы для выходной переменной; определить набор правил; провести серию экспериментов. 3. Создать пробную систему по типу Мамдани с одной входной и одной выходной переменной: задать по три функции принадлежности обеим переменным; определить набор правил; провести серию экспериментов. 4. Составить отчѐт о проделанной работе. 11

12 Контрольные вопросы 1. В чем отличие нечѐткого множества от чѐткого? 2. Приведите примеры нечѐтких множеств. 3. Что понимается под функцией принадлежности нечѐткого множества? 4. В чѐм отличие алгоритмов Сугэно и Мамдани? Для каких задач целесообразнее использовать тот или иной алгоритм? Отчет по лабораторной работе должен содержать: 1. Цель работы. 2. Формулировку задания. 3. Краткое описание изученных программ системы Fuzzy Logic. 4. Примеры создания и работы пробных систем. 5. Выводы. Лабораторная работа 7 СОЗДАНИЕ НЕЧЁТКОЙ ЭС Цель работы: ознакомиться с методикой построения нечѐтких экспертных систем (ЭС) в пакете Fuzzy Logic. Программа работы 1. Выбрать задание, соответствующее номеру варианта. 2. Определить набор входных и выходных переменных экспертной системы, задать для каждой переменной свой набор термов (функций принадлежности). 3. Определить базу правил экспертной системы. 4. Провести оценку построенной системы на различных входных данных. 5. Продемонстрировать работу преподавателю. 6. Создать отчѐт о проделанной работе. Варианты заданий 1. Определение стоимости ж/д билетов. 2. Рейтинговая система оценки дипломного проекта. 3. Определение суммы вознаграждения (премирования) работника. 12

13 4. Определение объѐма (веса) порошка и специальных добавок при стирке изделий. 5. Определение величины наценки на изделие производства. 6. Планирование прибыли малого предприятия. 7. Расчѐт величины амортизации имущества за указанный период. 8. Определение цены изделия и издержек производства. 9. Система управления скоростью подачи воды и температурой в бассейне. 10. Система управления кондиционером. Контрольные вопросы 1. Какие системы называются экспертными? Каковы их особенности? Что понимается под нечѐткой экспертной системой? 2. К какой входной переменой ваша экспертная система наиболее чувствительна? Почему? 3. Как сделать систему одинаково чувствительной ко всем входным переменным? 4. С какой целью в системе Fuzzy Logic предусмотрены три формы записи правил? Отчет по лабораторной работе должен содержать: 1. Цель работы. 2. Формулировку задания. 3. Описание назначения ЭС, еѐ входных и выходных переменных, их диапазоны и особенности задания терм-множеств. 4. Список правил нечѐткой ЭС. 5. Примеры работы системы. 6. Выводы. 13

14 3. МЕТОДИЧЕСКИЕ РЕКОМЕНДАЦИИ К ПРОВЕДЕНИЮ ПРАКТИЧЕСКИХ ЗАНЯТИЙ Практическое занятие 1 СИСТЕМЫ, ОСНОВАННЫЕ НА ЗНАНИЯХ. ЛОГИЧЕСКАЯ МОДЕЛЬ ПРЕДСТАВЛЕНИЯ ЗНАНИЙ Пример. Установка автомашины в гараж. В начальный момент времени а/м стоит у гаража, гараж закрыт. Множество объектов ПО Х: В водитель; А автомобиль; Г гараж. Множество свойств объектов С: А (заведен) автомобиль заведен; А (не заведен) автомобиль не заведен; Г (открыт) гараж открыт; Г (закрыт) гараж закрыт. Множество отношений между объектами R: Н1(В, А) водитель находится в автомобиле; ~Н1 (В, А) водитель вне автомобиля; Н2(А, Г) - автомобиль находится в гараже; ~ Н2(А, Г) - автомобиль находится вне гаража. Начальное состояние: S Н =(А(не заведен), Г(закрыт), ~Н1 (В, А), ~Н2(А, Г)). Целевое состояние: S Ц =( А(не заведен), Г(закрыт), ~Н1 (В, А), Н2(А, Г)). Множество действий (операций) G: g 1 = ОТКРЫТЬ (В, Г) водитель открывает гараж. S Н g 1 S 1. S 1 =(А(не заведен), Г(открыт), ~Н1 (В, А), ~Н2(А, Г)). g 2 = СЕСТЬ (В, А) водитель садится в автомобиль. S 1 g 2 S 2. S 2 =(А(не заведен), Г(открыт), Н1 (В, А), ~Н2(А, Г)). g 3 = ЗАВЕСТИ (В, А) водитель заводит автомобиль. S 2 g 3 S 3. S 3 =(А(заведен), Г(открыт), Н1 (В, А), ~Н2(А, Г)). g 4 = ЗАЕЗЖАТЬ (В, А) водитель заезжает в гараж. 14

15 S 3 g4 S4. S4=(А(заведен), Г(открыт), Н1 (В, А), Н2 (А, Г)). g 5 = ВЫКЛЮЧИТЬ (В, А) водитель выключает автомобиль. S 4 g 5 S 5. S 5 =(А(не заведен), Г(открыт), Н (В, А), Н1(А, Г)). g 6 = ВЫЙТИ (В, А) водитель выходит из автомобиля. S 5 g6 S6. S 6 =(А(не заведен), Г(открыт), ~Н (В, А), Н1(А, Г)). g 7 = (В, Г) водитель закрывает гараж. S 6 g 7 S 7. S 7 =(А(не заведен), Г(закрыт), ~Н (В, А), Н1(А, Г)) = S Ц. Алгоритм решения задачи: S Ц = g 7 (g 6 (g 5 (g 4 (g 3 (g 2 (g 1 (S Н ))))))). Примеры заданий: 1. Создание нового текстового файла в редакторе Word. Исходное состояние компьютер выключен. 2. Запуск в рабочее состояние автомобиля. Начальное состояние водитель рядом с машиной. Вариант 3. Диагностика неисправностей блока питания компьютера. Исходное состояние компьютер выключен. 4. Диагностика неисправностей компьютерного дисковода. Исходное состояние компьютер выключен. 5. Ввод документа в компьютер с дискеты и его распечатка. Исходное состояние компьютер выключен. 6. Передача документа по факсимильной связи. Исходное состояние факс выключен. 7. Диагностика неисправностей компьютера при его включении. Исходное состояние компьютер выключен. 8. Диагностика неисправностей в работе принтера. Исходное состояние принтер выключен. 9. Форматирование дискеты и запись двух новых файлов. Исходное состояние новая дискета. 10. Ремонт копировального аппарата. Исходное состояние копировальный аппарат выключен. 15

16 Практическое занятие 2 ВВЕДЕНИЕ В ЯЗЫК ЛОГИЧЕСКОГО ПРОГРАММИРОВАНИЯ ПРОЛОГ. ЛОГИЧЕСКИЕ ОСНОВЫ ПРОЛОГА Реализовать на языке Пролог рекурсивные правила, используя базовые факты Пример: Факты мать(a, B) //A - мать B отец(a, B) //А - отец В Правила дед (X, Y): - отец(x, Z), мать(z, Y). дед (X, Y): - отец(x, Z), отец(z, Y). прадед (X,Y):-отец(X,Z), дед(z,y) Примеры заданий: Факты мать (A, B) //A - мать B отец (A, B) //А - отец В мать (A, B) //A - мать B отец (A, B) //А - отец В мать (A, B) //A - мать B отец (A, B) //А - отец В мать (A, B) //A - мать B отец (A, B) //А - отец В мужчина (А) женщина (В) родитель (А, В) мужчина (А) женщина (В) родитель (А, В) мужчина (А) женщина (В) родитель (А, В) Правила сестра (X, Y) брат (X, Y) кузен (X, Y) кузина (X, Y) тѐтя (X, Y) дядя (X, Y) племянник (X, Y) племянница (X, Y) сводный_брат (X, Y) сводная_сестра (X, Y) предок (X, Y) мать (X, Y) отец (X, Y) дедушка (X, Y) бабушка (X, Y) прадед (X, Y) прабабка (X, Y) тѐтя (X, Y) дядя (X, Y) кузен (X, Y) кузина (X, Y) 16

