Разделы презентаций


Системи штучного інтелекту

Содержание

Приклади існуючих автоматизованих систем діагностування

Слайды и текст этой презентации

Слайд 1Системи штучного інтелекту
Лекція 2. Моделі подання завдань у системах штучного

інтелекту

Системи штучного інтелектуЛекція 2. Моделі подання завдань у системах штучного інтелекту

Слайд 2Приклади існуючих автоматизованих систем діагностування

Приклади існуючих автоматизованих систем діагностування

Слайд 3Причини задач діагностування, які не формалізуються
складність і велика кількість функціональних

залежностей в об’єкті діагностування;
необхідність обліку при виробленні управлінських рішень випадкових

чинників, зовнішніх і внутрішніх збурюючих дій стохастичного характеру;
неоднозначність причинно-наслідкових зв'язків між управлінськими рішеннями і результатами їх практичної реалізації;
неможливість кількісного вимірювання контрольованих параметрів (в цьому випадку використовуються їх якісні оцінки, а математичний апарат ухвалення рішень базується на таких категоріях, як нечітка логіка, розмиті або розпливчаті множини);
неповнота, суперечність інформації про об'єкт діагностування та ін.
Причини задач діагностування, які не формалізуютьсяскладність і велика кількість функціональних залежностей в об’єкті діагностування;необхідність обліку при виробленні

Слайд 4Склад системи штучного інтелекту для діагностування
база знань (БЗ)
центральна частина експертної

системи. Вона містить правила, що описують відносини або явища, методи

і знання для розв’язку завдань з області застосування системи.
механізм виводу (МВ)
містить принципи і правила роботи. Механізм виводу "знає", як використовувати базу знань так, щоб можна було отримувати висновки, що розумно узгоджуються, з інформації, яка знаходиться в БЗ.
система призначеного для користувача інтерфейсу (СКІ)
приймає дані від користувача і передає йому інформацію
Склад системи штучного інтелекту для діагностуваннябаза знань (БЗ)центральна частина експертної системи. Вона містить правила, що описують відносини

Слайд 5Характеристика вимог користувача до результату завдання
кількістю розв’язків: один розв’язок,

декілька розв’язків, всі розв’язки;
властивостями результату: обмеження, яким повинен задовольняти

отриманий результат;
і (або) способом його отримання.
Характеристика вимог користувача до результату завдання кількістю розв’язків: один розв’язок, декілька розв’язків, всі розв’язки; властивостями результату: обмеження,

Слайд 6Існуючі методи розв’язку завдань
методи пошуку в одному просторі –

методи, призначені для використання в таких умовах: області невеликої розмірності,

повнота моделі, точні і повні дані;
методи пошуку в ієрархічних просторах – методи, призначені для роботи в областях великої розмірності;
методи пошуку при неточних і неповних даних;
методи пошуку, що використовують декілька моделей, призначені для роботи з областями, для адекватного опису яких однієї моделі недостатньо.
Існуючі методи розв’язку завдань методи пошуку в одному просторі – методи, призначені для використання в таких умовах:

Слайд 7Методи діагностування стану складного технічного об’єкта
Байєсівський підхід
Діагностування об’єктів

методом фазового інтервалу
Діагностування об’єктів методом логічного висновку
Використання нейронних

мереж для діагностування об’єктів
Використання нечіткої логіки для діагностування об’єктів

Методи діагностування стану складного технічного об’єкта Байєсівський підхід Діагностування об’єктів методом фазового інтервалу Діагностування об’єктів методом логічного

Слайд 8Байєсівський підхід

Байєсівський підхід

Слайд 9Обмеження байєсівського підходу
Статистична інформація, що необхідна для застосування теореми Байєса,

як правило, відсутня. Її збір, обробка і зберігання пов'язані зі

значними організаційними й обчислювальними труднощами.
Значною проблемою є внесення в модель нової інформації, що обумовлено необхідністю перерахування усіх імовірностей.
Використання теореми Байєса ґрунтується на припущенні, що кожен діагноз має свої набори параметрів стану, що не перетинаються. На практиці це не завжди виконується, оскільки однакові параметри стану можуть зустрічатися при різних діагнозах.
Обмеження байєсівського підходуСтатистична інформація, що необхідна для застосування теореми Байєса, як правило, відсутня. Її збір, обробка і

Слайд 10Діагностування об’єктів методом фазового інтервалу
В основі різних модифікацій методу

лежить ідея віднесення об’єкта, що характеризується вектором параметрів стану, до

того чи іншого діагнозу на основі обчислення відстаней між двома точками у фазовому просторі. Розглядається n-вимірний простір, кожна координата хі якого відповідає одному з параметрів стану. Кожній точці (x1, x2, ... , xn) фазового простору ставиться у відповідність деякий діагноз dj.
Діагностування об’єктів методом фазового інтервалу В основі різних модифікацій методу лежить ідея віднесення об’єкта, що характеризується вектором

