Главная              Рефераты - Разное

1 Основные свойства мягких систем - реферат

Предисловие

Введение

Глава 1. Мягкие вычисления. Экспертная деятельность

1. 1. Этапы развития мягких вычислений

1.1.1. Зонтичный термин “мягкие вычисления”

1.1.2. История теории нечетких систем

1.1.3. Развитие нейронных сетей

1.1.4. Эволюционные вычисления

1.1.5. Парадигма вычислительного интеллекта

1.2. Основные свойства мягких систем

1.2.1. Классы неопределенности

1.2.2. Вероятность, неточность, нечеткость

1.2.3. Основные классы задач, решаемых гибридными системами (ГС)

1.3. Содержание экспертной и проектной деятельности. Место мягких технологий на различных этапах экспертизы и проектирования

1.3.1. Виды неполной информации при проектировании сложной системы

1.3.2. Анализ и синтез при автоматизированном проектировании. Определение экспертной деятельности

1.3.3. Этапы экспертной деятельности при автоматизированном проектировании

1.3.4. Формализация этапов ЭД

Глава 2. Основы теории нечетких множеств

2.1. Сущности, значения и функции принадлежности

2.1.1. Объекты проблемной области, базовые значения и нечеткие значения

2.1.2. Функции принадлежности

2.2. Нечеткие числа

2.3. Нечеткие интервалы

2.4. Нечеткие множества

2.5. Нормальные нечеткие множества, носитель, отношения эквивалентности, включения

2.6. Операции с нечеткими множествами

2.6.1.Дополнительное множество НЕ

2.6.2. Пересечение И

2.6.3. Объединение ИЛИ

2.6.4. Обобщенные определения пересечения и объединения нечетких множеств

2.6.5. Общие свойства T –норм и S –конорм

2.6.6. Дополнительные формулы

2.6.7. Пример использования T -норм и S -конорм

2.7. Параметризованные триангулярные функции

2.8. Произведение множеств

2.8.1. Общие определения

2.8.2. Двухместные нечеткие множества . Нечеткое бинарное отношение.

2.8.3. Проекции двухместных функций принадлежности

2.9. Многоместные функции принадлежности

2.9.1. Определение многоместных функций принадлежности

2.9.2. Проекции многоместных функций принадлежности

2.10. Функции нечетких переменных

2.10.1. Функции с одной независимой переменной

2.10.2. Функции с несколькими независимыми переменными

2.11. Операция импликации

2.12. Законы нечеткой логики

12.12.1. Операции нечеткого множества самого с собой

2.12.2 Операции над нечетким множеством и его дополнительным множеством

Глава 3. Нечеткие системы

3.1. Определение лингвистической переменной

3.2. Схема приближенного логического вывода. Задача интерполяции

3.3. Правила трансляции

3.4. Основные правила умозаключений

3.5. Универсальная аппроксимация с помощью систем нечеткого вывода

3.6. Схемы нечеткого вывода

3.7. Введение в задачу нечеткого управления

3.8. Правила, импликация, заключения

3.8.1. Правила

3.8.2. Импликация

3.8.3. Сопоставление состояния процесса и правил нечеткого контроллера

3.8.4. Выбор четкого значения управляющей переменной

3.9. Модификация нечеткой импликации для практических применений

3.10. Комбинирование условий

3.11. Накопление результатов и дефазификация

3.11.1. Агрегация результатов нескольких правил

3.11.2. Дефазификация

Глава 4. Основы теории нейронных сетей

4.1. Моделирование нейронных структур мозга. Модель нейрона

4.1.1. Моделирование нейронов мозга

4.1.2. Примеры искусственных нейронных сетей

4.1.3. Различные типы нейронов

4.1.4. Задачи нейронных сетей. Основные свойства

4.2. Обучение однослойных и специальных НС

4.2.1. Способы представления процесса обучения

4.2.2. Алгоритм обучения однослойной нейронной сети

4.2.3. Алгоритм обучения по дельта-правилу

4.2.4. Aлгоритм обучения однослойных НС с нелинейной функцией активации

4.2.5. Алгоритм "победитель получает все"

4.2.6. Радиально базисные сети. Сети регрессии. Вероятностные НС

4.3. Многослойные нелинейные нейронные сети.