17 мужчина (А) женщина (В) родитель (А, В) Соседние города (G1, G2, R). число (А) кратность (A, B, C) число (А) делитель (A, B, C) братья (X, Y, Z) сѐстры (X, Y, Z) брат (X, Y) сестра (X, Y) путь (G1, G2, L) L (длина пути) наименьшее_общее_кратное_двух_ натуральных_чисел (X, Y) наибольший_общий_делитель_двух_ натуральных_чисел (X, Y) Практическое занятие 3 СПОСОБЫ ПРЕДСТАВЛЕНИЯ И МОДЕЛИРОВАНИЯ ЗНАНИЙ В ПРОДУКЦИОННЫХ СИСТЕМАХ Пример. Построить продукционную модель представления знаний в предметной области «Ресторан» (посещение ресторана). Набор правил: Если субъект хочет есть и у субъекта есть достаточная сумма денег, то субъект может пойти в ресторан. Если субъект ближе к ресторану «Космос», чем к кафе «Рис» и субъект может пойти в ресторан, то субъект идет в ресторан «Космос». Если субъект ближе к кафе «Рис», чем к ресторану «Космос» и субъект может пойти в кафе, то субъект идет в кафе «Рис». Если субъект идет в кафе «Рис» и в кафе «Рис» работает официант Марина, то у субъекта принимает заказ Марина. Если субъект идет в ресторан «Космос» и в ресторане «Космос» работает официант Сергей, то у субъекта принимает заказ Сергей. Если субъект выбрал блюда и у субъекта принимает заказ Марина, то заказ принесут через 20 мин. Если субъект выбрал блюда и у субъекта принимает заказ Сергей, то заказ принесут через 10 мин. 17

18 Если заказ принесут через 20 мин. или заказ принесут через 10 мин., то субъект может есть. Если субъект может есть, то после еды субъект должен оплатить заказ. Введѐм обозначения для фактов (Ф), действий (Д) и продукций (П), тогда: Субъект = Петр; Ф1= субъект хочет есть; Ф2= у субъекта есть достаточная сумма денег; Ф3= субъект ближе к ресторану «Космос», чем к «Рис»; Ф4=в кафе «Рис» работает официант Марина; Ф5=в ресторане «Космос» работает официант Сергей; Ф6= субъект выбрал блюда; Д1= субъект может пойти в ресторан; Д2=субъект идет в ресторан «Космос»; Д3=субъект идет в кафе «Рис»; Д4= у субъекта принимает заказ Марина; Д5=у субъекта принимает заказ Сергей; Д6=заказ принесут через 20 мин. Д7=заказ принесут через 10 мин. Д8=после еды субъект должен оплатить заказ. Для продукций установим приоритет (в скобках перед запятой, чем выше приоритет, чем раньше проверяется правило): П1(4, Ф1 и Ф2)= Д1; П2(5, Ф3 и Д1)= Д2; П3(4, не Ф3 и Д1)= Д3; П4(3, Д3 и Ф4)= Д4; П5(3, Д2 и Ф5)= Д5; П6(2, Д4)= Д6; П7(2, Д5)= Д7; П8(1, Д6 или Д7)= Д8; Для отображения взаимосвязи продукций построим граф (рис. 1). 18

19 Рисунок 1 Схема продукций предметной области «Ресторан» Предметные области для построения продукционной модели представления знаний: «Аэропорт» (диспетчерская). «Железная дорога» (продажа билетов). «Торговый центр» (организация). «Автозаправка» (обслуживание клиентов). «Автопарк» (пассажирские перевозки). «Компьютерные сети» (организация). «Университет» (учебный процесс). «Туристическое агентство» (работа с клиентами). «Компьютерная безопасность» (угрозы). «Интернет-кафе» (организация и обслуживание). Практическое занятие 4 СПОСОБЫ ПРЕДСТАВЛЕНИЯ И МОДЕЛИРОВАНИЯ ЗНАНИЙ С ПОМОЩЬЮ ФРЕЙМОВ Пример. Построить фреймовую модель представления знаний в предметной области «Ресторан» (посещение ресторана). 19

20 1) Ключевые понятия данной предметной области ресторан, тот, кто посещает ресторан (клиент) и те, кто его обслуживают (повара, метрдотели, официанты, для простоты ограничимся только официантами). У обслуживающего персонала и клиентов есть общие характеристики, поэтому целесообразно выделить общее абстрактное понятие человек. Тогда фреймы «Ресторан» и «Человек» являются прототипами-образцами, а фреймы «Официант» и «Клиент» - прототипами-ролями. Также нужно определить основные слоты фреймов характеристики, имеющие значения для решаемой задачи. Причѐм фреймы-наследники содержат все слоты своих родителей, они явно прописываются только в случае изменения какого-либо параметра. Приведѐм пример Фрейма «Человек»: Человек Имя слота Значение слота Способ получения значения Демон пол Мужской или женский из внешних источников возраст От 0 до 100 лет из внешних источников 2) Фреймы-образцы описывают конкретную ситуацию: какие рестораны имеются в городе, как именно организовывается посещение, кто является посетителем, кто работает в выбранном ресторане и т.д. Поэтому определим следующие фреймы-образцы, являющиеся наследниками фреймов-прототипов: «Кафе-ресторан «Космос» (АКО «Ресторан»), Кафе «Рис» (АКО «Ресторан»), Сергей (АКО «Официант»), Марина (АКО «Официант»), Пѐтр (АКО «Клиент»). Приведѐм пример Фрейма «Кафе-ресторан «Космос»: «Космос» (AKO РЕСТОРАН) Имя слота Значение слота Способ получения значения Демон Название Космос из внешних источников Адрес г. Новочеркасск, пр. из внешних источников Баклановский, 123 Часы 9:00-00:00 из внешних источников работы Класс Средний или высший из внешних источников 3) Фреймы-ситуации описывают возможные ситуации. В ресторане клиент попадает типичные и нетипичные ситуации. Типичные ситуации: заказ и оплата. Не типичные ситуации: клиент 20

21 подавился, у клиента нет наличности для оплаты счета и т.д. Приведѐм пример Фрейма «Заказ»: Заказ Имя слота Значение слота Способ получения значения Демон Перечень блюд из внешних источников IF-ADDED (изменяет слот «Перечень Перечень цен Сумма заказа Принял заказ Сделал заказ Фрейм-образец Фрейм-образец Присоединенная процедура Присоединенная процедура из внешнего источника из внешнего источника 21 цен») IF-ADDED (изменяет слот «Сумма заказчик») 4) Ситуации возникают после наступления каких-то событий. Динамику предметной области можно отобразить в фреймахсценариях. Их может быть множество, опишем наиболее общий и типичный сценарий посещения ресторана: Посещение кафе «Рис» Имя слота Значение слота Способ получения значения Демон Посетитель Фрейм-объект из внешних источников Ресторан Фрейм-объект из внешних источников IF-ADDED, IF-REMOVED (изменяют слот «Официант») Официант Фрейм-объект присоединенная процедура (определяет по выбранному ресторану) Сцена 1 Вход, выбор из внешних источников столика Сцена 2 Заказ из внешних источников Сцена 3 Еда из внешних источников Сцена 4 Оплата из внешних источников Сцена 5 Выход из внешних источников

22 Взаимосвязь различных видов фреймов отображается графически в виде графа (рис. 2). Рисунок 2 Фреймовая модель предметной области «Ресторан» 22

23 Практическое занятие 5 СПОСОБЫ ПРЕДСТАВЛЕНИЯ И МОДЕЛИРОВАНИЯ ЗНАНИЙ С ПОМОЩЬЮ СЕМАНТИЧЕСКИХ СЕТЕЙ Пример. Построить сетевую модель представления знаний в предметной области «Ресторан» (посещение ресторана): 1) Ключевые понятия данной предметной области ресторан, тот, кто посещает ресторан (клиент) и те, кто его обслуживают (повара, метрдотели, официанты, для простоты ограничимся только официантами). У обслуживающего персонала и клиентов есть общие характеристики, поэтому целесообразно выделить общее абстрактное понятие человек. Продукцией ресторана являются блюда, которые заказывают клиенты. Исходя из этого, вершины графа будут следующими: «Ресторан», «Человек», «Официант», «Клиент», «Заказ» и «Блюдо». 2) У этих объектов есть определенные свойства и атрибуты. Например, рестораны располагаются по определенным адресам, каждое блюдо из меню имеет свою цену. Поэтому добавим вершины «Адрес» и «Цена». 3) Определим для имеющихся вершин отношения и их типы. 4) Добавим знание о конкретных фактах решаемой задачи. Пусть имеется два ресторана: «Космос» и «Рис», в первом работает официантка Марина, а во втором официант Сергей. Пѐтр решил пойти в ресторан «Рис» и сделал заказ официанту на 2 блюда: картофель фри за 30 р., бифштекс за 130 р. Также известны адреса этих ресторанов и их специфика. Исходя из этого, добавим соответствующие вершины в граф и соединим их функциональными отношениями и отношениями типа «например или являться экземпляром». Полученный в результате граф изображен на рис. 3. 5) Осуществим проверку установленных связей. Например, возьмем вершину «Блюдо» и пройдем по установленным связям. Получаем следующую информацию: блюдо является частью заказа, примерами блюд могут служить картофель фри и бифштекс. 23

24 Рисунок 3 - Семантическая сеть предметной области «Ресторан» Предметные области для построения семантической модели те же, что и в практической работе 3. 24

