1. Def inteligencji , zagrożenia i perspektywy rozwoju sztucznej inteligencji.

Inteligencja - uzdolnienie intelektualne , jest to zdolność do penetrowania informacji na poziomie abstrakcyjnym, to zdolnośc do twórczego , a nie tylko mechanicznego penetrowania info ,czyli tworzenia zupełnie nowych pojec i ich zastosowania

2. Budowa ludzkiego mózgu

V=1400cm³

A=2000cm²

M=1,5 kg

W korze mozgowej (3mm grubości) zawiera się 10¹⁸ neuronów z czeko 10¹¹ połączonych i 10¹⁵połączeń

Długość połączeń :0,01 mm do kilku m

Cz. pracy od 1 do 100 Hz

Impulsy przychodzące od 1 do 2 ms

Napięcie 100 mV

Szybkość przesylu miedzy Komorkami nerwowymi 100 m/s

Budowa mózgu nie jest do konca rozpoznana, znane są tylko obrazy o różnych zastosowaniach . Pamięć zalezy od połączeń między neuronoami

3. budowa ludzkiego neuronu

Soma-cialo komorki , dendryt - wejście , akson -wyjscie , dużo dendrytów , jeden akson - z którego do wielu neuronów można wysłać inf. Pobudzenie przekazywane przez złącze zwane synapsą

4. budowa i równanie sztucznego neuronu

Wagi pełnią rolę synaps, f. aktywacji określa wartość na wyjściu, podczas uczenia, zmianą podlegają wartości wag.

5. funkcje aktywacyjne neuronow

Funkcja aktywacji, w zależności od konkretnego celu, jakiemu służy neuron, może przyjmować różne postacie.

-skokowa : od 0 do 1

od minus jeden do plus jeden

-liniowa

-sigmoidalna (0d 0 do 1 v -1 do 1)

Gdy b-> nieskończoność - wtedy skokowa

Zaleta f. sigmoidalnej jest ciągłość funkcji.

-gaussa (neurony radialne)

-liniowa z ograniczeniem

6. dzialanie neuronu dwuwejściowego. Granica decyzyjna

Działanie neuronu: ?

7. metody uczenia neuronow. reguła delta

Metody uczenia :

-nadzorowana (z nauczycielem) - podanie na wejście sygnału przy znanej odpowiedzi, jeśli generuje poprawny wynik to waga się nie zmienia

-nienadzorowana - mniej skuteczna z opracowaną funkcja określającą zmianę wag

Z nauczycielem - met. Widrowa-Hoffa : metoda delta

x_i=u_i- wekście , d-sygnał od nauczyciela

-współczynnik uczenia się: (0:1)

Bez nauczyciela - met. Hebba

- im wieksze tym szybciej się uczy neuron, ale czasem może się nigdy nie nauczyc

Reguła delta : Z regułą delta mamy do czynienia, gdy uaktualnianie wag następuje każdorazowo po prezentacji jednej pary uczącej. Gdy uaktualnianie zachodzi po prezentacji wszystkich par uczących mamy wtedy do czynienia z tzw. skumulowaną regułą delta.

Reguła delta przeznaczona jest dla neuronów z ciągłymi funkcjami aktywacji i stanowi odpowiednik reguły perceptronowej. Nazywa jest ona również ciągłą regułą perceptronową. Metoda ta łatwo daje się wprowadzić jako wynik minimalizacji kwadratowego kryterium błędu. Jej uogólnioną wersję można wykorzystać w sieciach wielowarstwowych.

8. Uczenie nadzorowanie perceptronu , równanie uczenia

Równanie uczenia:

Uczenie : powstaje problem bo posiadamy tylko sygnał wyjściowy nie wiemy co jest w warstwach ukrytych ( błąd się nawarstwia z warstwy na warstwe). Błąd neuronu mnoży się razy wagę wyjścia

9. struktura programu modelującego neuron

????????????????????????????????????????

10. wpływ danych uczących (wejściowych) oraz współczynnika n na uczenie perceptronu.

11. ograniczenia perceptronu

12. adaline, budowa , uczenie (algorytm LMS)

ADALINE-adaptive-linear-neuron/element

Budowa:

LMS- met. najmniejszych kwadratów

Uczenie : algorytm Widrowa-Hoffa

1. inicjalizacja wag i wartości progowych =w(0)

2. podanie na wejścia sieci neuronowej nowego obrazu (?)