4.3.1. Алгоритм обратного распространения ошибки

4.3.2. Эффективность аппарата нейросетей

4.3.3. Обзор современных нейропакетов и их возможностей

Глава 5. Эволюционные вычисления

5.1.Генетические вычисления

5.1.1. Основные направления современного эволюционного моделирования

5.1.2. Генетические алгоритмы

5.1.3 Применение генетических алгоритмов

5.1.4. Стандартный ГА

5.1.5. Вычислительная эффективность применения ГА

5.2. Разнообразие ГА

5.2.1. Эволюционная стратегия (ЭС)

5.2.2. Генетическое программирование (ГП)

5.2.3. Эволюционный алгоритм

5.2.4. Анализ применимости ГА разных видов для решения задачи оптимизации

5.3. Прикладные применения ГА

5.3.1. Применение ГА к задаче оптимизации вычислительной сети

5.3.2. Модель вычислительной сети организации, адаптированная к особенностям генетической (стохастической) оптимизации

5.3.3. Решение задачи размещения радиоэлементов в корпусе на основе генетического алгоритма

Глава 6. Гибридные системы

6.1. Нечеткие нейронные сети

6.1.1. Преимущества аппарата нечетких нейронных сетей

6.1.2. Понятие нечеткой нейросети

6.1.3. Структуры гибридных систем (ГС)

6.1.4. Нечеткий нейронный контроллер

6.1.5. Алгоритмы обучения для нечеткой нейронной сети

6.2 Нечеткие нейронные сети с генетической настройкой

6.2.1. Определение нечеткой системы с генетической настройкой (ГНС)

6.2.2. Нечеткое управление генетической системой

6.2.3. Системы генетического проектирования нечетких нейронных сетей

6.3. Некоторые современные приложения гибридных систем

6.3.1. Мягкая экспертная система (МЭС)

6.3.2. Нечеткая тенденция. Мягкая экспертная система экономического анализа

6.3.3. Мягкая экспертная система проектирования стендов контроля РЭА

6.3.4. Нечеткая реляционная алгебра. Сервер нечетких данных

Глава 7. Учебный практикум по нечетким и гибридным системам

7 .1. Лабораторные работы по нечетким системам

7.1.1. Исследование способов формирования нечетких множеств и операции над ними. (Лабораторная работа №1)

7.1.2. Моделирование нечеткой системы средствами инструментария нечеткой логики (Лабораторная работа № 2)

7.1.3. Исследование алгоритма нечеткой кластеризации (Лабораторная работа № 3)

7.2. Учебный практикум по нейронным сетям

7.2.1. Функции активации, графического интерфейса, вспомогательные и управляющие структуры данных

7.2.2 Изучение свойств линейного нейрона и линейной нейронной сети. (Лабораторная работа № 4)

7.2.3 . Изучение многослойного нелинейного перцептрона и алгоритма обратного распространения ошибки. (Лабораторная работа № 5)

7.2.4. Изучение радиальных базисных, вероятностных нейронных сетей, сетей регрессии. (Лабораторная работа №6)

7.2.5. Изучение сетей Кохонена и алгоритма обучения без учителя. (Лабораторная работа № 7)

7.3. Учебный практикум по ГА

7.3.1. Основные элементарные функции генетических вычислений. (Лабораторная работа № 8)

7.3.2. Интегральные функции генетических вычислений. (Лабораторная работа № 9)

7.3.3. Прикладные оптимизационные задачи. (Лабораторная работа № 10)

7 .4. Учебный практикум по гибридным системам

7.4. 1. Построение гибридной системы класса ANFIS в среде MATLAB. (Лабораторная работа № 11)

7.4.2. Базовые функции проектирования гибридных систем. (Лабораторная работа № 12)

7.4.3. Интегральные функции реализации нечеткой нейронной сети. (Лабораторная работа № 13)

7.4.4. Задачи разработки инструментария гибридных систем (Лабораторная работа № 14)

Заключение