25 4. МЕТОДИЧЕСКИЕ РЕКОМЕНДАЦИИ К ВЫПОЛНЕНИЮ ДОМАШНЕГО ЗАДАНИЯ Учебным планом предусмотрено выполнение домашнего задания, которое заключается в проектировании схем комбинационных устройств или устройств с памятью (5,8 часов). Тема домашнего задания «Алгоритмы обучения нейронных сетей». Студентам предлагается реализовать алгоритм обучения одного из изучаемых типов нейронной сети: - персептрон; - многослойный персептрон; - сеть Кохонена; - сеть Элмана; - самоорганизующаяся сеть; - по выбору студента. По результатам работы оформить отчѐт объѐмом листов А4. Отчет по домашней работе должен содержать: 1. Цель работы. 2. Формулировку задания. 3. Математическое описание алгоритм обучения. 4. Описание алгоритма программы (словесное, блочная схема или псевдокод). 5. Текст программы. 6. Результаты работы. 25

26 2. БИБЛИОГРАФИЧЕСКИЙ СПИСОК Основная литература 1. Мохов В.А., Кузнецов Е.В. Интеллектуальные технологии в наукоѐмких производствах : [Электронный ресурс] электронный учебник / Юж.-Рос. гос. техн. ун-т. (НПИ) Новочеркасск : ЮРГТУ(НПИ), 2012, 1 эл. опт. диск (DVD-ROM) 55 Мб. 2. Мохов В. А., Кузнецова А.В. Интеллектуальные технологии и представление знаний [Электронный ресурс] учеб. пособие [для вузов] / В. А. Мохов, А. В. Кузнецова; ЮРГТУ(НПИ). Новочеркасск : Изд-во ЮРГТУ(НПИ), с. Режим доступа: 3. Кузнецова А. В., Мохов В.А. Нечеткая логика и нейронные сети в наукоемких производствах [Электронный ресурс] учеб. пособие [для вузов] / А. В. Кузнецова, В. А. Мохов; ЮРГТУ(НПИ). - Новочеркасск : Изд-во ЮРГТУ(НПИ), с. 104 с. Режим доступа: Дополнительная литература 4. Самыгин С.И., Кузнецова А.В. От естественного интеллекта к искусственному. Изд-во СКНЦВШ ЮФУ с. 5. Сотник С.Л. Проектирование систем искусственного интеллекта. [Электронный ресурс] / С.Л. Сотник Электрон. дан. Интернет-Университет Информационных Технологий 2007 г. 80 с. Режим доступа: 26

27 Учебно-методическое издание Кузнецова Алла Витальевна Адаптивные интеллектуальные системы Методические указания к лабораторным работам, практическим занятиям и домашнему заданию Редактор Я.В. Максименко Подписано в печать Формат 60x84 1 / 16. Бумага офсетная. Печать цифровая. Усл. печ. л. 1,63. Уч.-изд.л. 1,75. Тираж экз. Заказ. Южно-Российский государственный политехнический университет (НПИ) имени М.И. Платова Редакционно-издательский отдел ЮРГПУ (НПИ) , г. Новочеркасск, ул. Просвещения, 132 Отпечатано в ИД «Политехник» , г. Новочеркасск, ул. Первомайская,


ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ В ХИМИИ

ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ В ХИМИИ Министерство образования и науки РоссийскойФедерации Южно-Российский государственный политехнический университет (НПИ) имени М.И.Платова А.А. Александров ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ В ХИМИИ Методические

Подробнее

Карта курса «Методы и системы искусственного интеллекта» Данный курс посвящен рассмотрению базовых понятий методов и систем искусственного

Карта курса «Методы и системы искусственного интеллекта» Данный курс посвящен рассмотрению базовых понятий методов и систем искусственного Карта курса «Методы и системы искусственного интеллекта» Данный курс посвящен рассмотрению базовых понятий методов и систем искусственного интеллекта. В рамках курса рассматриваются основные понятия систем

Подробнее

«Интеллектуальные информационные системы»

«Интеллектуальные информационные системы» Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования «Карачаево-Черкесский государственный университет имени У.Д. Алиева» Кафедра информатики и вычислительной

Подробнее

«Основы искусственного интеллекта» Фонд оценочных средств по учебной дисциплине:

«Основы искусственного интеллекта» Фонд оценочных средств по учебной дисциплине: Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования «Карачаево-Черкесский государственный университет имени У.Д. Алиева» Кафедра информатики и вычислительной

Подробнее

Технологии искусственного интеллекта

Технологии искусственного интеллекта Технологии искусственного интеллекта Вопросы 1. Понятие искусственного интеллекта 2. Экспертные системы и системы поддержки принятия решений 3. Основы нечеткой логики 4. Основы нейронных сетей 5. Основы

Подробнее

ИНФОРМАТИКА. 11 класс

ИНФОРМАТИКА. 11 класс ИНФОРМАТИКА 11 класс МОСКВА «ВАКО» 2018 УДК 372.862 ББК 74.262.8 К65 6+ Издание допущено к использованию в образовательном процессе на основании приказа Министерства образования и науки РФ от 09.06.2016

Подробнее

доктор техн. наук, проф. А.Н. Дулин

доктор техн. наук, проф. А.Н. Дулин УДК 51:512(076.5) ББК 22.1 я73 Рецензент доктор техн. наук, проф. А.Н. Дулин Филатова Е.В., Комиссарова М.А. «Основы теории управления»: Методические указания к выполнению практических занятий и самостоятельной

Подробнее

Системи штучного інтелекту

Системи штучного інтелекту МІНІСТЕРСТВО ОСВІТИ І НАУКИ УКРАЇНИ НАЦІОНАЛЬНА МЕТАЛУРГІЙНА АКАДЕМІЯ УКРАЇНИ O.I. Михальов, К.Ю. Островська МЕТОДИЧНІ ВКАЗІВКИ до виконання лабораторних робіт з дисципліни Системи штучного інтелекту для

Подробнее

Библиотека БГУИР УДК 004.[932.75'1+89] Бурый Ярослав, Анатольевич

Библиотека БГУИР УДК 004.[932.75'1+89] Бурый Ярослав, Анатольевич Министерство образования Республики Беларусь Учреждение образования Белорусский государственный университет информатики и радиоэлектроники УДК 004.[932.75'1+89] Бурый Ярослав, Анатольевич Модель распознавания

Подробнее

Кафедра Компьютерные технологии в проектировании и производстве РАЗРАБОТКА БАЗЫ ЗНАНИЙ

Кафедра Компьютерные технологии в проектировании и производстве РАЗРАБОТКА БАЗЫ ЗНАНИЙ Министерство образования и науки Российской Федерации Федеральное государственное бюджетное образовательное учреждение высшего образования «НИЖЕГОРОДСКИЙ ГОСУДАРСТВЕННЫЙ ТЕХНИЧЕСКИЙ УНИВЕРСИТЕТ ИМ. Р.

Подробнее

Оглавление 1. Перечень компетенций с указанием этапов их формирования в процессе освоения образовательной программы... 3 2. Описание показателей и критериев оценивания компетенций на различных этапах их

Подробнее

Рабочая программа дисциплины «Б.1.В.ОД.10 Системы искусственного интеллекта» /сост. О.В. Острая - Оренбург: ОГУ, 2015

Рабочая программа дисциплины «Б.1.В.ОД.10 Системы искусственного интеллекта» /сост. О.В. Острая - Оренбург: ОГУ, 2015 Рабочая программа дисциплины «Б.1.В.ОД.10 Системы искусственного интеллекта» /сост. О.В. Острая - Оренбург: ОГУ, 2015 Рабочая программа предназначена студентам очной формы обучения по направлению подготовки

Подробнее

Искусственные нейронные сети

Искусственные нейронные сети Искусственные нейронные сети Искусственный нейрон Искусственный нейрон имитирует свойства биологического нейрона. x 1 x 2 w 1 u w Σ f(u) 2 y x n 1 w n w 0 блок суммирования входные сигналы веса функция

Подробнее

ПОДХОДЫ К РЕШЕНИЮ ЗАДАЧИ ПРОГНОЗИРОВАНИЯ ВРЕМЕННЫХ РЯДОВ С ПОМОЩЬЮ НЕЙРОННЫХ СЕТЕЙ

ПОДХОДЫ К РЕШЕНИЮ ЗАДАЧИ ПРОГНОЗИРОВАНИЯ ВРЕМЕННЫХ РЯДОВ С ПОМОЩЬЮ НЕЙРОННЫХ СЕТЕЙ ПОДХОДЫ К РЕШЕНИЮ ЗАДАЧИ ПРОГНОЗИРОВАНИЯ ВРЕМЕННЫХ РЯДОВ С ПОМОЩЬЮ НЕЙРОННЫХ СЕТЕЙ АС Рудаков, аспирант Московского государственного университета печати E-mail: shmel_ras@mailru В статье предлагается методика