3. wyznaczenie y a następnie błędu

4. zakończyć jeżeli
   większe od zadanej dokładności

5. adaptacja wektora wag

13. neuron sigmoidalny, budowa , uczenie -> równanie uczenia

Budowa:

Neuron typu sigmoidalnego ma strukturę podobną do modelu McCullocha-Pittsa, z tą różnicą, że w przeciwieństwie do perceptronu funkcja aktywacji jest ciągła i przyjmuje postać funkcji sigmoidalnej unipolarnej (0,1) lub bipolarnej (-1,1). Funkcja unipolarna ma zwykle postać
, natomiast bipolarna
(inaczej
) Parametr
jest dobierany przez użytkownika i jego wartość wpływa na kształt funkcji aktywacji. Przy małych wartościach
funkcja ma mały kąt nachylenia, w miarę wzrostu jej wartości przebieg staje się bardziej stromy. Przy
dążącym do nieskończoności funkcja sigmoidalna przechodzi w funkcję skokową, identyczną z funkcją aktywacji perceptronu. W praktyce przyjmuje się najczęściej dla uproszczenia współczynnik
=1

Uczenie neuronu sigmoidalnego odbywa się zwykle w trybie z nauczycielem, przez minimalizację funkcji celu, podobnie jak w przypadku perceptronu.

Założenie ciągłej funkcji aktywacji umożliwia zastosowanie w uczeniu metody gradientowej. Najprościej jest przyjąć metodę największego spadku, zgodnie z którą aktualizacja wektora wag odbywa się w kierunku ujemnego gradientu funkcji celu

Równanie uczenia:

14. neuron hebba, budowa, uczenie -> metody uczenia , równania (z i bez nauczyciela)

Siec hebba powinna odkryc bez dodatkowej pomocy wzajemne zależności, uczenie bez nauczyciela jest skuteczne, gdy mamy nadmiarowe dane uczące. Cecha niekorzystna jest niestabilność, brak …..?? , wynikiem uczenia jest wykładniczy wzrost wag.

Równanie modyfikacji wag:

15. neuron radialny , budowa ,uczenie

16. typowe architektury sieci (jednokierunkowa + rekurencyjna)

17. rozwiązanie problemu XOR (siec dwu i trój warstwowa perceptronowi)

18. algorytm propagacji wstecznej

19. zast. Ssn do rozpoznawania liter, cech sygnałów

20. model identyfikacji równoległej

Struktura układu z równoległym modelem identyfikacji pokazana jest na rys. 3. W strukturze tej, jednym

z wejść modelu jest jego niezakłócone i niezaszumione wyjście y (k +1) est , co pozwala zwiększyć dokładność

identyfikacji. Sieć neuronowa będąca modelem obiektu F musi być siecią rekurencyjną.

W rozpatrywanej strukturze stabilność modelu identyfikacji z siecią neuronową, z uwagi na

ograniczoność sygnałów wejściowych oraz wyjściowych, nie jest zagwarantowana. W konsekwencji błąd

wyjścia e(k+1) może nie dążyć do zera.

21. def zbiorow klasycznych i rozmytych. Podstawy logiki rozmytej

22. funkcje przynależności , rodzaje, kształty

23. na czym polega fuzzyfikacja ? jak się ja wykonuje i jakie SA zakresy niewrażliwości zmian sygnalu wejściowego na dzialanie regulatora rozmytego

24. baza regul- budowa

25. wyniki dzialania regul , poziom zaplonu, jak się go wyznacza, pokazac na przykaldzie

26. metoda defuzzyfikacji, na czym polega metoda cyfrowa i analogowa

27. tabela regul , jak się ja zapisuje i jak ja rozumiec

28. podstawowe pojecia w algorytmie genetycznym (populacja , chromosomy ,funkcja przystosowania)

29. opisac dzialanie algorytmu genetycznego

30. algorytm genetyczny do poszukiwania parametru optymalnego sterowania - schemat wraz z komentarzem

Wejście

Waga 1

Waga 2

Waga 3

Waga n

Sumator

Funkcja aktywacji

Wyjście

---