Нечёткие множества
Нечёткое множество и чёткое (crisp) классическое множество
Пример «Горячий чай"
Описание лингвистической переменной "Цена акции"
Треугольная функция принадлежности
Трапецеидальная функция принадлежности
Функция принадлежности гауссова типа
Описание лингвистической переменной "Цена акции"
Описание лингвистической переменной "Возраст"
Механизм нечёткого логического вывода
Схема нечёткого вывода по Мамдани
Искусственный нейрон
Линейная передаточная функция
Пороговая функция активации
Сигмоидальная функция активации
Схема простой нейросети
Однослойный трехнейронный персептрон
Двухслойный персептрон
Алгоритм обратного распространения ошибки
Построение сети (после выбора входных переменных)
Задачи Data Mining, решаемые с помощью нейронных сетей
Задача "Выдавать ли кредит клиенту" в аналитическом пакете Deductor (BaseGroup)
Шаг "Настройка назначений столбцов"
Шаг "Разбиение исходного набора данных на подмножества"
Шаг "Структура нейронной сети"
Шаг "Настройка процесса обучения нейронной сети"
Шаг "Обучение нейронной сети"
Таблица сопряженности
Нечеткие нейроны
Adaptive-Network-Based Fuzzy Inference System (ANFIS) – адаптивная сеть нечёткого вывода
Вопросы
2.67M
Категория: ИнформатикаИнформатика

Нейронные сети

1.

2.

Нейронные сети
Нейронечёткие
системы
Нечёткая логика

3.

Искусственный интеллект — это экспериментальная
научная дисциплина, задача которой — воссоздание с
помощью искусственных устройств разумных рассуждений
и действий.

4.

Lotfi Askar Zadeh

5.

Ebrahim Mamdani

6. Нечёткие множества

.
Нечёткие множества
Нечётким множеством С называется множество
упорядоченных пар вида
где MFc(x) – степень принадлежности x к нечёткому
множеству C;
x X, X – универсальное множество

7. Нечёткое множество и чёткое (crisp) классическое множество

8. Пример «Горячий чай"

Пример «Горячий чай"
X= 0 C - 100 C;
С = 0/0; 0/10; 0/20; 0,15/30; 0,30/40; 0,60/50;
0,80/60; 0,90/70; 1/80; 1/90; 1/100.

9.

Пересечение двух нечетких множеств (нечеткое "И"):
MFAB(x)=min(MFA(x), MFB(x)).
Объединение двух нечетких множеств (нечеткое "ИЛИ"):
MFAB(x)=max(MFA(x), MFB(x)).

10.

Согласно Лотфи Заде лингвистической называется
переменная, значениями которой являются слова или
предложения естественного или искусственного языка.
Значениями лингвистической переменной могут быть
нечеткие переменные, т.е. лингвистическая переменная
находится на более высоком уровне, чем нечеткая
переменная.

11.

Каждая лингвистическая переменная состоит из:
названия;
множества своих значений, которое также называется базовым терммножеством T. Элементы базового терм-множества представляют собой
названия нечетких переменных;
универсального множества X;
синтаксического правила G, по которому генерируются новые термы с
применением слов естественного или формального языка;
семантического правила P, которое каждому значению лингвистической
переменной ставит в соответствие нечеткое подмножество множества X.

12. Описание лингвистической переменной "Цена акции"

Описание лингвистической
переменной "Цена акции"
X=[100;200]
Базовое терм-множество:
"Низкая", "Умеренная", "Высокая"

13. Треугольная функция принадлежности

14. Трапецеидальная функция принадлежности

15. Функция принадлежности гауссова типа

16. Описание лингвистической переменной "Цена акции"

Описание лингвистической
переменной "Цена акции"
X=[100;200]
Базовое терм-множество: "Низкая", "Умеренная", "Высокая"
1
0.75
0.4
0

17. Описание лингвистической переменной "Возраст"

Описание лингвистической
переменной "Возраст"
1
0.47
0.2
0

18.

– входные переменные; y – выходная переменная;
– заданные нечёткие
принадлежности.
множества
с
функциями
Результатом нечёткого вывода является чёткое значение
переменной y* на основе заданных чётких значений

19. Механизм нечёткого логического вывода

20. Схема нечёткого вывода по Мамдани

21.