Подробнее

«Технологии искусственного интеллекта в управлении»

«Технологии искусственного интеллекта в управлении» Министерство образования Нижегородской области Государственное бюджетное образовательное учреждение Нижегородский государственный инженерно-экономический институт (ГБОУ ВТО НГИЭИ) Факультет ИТиСС Кафедра

Подробнее

ЛАБОРАТОРНОЕ ЗАНЯТИЕ 2 Пакет нечеткой логики

ЛАБОРАТОРНОЕ ЗАНЯТИЕ 2 Пакет нечеткой логики ЛАБОРАТОРНОЕ ЗАНЯТИЕ 2 Пакет нечеткой логики УЧЕБНЫЕ И ВОСПИТАТЕЛЬНЫЕ ЦЕЛИ: 1. Углубить и закрепить знания, полученные на лекциях по нечеткой логике. 2. Выработать у студентов практические навыки при разработке

Подробнее

1. Цели и задачи дисциплины

1. Цели и задачи дисциплины 1. Цели и задачи дисциплины 1.1. Цель дисциплины Дисциплина «Интеллектуальные информационные системы» относится к циклу «Специальные дисциплины». Целью данного курса является ознакомление студентов с основными

Подробнее

СОСТАВИТЕЛИ: Л. В. Калацкая, доцент кафедры интеллектуальных систем Белорусского государственного университета, канд. техн. наук

СОСТАВИТЕЛИ: Л. В. Калацкая, доцент кафедры интеллектуальных систем Белорусского государственного университета, канд. техн. наук БЕЛОРУССКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ Учебная программа составлена на основе ОСВО 1-31 03 07-2013 «Прикладная информатика», учебного плана УВО G31-170/уч. 2013 г. СОСТАВИТЕЛИ: Л. В. Калацкая, доцент

Подробнее

Т.Г. Плеханова ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ В МЕНЕДЖМЕНТЕ. Методические указания к выполнению расчетно-графической работы

Т.Г. Плеханова ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ В МЕНЕДЖМЕНТЕ. Методические указания к выполнению расчетно-графической работы Министерство образования и науки Российской Федерации Южно-Российский государственный политехнический университет (НПИ) имени М.И. Платова Шахтинский институт (филиал) ЮРГПУ(НПИ) им. М.И. Платова Т.Г.

Подробнее

Интеллектуальные системы обработки информации

Интеллектуальные системы обработки информации Министерство образования и науки Российской Федерации ФГБОУ ВО «Уральский государственный лесотехнический университет» Институт экономики и управления 620100, Екатеринбург, Сибирский тракт, 37, оф. 1-103

Подробнее

Министерство путей сообщения РФ. Самарский институт инженеров железнодорожного транспорта. Кафедра информатики и информационных систем ЗАДАНИЯ

Министерство путей сообщения РФ. Самарский институт инженеров железнодорожного транспорта. Кафедра информатики и информационных систем ЗАДАНИЯ Министерство путей сообщения РФ Самарский институт инженеров железнодорожного транспорта Кафедра информатики и информационных систем ЗАДАНИЯ к выполнению контрольной работы по курсу Математическая логика

Подробнее

Белорусский государственный университет

Белорусский государственный университет Белорусский государственный университет МОДЕЛИРОВАНИЕ НЕЙРОННЫХ СЕТЕЙ Учебная программа учреждения высшего образования по учебной дисциплине для специальности: 1-98 01 01 Компьютерная безопасность (по

Подробнее

Искусственные нейронные сети

Искусственные нейронные сети Искусственные нейронные сети Искусственный нейрон Искусственный нейрон имитирует свойства биологического нейрона. x 1 x 2 w 1 u w Σ f(u) 2 y x n 1 w n w 0 блок суммирования входные сигналы веса функция

Подробнее

ANFIS. Adaptive-Network-based Fuzzy Inference System

ANFIS. Adaptive-Network-based Fuzzy Inference System ANFIS Adaptive-Network-based Fuzzy Inference System Введение ANFIS адаптивная сеть, функционально эквивалентная системе нечёткого вывода. ANFIS использует гибридный алгоритм обучения. Алгоритм предложен

Подробнее

Системы искусственного интеллекта

Системы искусственного интеллекта АДАПТИВНЫЕ И ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ Системы искусственного интеллекта Практический курс Учебное пособие Допущено УМО по классическому университетскому образованию в качестве учебного пособия для студентов

Подробнее

МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКОЙ ФЕДЕРАЦИИ ФЕДЕРАЛЬНОЕ АГЕНСТВО ПО ОБРАЗОВАНИЮ

МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКОЙ ФЕДЕРАЦИИ ФЕДЕРАЛЬНОЕ АГЕНСТВО ПО ОБРАЗОВАНИЮ МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКОЙ ФЕДЕРАЦИИ ФЕДЕРАЛЬНОЕ АГЕНСТВО ПО ОБРАЗОВАНИЮ Государственное образовательное учреждение высшего профессионального образования «Оренбургский государственный

Подробнее

«МЕТОДЫ ПРИНЯТИЯ УПРАВЛЕНЧЕСКИХ РЕШЕНИЙ»

«МЕТОДЫ ПРИНЯТИЯ УПРАВЛЕНЧЕСКИХ РЕШЕНИЙ» Министерство образования и науки Российской Федерации Южно-Российский государственный политехнический университет (НПИ) имени М.И. Платова Шахтинский институт (филиал) ЮРГПУ (НПИ) им. М.И. Платова «МЕТОДЫ

Подробнее

Лабораторная работа 3. (классификация, кластеризация, распознавание образов и др.)»

Лабораторная работа 3. (классификация, кластеризация, распознавание образов и др.)» Лабораторная работа 3 «Проектирование нейронных сетей для решения различных задач (классификация, кластеризация, распознавание образов и др.)» 1. Цель работы Изучить базовые понятия нейротехнологий, ознакомиться

Подробнее

Искусственные нейронные сети

Искусственные нейронные сети Искусственные нейронные сети Искусственный нейрон Искусственный нейрон имитирует свойства биологического нейрона. x 1 x 2 w 1 u w Σ f(u) 2 y x n 1 w n w 0 блок суммирования входные сигналы веса функция

Подробнее

Экзаменационный билет 3

Экзаменационный билет 3 Экзаменационный билет 1 1. Предмет дисциплины Искусственный интеллект. Свойства плохоформализуемых задач. Сложность алгоритмов и задач. 2. Радиальные нейронные сети. Экзаменационный билет 2 1. Классификация

Подробнее

Лекция 15 Использование аппарата нейронных сетей для определения качества восприятия в системах IPTV. План

Лекция 15 Использование аппарата нейронных сетей для определения качества восприятия в системах IPTV. План Лекция 15 Использование аппарата нейронных сетей для определения качества восприятия в системах IPTV План 1. Общие понятия о нейронных сетях (определение нейронной сети, шкала MOS) 2. Классификация нейронных

Подробнее

ИНФОРМАТИКА 8 класс МОСКВА «ВАКО» 2017

ИНФОРМАТИКА 8 класс МОСКВА «ВАКО» 2017 ИНФОРМАТИКА 8 класс МОСКВА «ВАКО» 2017 УДК 372.862 ББК 74.262.8 К65 6+ Издание допущено к использованию в образовательном процессе на основании приказа Министерства образования и науки РФ от 09.06.2016

Подробнее

В.А. Атрощенко, М.П. Лысенко, Г.С. Петриченко, Н.А. Суртаев, Н.Д. Чигликова, Р.А. Дьяченко, С.Е. Кошевая, Н.В. Василенко КУРС ЛЕКЦИЙ ПО ИНФОРМАТИКЕ

В.А. Атрощенко, М.П. Лысенко, Г.С. Петриченко, Н.А. Суртаев, Н.Д. Чигликова, Р.А. Дьяченко, С.Е. Кошевая, Н.В. Василенко КУРС ЛЕКЦИЙ ПО ИНФОРМАТИКЕ В.А. Атрощенко, М.П. Лысенко, Г.С. Петриченко, Н.А. Суртаев, Н.Д. Чигликова, Р.А. Дьяченко, С.Е. Кошевая, Н.В. Василенко КУРС ЛЕКЦИЙ ПО ИНФОРМАТИКЕ Краснодар 2009 УДК 002(021) ББК 32.81я73 К 93 Рецензенты:

Подробнее

НОВОСИБИРСКИЙ ГОСУДАРСТВЕННЫЙ АГРАРНЫЙ УНИВЕРСИТЕТ ЭКОНОМИЧЕСКИЙ ФАКУЛЬТЕТ. Методические указания по изучению офисного приложения MS Access

