Grupa 1 – waga 1pkt.
1. Sieć neuronowa jako uniwersalny aproksymator:
Zagadnienie polega na wykorzystaniu sieci neuronowej do aproksymacji funkcji podaną przez użytkownika. Sieć trójwarstwowa pozwala na aproksymacje dowolnej funkcji z dowolną dokładnością. 1 warstwa składa się z węzłów zaczepowych które nie spełniają żadnej roli matematycznej lub logicznej. Druga warstwa ukryta składa się z funktorów które musza być nieliniowe. 3 warstwa zawierać musi element liniowy. Sam proces aproksymacji polega na podaniu na sieć wartości wejściowych „przykładów”, oraz wektora pożądanych wyjść. Sygnały wejściowe mnożone są przez swoje wagi. Następnie otrzymane wartości są sumowane i poddawane funkcji aktywacji.
2. Dynamiczny model neuronowy uczony offline:
Za pomocą dynamicznego modelu neuronowego możemy przybliżyć obiekt rzeczywisty, którego transmitancji nie znamy. Metoda ta polega na podawaniu na sieć sygnałów wejściowych, dla których znamy prawidłowe wartości sygnałów wyjściowych. Zbiór ten nazywany jest ciągiem uczącym. Wyliczane jest wyjście neuronu. Następnie modyfikowane są wagi w ten sposób, aby minimalizować błąd między wyjściem a sygnałem wzorcowym. Uczenie sieci trwa tak długo, aż błąd dla wszystkich wartości ciągu uczącego będzie mniejszy od przyjętej tolerancji. Sieć nie dostosuje się do zmian wprowadzonych w trakcie uczenia. W takim przypadku proces uczenia musi być rozpoczęty na nowo. Po zakończonym uczeniu możliwe jest odtworzenie sygnału dla amplitudy zbliżonej do tej przy której sieć była uczona.
3. Dynamiczny model neuronowy uczony online:
Za pomocą dynamicznego modelu neuronowego możemy przybliżyć obiekt rzeczywisty, którego transmitancji nie znamy. Metoda ta polega na podawaniu na sieć sygnałów wejściowych, dla których znamy prawidłowe wartości sygnałów wyjściowych. Zbiór ten nazywany jest ciągiem uczącym. Wyliczane jest wyjście neuronu. Następnie modyfikowane są wagi w ten sposób, aby minimalizować błąd między wyjściem a sygnałem wzorcowym. Uczenie sieci trwa tak długo, aż błąd dla wszystkich wartości ciągu uczącego będzie mniejszy od przyjętej tolerancji. Polega to na modyfikowaniu kolejnych wartości wag w(k+1) opierając się o wartość wagi poprzedniej i przyrost wagi. Przyrost ten jest różnie określony, w zależności od przyjętej metody uczenia. Istnieje wiele różnych metod poprawy jakości uczenia np. dodanie składnika momentum. Sieć uczona online dostosowuje się do wprowadzanych zmian w trakcie uczenia.
4. Sterowanie z użyciem neuronowego modelu odwrotnego:
Uczenie modelu odwrotnego polega na podaniu na jego wejście żądanego wyjścia z obiektu . Generowane jest odpowiednie sterowanie, które podaję na wejście obiektu aby otrzymać pożądany sygnał wyjściowy. Następnie należy dokonać takiej modyfikacji parametrów, aby sygnał wyjściowy z modelu odwrotnego był jak najbardziej zbliżony do sygnału sterującego obiektem.
Grupa 2 – waga 0.5 pkt.
5. Określić co to jest system wspomagania decyzji :
Jest to system komputerowy, który ma na celu wspomagać użytkownika w organizacji i kierowaniu procesem decyzyjnym, poprzez dostarczanie odpowiedniej wiedzy i informacji. Dodatkowo zawiera:
- Opis sytuacji decyzyjnej za pomocą modelu analitycznego
- Odpowiednie algorytmy do korzystania z tych modeli
- Dodatkowe moduły tj. bazy danych, interfejs
6. Wymienić etapy procesu podejmowania decyzji:
a. Identyfikacja sytuacji decyzyjnej
b. Identyfikacja wariantów
c. Ocena i wybór wariantu racjonalnego
d. Realizacja decyzji
e. Kontrola efektów podjętej decyzji
7. Wymienić podstawowe klasy systemów wspomagania decyzji:
a. Systemy wyszukiwania informacji decyzyjnych
b. Systemy wspomagania projektowania
c. Systemy z modelami matematycznymi, pozwalające na optymalizację lub symulację procesu podejmowania decyzji
d. Systemy ekspertowe
8. Podać schemat systemu wykorzystującego bazę wiedzy eksperta:
Grupa 3 – waga 1.5 pkt
9. Określić podstawową różnicę pomiędzy logiką klasyczną, a logiką rozmytą:
Logika klasyczna jest logika dwuwartościową tj. prawda/fałsz. Logika rozmyta jest logiką wielowartościową i uogólnieniem logiki klasycznej, tzn. pomiędzy stanem 1 i 0 (prawda i fałsz) znajduje się szereg wartości pośrednich, określających przynależności danego elementu do zbioru.
10. Podać podstawowe operatory logiczne AND i OR dla logiki rozmytej:
Operatory logiczne dla iloczynu AND:
- minimum: µ (x) = MIN(µ A(x), µ B(x))
- iloczyn: µ (x)= µ A(x) * µ B(x)
- iloczyn Einsteina
Operatory logiczne dla sumy OR:
- maksimum: µ(x) = MAX(µ A(x), µ B(x))
- suma algebraiczna: µ (x)= µ A(x) + µ B(x) - µ A(x) * µ B(x)
- suma Einsteina
11. Wymienić podstawowe funkcja przynależności do zbiorów rozmytych:
- Funkcja przynależności klasy S
- Funkcja przynależności klasy π
- Funkcja przynależności klasy γ
- Funkcja przynależności klasy t
- Funkcja przynależności klasy L
- Funkcja przynależności klasy Gaussa
- Funkcja przynależności klasy Dzwonowa
12. Podać strukturę regulatora rozmytego:
Fuzyfikacja: Przeprowadzany jest tu proces rozmycia, czyli obliczenia stopnia przynależności do poszczególnych zbiorów rozmytych. Aby proces ten był przeprowadzony muszą być dokładnie zdefiniowane funkcje przynależności do zbiorów rozmytych wejść.
Wnioskowanie: Oblicza wynikową funkcję przynależności wyjścia regulatora w oparciu o bazę reguł, mechanizmy wnioskowania i funkcje przynależności.
Defuzyfikacja: Blok ten odpowiada za wyliczenie ostrych (rzeczywistych wartości po defuzyfikacji) zbioru rozmytego określonego wynikową funkcją przynależności, uzyskaną z bloku poprzedniego
Obliczenie wartości ostrych z wyjścia bloczka wnioskowanie czyli z wyjść rozmytych.
maciek011