нечёткая логика,
«Мягкие
эволюционные
искусственные
алгоритмы вычисления" (Soft
нейронные сети,
computing)
вероятностные
рассуждения

22.

Нейронные сети – самообучающиеся системы,
имитирующие деятельность человеческого мозга

23.

Warren Sturgis
McCulloch

24.

Walter Pitts

25.

Нейронные сети

26. Искусственный нейрон

Х = (x1, x2,…, xn) – множество входных сигналов, поступающих на
искусственный нейрон
W = (w1, w2,…, wn) – множество весов в совокупности (каждый вес соответствует
«силе» одной биологической синаптической связи)

27. Линейная передаточная функция

28. Пороговая функция активации

29. Сигмоидальная функция активации

30. Схема простой нейросети

31. Однослойный трехнейронный персептрон

32. Двухслойный персептрон

33. Алгоритм обратного распространения ошибки

34. Построение сети (после выбора входных переменных)

Выбрать начальную конфигурацию сети
Провести ряд экспериментов с различными конфигурациями,
запоминая при этом лучшую сеть (в смысле контрольной
ошибки). Для каждой конфигурации следует провести несколько
экспериментов.
Если в очередном эксперименте наблюдается недообучение (сеть
не выдаёт результат приемлемого качества), попробовать
добавить дополнительные нейроны в промежуточный слой
(слои). Если это не помогает, попробовать добавить новый
промежуточный слой.
Если имеет место переобучение (контрольная ошибка стала
расти), попробовать удалить несколько скрытых элементов (а
возможно и слоёв).

35. Задачи Data Mining, решаемые с помощью нейронных сетей

Классификация
(обучение с
учителем)
• распознавание текста,
• распознавание речи,
• идентификация личности
Прогнозирование
• найти наилучшее
приближение функции,
заданной конечным
набором входных значений
(обучающих примеров
Кластеризация
(обучение без
учителя)
• задача сжатия информации
путем уменьшения
размерности данных

36. Задача "Выдавать ли кредит клиенту" в аналитическом пакете Deductor (BaseGroup)

Задача "Выдавать ли кредит клиенту" в
аналитическом пакете Deductor (BaseGroup)
Обучающий набор - база данных, содержащая информацию о клиентах:
– Сумма кредита,
– Срок кредита,
– Цель кредитования,
– Возраст,
– Пол,
– Образование,
– Частная собственность,
– Квартира,
– Площадь квартиры.
Необходимо построить модель, которая сможет дать ответ, входит ли Клиент,
желающий получить кредит, в группу риска невозврата кредита, т.е. пользователь
должен получить ответ на вопрос "Выдавать ли кредит?"
Задача относится к группе задач классификации, т.е. обучения с учителем.

37. Шаг "Настройка назначений столбцов"

Шаг "Настройка назначений
столбцов"

38. Шаг "Разбиение исходного набора данных на подмножества"

Шаг "Разбиение исходного набора
данных на подмножества"

39. Шаг "Структура нейронной сети"

Шаг "Структура нейронной сети"

40. Шаг "Настройка процесса обучения нейронной сети"

Шаг "Настройка процесса обучения
нейронной сети"

41. Шаг "Обучение нейронной сети"

Шаг "Обучение нейронной сети"

42. Таблица сопряженности

43.

Нечёткие
нейронные
сети
(fuzzy-neural
networks)
осуществляют выводы на основе аппарата нечёткой логики,
причём
параметры
функций
принадлежности
настраиваются с использованием алгоритмов обучения
нейронных сетей (НС).

44. Нечеткие нейроны

ИЛИ-нейрон:
И-нейрон:

45. Adaptive-Network-Based Fuzzy Inference System (ANFIS) – адаптивная сеть нечёткого вывода

46. Вопросы

1. Что является характеристикой нечёткого множества?
2. Приведите определение нейронных сетей.
3. Перечислите области «мягких вычислений» (Soft
computing).
4. Приведите пример нечёткой нейронной системы.

47.

СПАСИБО ЗА ВНИМАНИЕ!
English     Русский Правила