НОВОСИБИРСКИЙ ГОСУДАРСТВЕННЫЙ АГРАРНЫЙ УНИВЕРСИТЕТ ЭКОНОМИЧЕСКИЙ ФАКУЛЬТЕТ. Методические указания по изучению офисного приложения MS Access НОВОСИБИРСКИЙ ГОСУДАРСТВЕННЫЙ АГРАРНЫЙ УНИВЕРСИТЕТ ЭКОНОМИЧЕСКИЙ ФАКУЛЬТЕТ Методические указания по изучению офисного приложения MS Access Новосибирск 2014 УДК 004 (07) ББК 32.81, я 7 М 545 Кафедра автоматизированной

Подробнее

Аспирант. И.В. Бугаев. Научный руководитель, д.ф-м.н., проф. каф. Информатики

Аспирант. И.В. Бугаев. Научный руководитель, д.ф-м.н., проф. каф. Информатики Министерство образования и науки Российской Федерации федеральное государственное бюджетное образовательное учреждение высшего образования «САНКТ-ПЕТЕРБУРГСКИЙ ГОРНЫЙ УНИВЕРСИТЕТ» кафедра Информационной

Подробнее

Проектирование человекомашинных. Лекция 7. Распознавание образов

Проектирование человекомашинных. Лекция 7. Распознавание образов Проектирование человекомашинных интерфейсов Лекция 7. Распознавание образов Распознавание образов раздел кибернетики, развивающий теоретические основы и методы классификации и идентификации объектов, которые

Подробнее

МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКОЙ ФЕДЕРАЦИИ

МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКОЙ ФЕДЕРАЦИИ МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКОЙ ФЕДЕРАЦИИ ФЕДЕРАЛЬНОЕ АГЕНСТВО ПО ОБРАЗОВАНИЮ Государственное образовательное учреждение высшего профессионального образования «Оренбургский государственный

Подробнее

«Сибирский государственный индустриальный университет» Кафедра прикладной информатики ПОЗИЦИОННЫЕ СИСТЕМЫ СЧИСЛЕНИЯ. ФОРМЫ ПРЕДСТАВЛЕНИЯ ДАННЫХ

«Сибирский государственный индустриальный университет» Кафедра прикладной информатики ПОЗИЦИОННЫЕ СИСТЕМЫ СЧИСЛЕНИЯ. ФОРМЫ ПРЕДСТАВЛЕНИЯ ДАННЫХ Министерство образования и науки Российской Федерации Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования «Сибирский государственный индустриальный университет»

Подробнее

Интеллектуальные информационные системы

Интеллектуальные информационные системы Министерство образования и науки РФ ФГБОУ ВПО «Уральский государственный лесотехнический университет» Институт экономики и управления Кафедра Информационных технологий и моделирования Мельник Л.Ю. Интеллектуальные

Подробнее

ЛАБОРАТОРНАЯ РАБОТА 1 ИЗУЧЕНИЕ ПРИНЦИПОВ СОЗДАНИЯ ПРОДУКЦИОННЫХ БАЗ ЗНАНИЙ

ЛАБОРАТОРНАЯ РАБОТА 1 ИЗУЧЕНИЕ ПРИНЦИПОВ СОЗДАНИЯ ПРОДУКЦИОННЫХ БАЗ ЗНАНИЙ ЛАБОРАТОРНАЯ РАБОТА 1 ИЗУЧЕНИЕ ПРИНЦИПОВ СОЗДАНИЯ ПРОДУКЦИОННЫХ БАЗ ЗНАНИЙ Цель и задачи работы Цель работы изучить принципы и способы создания базы знаний продукционных экспертных систем, освоить методы

Подробнее

ОЛИМПИАДА ШКОЛЬНИКОВ «ГРАНИТ НАУКИ» ИНФОРМАТИКА МЕТОДИЧЕСКИЕ УКАЗАНИЯ ДЛЯ ПОДГОТОВКИ К ОТБОРОЧНОМУ ТУРУ ОЛИМПИАДЫ 2018/2019 УЧЕБНОГО ГОДА

ОЛИМПИАДА ШКОЛЬНИКОВ «ГРАНИТ НАУКИ» ИНФОРМАТИКА МЕТОДИЧЕСКИЕ УКАЗАНИЯ ДЛЯ ПОДГОТОВКИ К ОТБОРОЧНОМУ ТУРУ ОЛИМПИАДЫ 2018/2019 УЧЕБНОГО ГОДА МИНИСТЕРСТВО НАУКИ И ВЫСШЕГО ОБРАЗОВАНИЯ РОССИЙСКОЙ ФЕДЕРАЦИИ ПЕРВОЕ ВЫСШЕЕ ТЕХНИЧЕСКОЕ УЧЕБНОЕ ЗАВЕДЕНИЕ РОССИИ ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ БЮДЖЕТНОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ ВЫСШЕГО ОБРАЗОВАНИЯ «САНКТ-ПЕТЕРБУРГСКИЙ

Подробнее

РАБОЧАЯ ПРОГРАММА ДИСЦИПЛИНЫ (МОДУЛЯ) Теория интеллектуальных систем управления (наименование дисциплины (модуля) по УП)

РАБОЧАЯ ПРОГРАММА ДИСЦИПЛИНЫ (МОДУЛЯ) Теория интеллектуальных систем управления (наименование дисциплины (модуля) по УП) МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКОЙ ФЕДЕРАЦИИ ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ БЮДЖЕТНОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ ВЫСШЕГО ОБРАЗОВАНИЯ «ВОРОНЕЖСКИЙ ГОСУДАРСТВЕННЫЙ ТЕХНИЧЕСКИЙ УНИВЕРСИТЕТ» (ФГБОУ ВО

Подробнее

Тест ИНФОРМАЦИОННЫМ ТЕХНОЛОГИЯМ. Составил учитель информатики Сергеев Н.В.

Тест ИНФОРМАЦИОННЫМ ТЕХНОЛОГИЯМ. Составил учитель информатики Сергеев Н.В. Тест по ИНФОРМАЦИОННЫМ ТЕХНОЛОГИЯМ Составил учитель информатики Сергеев Н.В. 1) Чему равен 1 Кбайт? 1. 1000 бит 2. 1000 байт 3. 1024 бит 4. 1024 байт 2) Какое устройство обладает наибольшей скоростью обмена

Подробнее

Идентификация объекта методом МНК

Идентификация объекта методом МНК МИНОБРНАУКИ РОССИИ ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ БЮДЖЕТНОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ ВЫСШЕГО ПРОФЕССИОНАЛЬНОГО ОБРАЗОВАНИЯ «ВОЛГОГРАДСКИЙ ГОСУДАРСТВЕННЫЙ ТЕХНИЧЕСКИЙ УНИВЕРСИТЕТ» КАМЫШИНСКИЙ ТЕХНОЛОГИЧЕСКИЙ

Подробнее

ПРИКЛАДНОЕ ПРОГРАММИРОВАНИЕ И БАЗЫ ДАННЫХ: ПОДГОТОВКА К ТЕСТИРОВАНИЮ

ПРИКЛАДНОЕ ПРОГРАММИРОВАНИЕ И БАЗЫ ДАННЫХ: ПОДГОТОВКА К ТЕСТИРОВАНИЮ РОСЖЕЛДОР Федеральное государственное бюджетное образовательное учреждение высшего образования «Ростовский государственный университет путей сообщения» (ФГБОУ ВО РГУПС) О.В. Игнатьева ПРИКЛАДНОЕ ПРОГРАММИРОВАНИЕ

Подробнее

МЕТОДЫ ПРЕДСТАВЛЕНИЯ ЗНАНИЙ В ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМАХ

МЕТОДЫ ПРЕДСТАВЛЕНИЯ ЗНАНИЙ В ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМАХ СБОРНИК НАУЧНЫХ ТРУДОВ НГТУ. 2009. 2(56). 87 92 УДК 681.3 МЕТОДЫ ПРЕДСТАВЛЕНИЯ ЗНАНИЙ В ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМАХ М.Г. ГРИФ, Е.В. ГЕНИАТУЛИНА Показано функционирование человеко-машинных систем. Описаны

Подробнее

Д.А.Котина, Т.И.Паюсова Тюменский государственный университет, г.тюмень УДК

Д.А.Котина, Т.И.Паюсова Тюменский государственный университет, г.тюмень УДК Д.А.Котина, Т.И.Паюсова Тюменский государственный университет, г.тюмень УДК 004.891.3 НЕЙРОСЕТЕВОЕ МОДЕЛИРОВАНИЕ В ИНФОРМАЦИОННОЙ БЕЗОПАСНОСТИ Аннотация. В статье проводится анализ методического материала,

Подробнее

«МОСКОВСКИЙ ИНФОРМАЦИОННО-ТЕХНОЛОГИЧЕСКИЙ УНИВЕРСИТЕТ МОСКОВСКИЙ АРХИТЕКТУРНО-СТРОИТЕЛЬНЫЙ ИНСТИТУТ»

«МОСКОВСКИЙ ИНФОРМАЦИОННО-ТЕХНОЛОГИЧЕСКИЙ УНИВЕРСИТЕТ МОСКОВСКИЙ АРХИТЕКТУРНО-СТРОИТЕЛЬНЫЙ ИНСТИТУТ» УТВЕРЖДАЮ 2016 г. Программа общеобразовательного вступительного испытания по ИНФОРМАТИКЕ и ИКТ для поступающих по направлениям подготовки высшего образования программам бакалавриата, программам специалитета

Подробнее

ВЕРОЯТНОСТНЫЕ РАСЧЕТЫ НАДЕЖНОСТИ ТЕХНИЧЕСКИХ СИСТЕМ

ВЕРОЯТНОСТНЫЕ РАСЧЕТЫ НАДЕЖНОСТИ ТЕХНИЧЕСКИХ СИСТЕМ Министерство образования и науки Российской Федерации Южно-Российский государственный политехнический университет (НПИ) имени М.И. Платова Шахтинский институт (филиал) ЮРГПУ(НПИ) им. М.И. Платова С.Д.

Подробнее

Применение нейронных сетей для решения навигационных задач мобильных роботов

Применение нейронных сетей для решения навигационных задач мобильных роботов Дипломная работа на тему: Применение нейронных сетей для решения навигационных задач мобильных роботов Автор дипломной работы: Катанкова Т.С., КП-501 Научный руководитель: Гаврилов А. В., к.т.н., доцент

Подробнее

2 Обучение нейронных сетей. Алгоритм обратного распространения ошибки. Градиентные методы. Методы глобальной оптимизации. Генетические алгороитмы.

2 Обучение нейронных сетей. Алгоритм обратного распространения ошибки. Градиентные методы. Методы глобальной оптимизации. Генетические алгороитмы. Искусственные нейронные сети Содержание разделов дисциплины: Наименование раздела п/п дисциплины 1 Введение. Физические и математические модели нейронов. Классификация ИНС и их свойства. 2 Обучение нейронных

Подробнее

Программа учебной дисциплины

Программа учебной дисциплины Министерство образования и науки Российской Федерации Санкт-Петербургский государственный университет Экономический факультет Рассмотрено и рекомендовано на заседании кафедры информационных систем в экономике

Подробнее

Группа подготовки издания:

Группа подготовки издания: УДК 62-55:681.515 ББК 32.965.6 Г72 Гостев В. И. Г72 Проектирование нечетких регуляторов для систем автоматического управления. СПб.: БХВ-Петербург, 2011. 416 с.: ил. ISBN 978-5-9775-0696-0 Рассмотрены

Подробнее

Аннотация к рабочей программе дисциплины. Б1.Б.6 Информатика

Аннотация к рабочей программе дисциплины. Б1.Б.6 Информатика Направление подготовки Профиль подготовки Квалификация (степень) выпускника, Форма обучения Курс семестр(ы) изучения Аннотация к рабочей программе дисциплины Б1.Б.6 Информатика 43.03.01 Сервис Сервис в

Подробнее

Министерство образования Российской Федерации. Санкт-Петербургский государственный электротехнический университет ЛЭТИ РАБОЧАЯ ПРОГРАММА.

Министерство образования Российской Федерации. Санкт-Петербургский государственный электротехнический университет ЛЭТИ РАБОЧАЯ ПРОГРАММА. Министерство образования Российской Федерации Санкт-Петербургский государственный электротехнический университет ЛЭТИ РАБОЧАЯ ПРОГРАММА дисциплины Системы искусственного интеллекта Для подготовки дипломированных

Подробнее

ОГЛАВЛЕНИЕ. Предисловие... 3

ОГЛАВЛЕНИЕ. Предисловие... 3 ОГЛАВЛЕНИЕ Предисловие..................................... 3 Глава 1. Понятие информации. Общая характеристика процессов сбора, передачи, обработки и накопления информации 1.1. Основные задачи информатики......................

Подробнее

Методические указания к выполнению практических работ

Методические указания к выполнению практических работ Министерство образования и науки Российской Федерации Южно-Российский государственный политехнический университет (НПИ) имени М.И. Платова Шахтинский институт (филиал) ЮРГПУ (НПИ) им. М.И. Платова В.В.

Подробнее

МОДЕЛИ РЕШЕНИЯ ФУНКЦИОНАЛЬНЫХ И ВЫЧИСЛИТЕЛЬНЫХ ЗАДАЧ Л Е К Т О Р А З А Р Ч Е Н К О В А. А.

МОДЕЛИ РЕШЕНИЯ ФУНКЦИОНАЛЬНЫХ И ВЫЧИСЛИТЕЛЬНЫХ ЗАДАЧ Л Е К Т О Р А З А Р Ч Е Н К О В А. А. МОДЕЛИ РЕШЕНИЯ ФУНКЦИОНАЛЬНЫХ И ВЫЧИСЛИТЕЛЬНЫХ ЗАДАЧ Л Е К Т О Р А З А Р Ч Е Н К О В А. А. ОСНОВНЫЕ ПОНЯТИЯ Задачи: вычислительные задачи - определение некоторой величины, функциональные задачи - создания

Подробнее

1.Цели и задачи дисциплины.

1.Цели и задачи дисциплины. 1.Цели и задачи дисциплины. 1.1. Цели преподавания дисциплины: Курс информатики вместе с другими общеобразовательными дисциплинами составляют основу общетеоретической подготовки. Целью курса является знакомство

Подробнее

Кафедра КИС ХТ. Учебная работа. Специальность «Основные процессы химических производств и химическая кибернетика»

Кафедра КИС ХТ. Учебная работа. Специальность «Основные процессы химических производств и химическая кибернетика» Кафедра КИС ХТ Учебная работа Специальность 240802 «Основные процессы химических производств и химическая кибернетика» Специализация «Гибкие автоматизированные производственные химико-технологические системы»

Подробнее

Исследование фильтра-предсказателя на основе нейронной сети прямого распространения

Исследование фильтра-предсказателя на основе нейронной сети прямого распространения Министерство образования и науки Российской Федерации ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ БЮДЖЕТНОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ ВЫСШЕГО ОБРАЗОВАНИЯ «САРАТОВСКИЙ НАЦИОНАЛЬНЫЙ ИССЛЕДОВАТЕЛЬСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ

Подробнее

Ho IL МАКАРКИН И. М. ШАРАНОВ Н. Ф. ДЮДЯЕВ. в; Ф. БАЙНЕВ ИНФОРМАТИКА УЧЕБНОЕ ПОСОБИЕ

Ho IL МАКАРКИН И. М. ШАРАНОВ Н. Ф. ДЮДЯЕВ. в; Ф. БАЙНЕВ ИНФОРМАТИКА УЧЕБНОЕ ПОСОБИЕ Ho IL МАКАРКИН И. М. ШАРАНОВ Н. Ф. ДЮДЯЕВ в; Ф. БАЙНЕВ ИНФОРМАТИКА УЧЕБНОЕ ПОСОБИЕ Рекомендовано Министерством общего и профессионального образования Российской Федерации в качестве учебного пособия для

Подробнее

Т.Г. Плеханова. СТАТИСТИКА (теория статистики, социально-экономическая статистика) Методические указания к выполнению курсовой работы

Т.Г. Плеханова. СТАТИСТИКА (теория статистики, социально-экономическая статистика) Методические указания к выполнению курсовой работы Министерство образования и науки Российской Федерации Южно-Российский государственный политехнический университет (НПИ) имени М.И. Платова Шахтинский институт (филиал) ЮРГПУ(НПИ) им. М.И. Платова Т.Г.

Подробнее

Общие сведения о дисциплине

Общие сведения о дисциплине Общие сведения о дисциплине Название дисциплины Интеллектуальные информационные системы Факультет, на котором преподается данная дисциплина Математический Направление подготовки Информационные системы

Подробнее

Программа дисциплины

Программа дисциплины Программа дисциплины "Нейронные сети и их приложения"; 34.6 Информационные системы и технологии; Гатауллин Р.Р., МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКОЙ ФЕДЕРАЦИИ Федеральное государственное автономное

Подробнее

Введение в нейронные сети [M.160]

Введение в нейронные сети [M.160] Введение в нейронные сети [M.160] Ранее отмечалось, что такие популярные инструменты Data Mining, как регрессия и деревья решений, широко используемые для решения задач классификации и прогнозирования,

Подробнее

Введение. Построение концептуальной модели предметной области

Введение. Построение концептуальной модели предметной области Е.А. Бердникова, А.В. Лямин, А.В. Русак УДК 007.51; 371.261; 004.588 СРЕДСТВА ПОСТРОЕНИЯ АДАПТИВНЫХ ОБУЧАЮЩИХ ДИАЛОГОВ В СИСТЕМЕ ACADEMICNT НА ОСНОВЕ КОНЦЕПТУАЛЬНОЙ МОДЕЛИ ПРЕДМЕТНОЙ ОБЛАСТИ Е.А. Бердникова,

Подробнее

ФОРМИРОВАНИЕ ОБУЧАЕЩЕГО МНОЖЕСТВА ЗАВИСИМОСТИЗНАНИЙ СТУДЕНТОВ ОТ ИХ МЕНТАЛИТЕТАДЛЯ ДВУХСЛОЙНЫХ НЕЙРОННЫХ СЕТЕЙ

ФОРМИРОВАНИЕ ОБУЧАЕЩЕГО МНОЖЕСТВА ЗАВИСИМОСТИЗНАНИЙ СТУДЕНТОВ ОТ ИХ МЕНТАЛИТЕТАДЛЯ ДВУХСЛОЙНЫХ НЕЙРОННЫХ СЕТЕЙ 72 Секция 3. Искусственный интеллект, нейросетевые и эволюционные алгоритмы УДК 004.853 В.В. Елифёров,О.И. Федяев Донецкий национальный технический университет Кафедра прикладной математики и информатики

Подробнее

Лекция 5. Тема 3.3 Сети с самоорганизацией на основе конкуренции. Содержание:

Лекция 5. Тема 3.3 Сети с самоорганизацией на основе конкуренции. Содержание: Лекция 5 Тема 3.3 Сети с самоорганизацией на основе конкуренции Содержание: 1. Архитектура сети Кохонена 2. Меры расстояния между векторами и нормализация векторов 1. Архитектура сети Кохонена Под термином

Подробнее

Практическое занятие 5 ПРОЕКТИРОВАНИЕ ПОЛЬЗОВАТЕЛЬСКОГО ИНТЕРФЕЙСА (2 часа) Цель работы - научиться проектировать пользовательский интерфейс в

Практическое занятие 5 ПРОЕКТИРОВАНИЕ ПОЛЬЗОВАТЕЛЬСКОГО ИНТЕРФЕЙСА (2 часа) Цель работы - научиться проектировать пользовательский интерфейс в Практическое занятие 5 ПРОЕКТИРОВАНИЕ ПОЛЬЗОВАТЕЛЬСКОГО ИНТЕРФЕЙСА (2 часа) Цель работы - научиться проектировать пользовательский интерфейс в соответствии с принятыми стандартами и правилами эргономики.

Подробнее

ОТБОР ПОЛЕЗНЫХ ПРИЗНАКОВ В ЗАДАЧЕ КЛАСТЕРИЗАЦИИ МНОГОМЕРНЫХ ДАННЫХ НА БАЗЕ КАРТЫ КОХОНЕНА

ОТБОР ПОЛЕЗНЫХ ПРИЗНАКОВ В ЗАДАЧЕ КЛАСТЕРИЗАЦИИ МНОГОМЕРНЫХ ДАННЫХ НА БАЗЕ КАРТЫ КОХОНЕНА ОТБОР ПОЛЕЗНЫХ ПРИЗНАКОВ В ЗАДАЧЕ КЛАСТЕРИЗАЦИИ МНОГОМЕРНЫХ ДАННЫХ НА БАЗЕ КАРТЫ КОХОНЕНА A. Pcholkin Computer Science Department University of Latvia I9 Raina Blvd., Riga LV-1586, LATVIA Phone: +371 7228611

Подробнее

Моделирование технологических и природных систем

Моделирование технологических и природных систем Моделирование технологических и природных систем Лекция 4 Персептрон Розенблата Фрэнк Розенблатт (, 1928-1971) известный американский учёный в области психологии, нейрофизиолог ии и искусственного интеллекта

Подробнее

Какими средствами наиболее удобно пользоваться при прогнозировании страховых взносов В.В. Колмыков Мордовский государственный университет имени

Какими средствами наиболее удобно пользоваться при прогнозировании страховых взносов В.В. Колмыков Мордовский государственный университет имени Какими средствами наиболее удобно пользоваться при прогнозировании страховых взносов В.В. Колмыков Мордовский государственный университет имени Н.П.Огарева e-mal: v.v_@b.ru В данной статье мне бы хотелось

Подробнее

ОСНОВЫ РАБОТЫ В ГЛОБАЛЬНЫХ СЕТЯХ

ОСНОВЫ РАБОТЫ В ГЛОБАЛЬНЫХ СЕТЯХ Министерство образования Российской Федерации Владивостокский государственный университет экономики и сервиса ОСНОВЫ РАБОТЫ В ГЛОБАЛЬНЫХ СЕТЯХ Учебная программа Владивосток Издательство ВГУЭС 2003 ББК

Подробнее

1. ВВЕДЕНИЕ Цель и задачи дисциплины Требования образовательного стандарта

1. ВВЕДЕНИЕ Цель и задачи дисциплины Требования образовательного стандарта 2 СОДЕРЖАНИЕ 3 Введение... 4 1. Пояснительная записка... 4 1.1. Цель и задачи дисциплины... 4 1.2. Требования образовательного стандарта... 4 1.3. Объемы учебной работы и предусмотренные рабочими учебными

Подробнее

Рабочая программа дисциплины (модуля) ИНФОРМАТИКА. Специальность «Социальная работа» Форма обучения ЗАОЧНАЯ

Рабочая программа дисциплины (модуля) ИНФОРМАТИКА. Специальность «Социальная работа» Форма обучения ЗАОЧНАЯ МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКОЙ ФЕДЕРАЦИИ ФГБОУ ВПО «ВОЛОГОДСКИЙ ГОСУДАРСТВЕННЫЙ ПЕДАГОГИЧЕСКИЙ УНИВЕРСИТЕТ» ФАКУЛЬТЕТ СОЦИАЛЬНОЙ РАБОТЫ, ПЕДАГОГИКИ И ПСИХОЛОГИИ УТВЕРЖДАЮ 01 сентября 2011г.

Подробнее

Лекция 9 Тема. План Ключевые слова. , Сетевые семантические модели

Лекция 9 Тема. План Ключевые слова. , Сетевые семантические модели Лекция 9 Тема. Модели знаний. Компоненты экспертных систем. План 1. Сетевые семантические модели 2. Фреймовые модели 3. Продукционные модели 4. Компоненты ЭС Ключевые слова. Сети, вершины, дуги, дерево

Подробнее

МЕТОДЫ ТЕОРИИ НЕЙРОННЫХ СЕТЕЙ В ЭКСПЕРТИЗЕ ТЕХНИЧЕСКИХ И ЭКОНОМИЧЕСКИХ ОБЪЕКТОВ

МЕТОДЫ ТЕОРИИ НЕЙРОННЫХ СЕТЕЙ В ЭКСПЕРТИЗЕ ТЕХНИЧЕСКИХ И ЭКОНОМИЧЕСКИХ ОБЪЕКТОВ С.В. Бухарин, В.В. Навоев МЕТОДЫ ТЕОРИИ НЕЙРОННЫХ СЕТЕЙ В ЭКСПЕРТИЗЕ ТЕХНИЧЕСКИХ И ЭКОНОМИЧЕСКИХ ОБЪЕКТОВ Монография Воронеж Издательство «Научная книга» 2015 УДК 519.237 (075.8) ББК 22.172 Б 94 Рецензенты:

Подробнее

ПРОГНОЗИРОВАНИЕ СПОРТИВНЫХ РЕЗУЛЬТАТОВ С ПОМОЩЬЮ НЕЙРОННЫХ СЕТЕЙ

ПРОГНОЗИРОВАНИЕ СПОРТИВНЫХ РЕЗУЛЬТАТОВ С ПОМОЩЬЮ НЕЙРОННЫХ СЕТЕЙ УДК 004.032.26 1 А. К. Крутиков, В. Л. Клюкин ПРОГНОЗИРОВАНИЕ СПОРТИВНЫХ РЕЗУЛЬТАТОВ С ПОМОЩЬЮ НЕЙРОННЫХ СЕТЕЙ В статье рассмотрены основные подходы к прогнозированию спортивных результатов с помощью нейронных

Подробнее

РАБОТА НА КОМПЬЮТЕРЕ

РАБОТА НА КОМПЬЮТЕРЕ Т.А. КУПРАВА РАБОТА НА КОМПЬЮТЕРЕ ПРАКТИЧЕСКАЯ ИНФОРМАТИКА Учебное пособие Москва Издательство Российского университета дружбы народов 2002 ББК 22.183.492 К 92 У т в е р ж д е н о РИС Ученого совета Российского

Подробнее

ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ НА ТРАНСПОРТЕ

ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ НА ТРАНСПОРТЕ МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКОЙ ФЕДЕРАЦИИ Сыктывкарский лесной институт (филиал) федерального государственного бюджетного образовательного учреждения высшего профессионального образования «Санкт-Петербургский

Подробнее

Вопросы для вступительного экзамена в докторантуру по дисциплинам «Автоматизация технических систем»

Вопросы для вступительного экзамена в докторантуру по дисциплинам «Автоматизация технических систем» Вопросы для вступительного экзамена в докторантуру по дисциплинам «Автоматизация технических систем» 1 Основные задачи в области автоматизации технических систем и их связь с требованиями производства.

Подробнее

КРАТКИЙ КОНСПЕКТ ЛЕКЦИЙ

КРАТКИЙ КОНСПЕКТ ЛЕКЦИЙ ФЕДЕРАЛЬНОЕ АГЕНТСТВО ЖЕЛЕЗНОДОРОЖНОГО ТРАНСПОРТА Государственное образовательное учреждение высшего профессионального образования «Уральский государственный университет путей сообщения» (УрГУПС) КРАТКИЙ

Подробнее

NickWare Group Science Бабич Н. А

NickWare Group Science Бабич Н. А АНАЛИЗ ЭФФЕКТИВНОСТИ ПРИМЕНЕНИЯ ИНТЕРФЕРЕНЦИОННОЙ НЕЙРОННОЙ СЕТИ ДЛЯ РЕШЕНИЯ ЗАДАЧИ РАСПОЗНАВАНИЯ ОБРАЗОВ Разработка новых методов решения тех или иных задач всегда требует подтверждения большей эффективности

Подробнее

Модели представлений знаний.

Модели представлений знаний. Модели представлений знаний. Модели представления знаний Модели представления знаний это одно из важнейших направлений исследований в области искусственного интеллекта. Почему одно из важнейших? Да потому,

Подробнее

КАМЫШИНСКИЙ ТЕХНОЛОГИЧЕСКИЙ ИНСТИТУТ (ФИЛИАЛ)

КАМЫШИНСКИЙ ТЕХНОЛОГИЧЕСКИЙ ИНСТИТУТ (ФИЛИАЛ) МИНОБРНАУКИ РОССИИ ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ БЮДЖЕТНОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ ВЫСШЕГО ПРОФЕССИОНАЛЬНОГО ОБРАЗОВАНИЯ «ВОЛГОГРАДСКИЙ ГОСУДАРСТВЕННЫЙ ТЕХНИЧЕСКИЙ УНИВЕРСИТЕТ» КАМЫШИНСКИЙ ТЕХНОЛОГИЧЕСКИЙ

Подробнее

МЕТОДИЧЕСКОЕ РУКОВОДСТВО ПО ОРГАНИЗАЦИИ САМОСТОЯТЕЛЬНОЙ РАБОТЫ СТУДЕНТОВ ОЧНОЙ ФОРМЫ ОБУЧЕНИЯ

МЕТОДИЧЕСКОЕ РУКОВОДСТВО ПО ОРГАНИЗАЦИИ САМОСТОЯТЕЛЬНОЙ РАБОТЫ СТУДЕНТОВ ОЧНОЙ ФОРМЫ ОБУЧЕНИЯ Министерство образования и науки Российской Федерации НОВОСИБИРСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ ЭКОНОМИКИ И УПРАВЛЕНИЯ «НИНХ» Кафедра информационной безопасности МЕТОДИЧЕСКОЕ РУКОВОДСТВО ПО ОРГАНИЗАЦИИ

Подробнее

ФЕДЕРАЛЬНОЕ АГЕНТСТВО ПО ОБРАЗОВАНИЮ

ФЕДЕРАЛЬНОЕ АГЕНТСТВО ПО ОБРАЗОВАНИЮ ФЕДЕРАЛЬНОЕ АГЕНТСТВО ПО ОБРАЗОВАНИЮ Государственное образовательное учреждение высшего профессионального образования ТОМСКИЙ ПОЛИТЕХНИЧЕСКИЙ УНИВЕРСИТЕТ УТВЕРЖДАЮ Декан ТЭФ Кузнецов Г.В. " " 2009 г. ИНТЕГРИРОВАННЫЕ

Подробнее

Общие сведения о дисциплине

Общие сведения о дисциплине Общие сведения о дисциплине Название дисциплины Интеллектуальные информационные системы Факультет, на котором преподается данная дисциплина Математический Направление подготовки Бизнес-информатика Квалификация

Подробнее

Ключевые слова: искусственный интеллект;продукционные модели представления знаний;экспертные системы

Ключевые слова: искусственный интеллект;продукционные модели представления знаний;экспертные системы УДК 004.8 ПОСТАНОВКА ЗАДАЧИ ПОСТРОЕНИЯ ПРОДУКЦИОННЫХ МОДЕЛЕЙ ПРЕДСТАВЛЕНИЯ ЗНАНИЙ, ОТЛИЧНЫХ ОТ ТРАДИЦИОННЫХ Николаенко Владимир Лаврентьевич кандидат технических наук, доцент, Белорусский государственный

Подробнее

МЕТОДИЧЕСКИЕ УКАЗАНИЯ к выполнению контрольной работы (реферата) по дисциплине «Технические основы создания машин»

МЕТОДИЧЕСКИЕ УКАЗАНИЯ к выполнению контрольной работы (реферата) по дисциплине «Технические основы создания машин» Министерство образования и науки РФ Южно-Российский государственный политехнический университет (НПИ) имени М.И. Платова Шахтинский институт (филиал) ЮРГПУ(НПИ) им. М.И. Платова МЕТОДИЧЕСКИЕ УКАЗАНИЯ к

Подробнее

Предмет Класс-7 Информатика и ИКТ. Колво

Предмет Класс-7 Информатика и ИКТ. Колво Предмет Класс-7 Информатика и ИКТ Раздел Дата проведения Тема урока Техника безопасности и организация рабочего места. Объекты и их имена. Признаки объектов. 2 Отношения объектов. Разновидности объектов

Подробнее

Программа дисциплины

Программа дисциплины МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКОЙ ФЕДЕРАЦИИ Федеральное государственное автономное учреждение высшего профессионального образования "Казанский (Приволжский) федеральный университет" Институт

Подробнее

Пояснительная записка Рабочая программа элективного курса «Искусственный интеллект» составлена в соответствии с Основной образовательной программой

Пояснительная записка Рабочая программа элективного курса «Искусственный интеллект» составлена в соответствии с Основной образовательной программой Пояснительная записка Рабочая программа элективного курса «Искусственный интеллект» составлена в соответствии с Основной образовательной программой среднего общего образования муниципального общеобразовательного

Подробнее

СОЗДАНИЕ БАЗ ДАННЫХ В СРЕДЕ MS ACCESS

СОЗДАНИЕ БАЗ ДАННЫХ В СРЕДЕ MS ACCESS Министерство образования и науки Российской Федерации Федеральное агентство по образованию Саратовский государственный технический университет Балаковский институт техники, технологии и управления СОЗДАНИЕ

Подробнее

НОВЫЕ ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ В СУДЕБНОЙ ЭКСПЕРТИЗЕ ИЗДАТЕЛЬСТВО ТГТУ

НОВЫЕ ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ В СУДЕБНОЙ ЭКСПЕРТИЗЕ ИЗДАТЕЛЬСТВО ТГТУ НОВЫЕ ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ В СУДЕБНОЙ ЭКСПЕРТИЗЕ ИЗДАТЕЛЬСТВО ТГТУ Министерство образования и науки Российской Федерации ГОУ ВПО «Тамбовский государственный технический университет» НОВЫЕ ИНФОРМАЦИОННЫЕ

Подробнее

ИСПОЛЬЗОВАНИЕ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ ДЛЯ МОДЕЛИРОВАНИЯ НЕЛИНЕЙНЫХ ЗАВИСИМОСТЕЙ В ЗАДАЧЕ ПРОГНОЗИРОВАНИЯ ЭЛЕКТРОПОТРЕБЛЕНИЯ

ИСПОЛЬЗОВАНИЕ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ ДЛЯ МОДЕЛИРОВАНИЯ НЕЛИНЕЙНЫХ ЗАВИСИМОСТЕЙ В ЗАДАЧЕ ПРОГНОЗИРОВАНИЯ ЭЛЕКТРОПОТРЕБЛЕНИЯ УДК 621.31:51 ИСПОЛЬЗОВАНИЕ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ ДЛЯ МОДЕЛИРОВАНИЯ НЕЛИНЕЙНЫХ ЗАВИСИМОСТЕЙ В ЗАДАЧЕ ПРОГНОЗИРОВАНИЯ ЭЛЕКТРОПОТРЕБЛЕНИЯ Валь П.В., Соловьев Е.С. Научный руководитель профессор Попов

Подробнее

Седухин Д.В., НТУУ «КПИ» Кафедра СП, IV курс

Седухин Д.В., НТУУ «КПИ» Кафедра СП, IV курс Седухин Д.В., НТУУ «КПИ» Кафедра СП, IV курс Сферы применения распознавания символов: 1.Перевод печатного и рукописного текста в формат электронного документа. 2.Выделение и распознавании нечётких или

Подробнее