Слайд 11Діагностування об’єктів методом фазового інтервалу

Діагностування об’єктів методом фазового інтервалу

Слайд 12Діагностування об’єктів методом фазового інтервалу

Діагностування об’єктів методом фазового інтервалу

Слайд 13Діагностування об’єктів методом логічного висновку

Діагностування об’єктів методом логічного висновку

Слайд 14Приклад формування правил
ЯКЩО значне осідання грунту,
ТА великий обсяг пару,
ТА

втрати теплоносія значні,
ТОДІ причина несправності фізично зношені труби, які призвели до

витікання теплоносія із системи.
Приклад формування правилЯКЩО 	значне осідання грунту,ТА великий обсяг пару, ТА втрати теплоносія значні,ТОДІ	причина несправності 	фізично зношені труби,

Слайд 15Використання нейронних мереж
Нейронні мережі являють собою множину пов'язаних між собою

простих обчислювальних елементів - нейронів, кожен з яких імітує поведінку

окремої клітини людського мозку. Сама нейронна мережа може розглядатися як модель процесів, що відбуваються на клітинному рівні у головному мозку при прийнятті людиною рішень. Кожен нейрон у нейронній мережі перетворює вхідні сигнали у вихідний. Інформація про параметри стану об'єкта, що діагностується, подається на вхідний шар нейронної мережі. Далі ця інформація переробляється усіма нейронами та передається на вихідний шар. Вихідний шар формує сигнал про встановлення діагнозу.
Використання нейронних мережНейронні мережі являють собою множину пов'язаних між собою простих обчислювальних елементів - нейронів, кожен з

Слайд 16Використання нечіткої логіки
Нечітка логіка ‑ це формальний математичний апарат, який

спеціально розроблений для представлення та використання знань у вигляді природно-мовних

висловлювань.
Нечітка база знань являє собою сукупність лінгвістичних знань - правил типу:
ЯКЩО х1=а ТА х2=b ТА х3 =с, ТОДІ D = d,
де а, b, с, d - слова або словосполучення природної мови.
Використання нечіткої логікиНечітка логіка ‑ це формальний математичний апарат, який спеціально розроблений для представлення та використання знань

Слайд 17Використання нечіткої логіки
Правила, що входять в нечітку базу знань, являють

собою концентрацію досвіду експерта та його розуміння зв'язку «входи -

вихід». Особливістю нечіткого логічного висновку є можливість встановлення діагнозу для випадку, коли в базі знань відсутній прецедент. Іншими словами, можливо за правилом з нечіткої бази знань (1.1) формально відповісти на питання: «Яким буде D, якщо x1 = більше а та х2 = менше за b та х3 = трохи більше за с?».
Використання нечіткої логікиПравила, що входять в нечітку базу знань, являють собою концентрацію досвіду експерта та його розуміння

Слайд 18Порівняльний аналіз методів технічного діагностування
А ‑ байєсівський підхід, Б

‑ метод фазового інтервалу, В – метод логічного висновку, Г

‑ нейронні мережі, Д ‑ нечітка логіка, + (-) ‑ наявність (відсутність) труднощів.
Порівняльний аналіз методів технічного діагностування А ‑ байєсівський підхід, Б ‑ метод фазового інтервалу, В – метод

Слайд 19Принципи діагностування несправностей в інженерних мережах на базі нечіткої логіки


вхідні лінгвістичні змінні і відповідні терм-множини
ТИП ПРОКЛАДАННЯ ТЕПЛОПРОВОДУ –

{канальний, безканальний, повітряний, підвальний};
ТИП ІЗОЛЯЦІЇ – {армопенобетон (АПБ), пенополіуретан (ППУ), бітумна суміш (БС), «Тип 5» (сталеві труби без ізоляції), інші};
НАЯВНІСТЬ СИСТЕМ КАНАЛІЗАЦІЇ – {є/немає},
ПЕРЕВИЩЕННЯ ВТРАТИ ТЕПЛА ВІД НОРМАТИВНОГО - {відсутнє, незначне, середнє, вище середнього, значне}.
ТОДІ причина – ЗАЛИТТЯ ФЕКАЛЬНИМИ ВОДАМИ (Вихідною змінною в цій задачі може бути ПРИЧИНА ВИНИКНЕННЯ НЕСПРАВНОСТІ (втрата теплоносія) - {втрата теплоносія в системі (в колодязях, теплообмінних пунктах та ін.), розбирання води споживачами, втрата теплоносія через фізично зношені труби чи їх зовнішнє пошкодження.}. )
Принципи діагностування несправностей в інженерних мережах на базі нечіткої логіки вхідні лінгвістичні змінні і відповідні терм-множини ТИП

Слайд 20Принцип формування структури залежності «входи - вихід» у вигляді нечіткої

бази знань
відсутній (в), незначний (нз), середній (с), вище середнього

(вс), значний (з)
Принцип формування структури залежності «входи - вихід» у вигляді нечіткої бази знань відсутній (в), незначний (нз), середній

Слайд 21Принцип ієрархічності діагностичних знань (приклад дерева висновку )

Принцип ієрархічності діагностичних знань (приклад дерева висновку )

Слайд 22Принцип ієрархічності діагностичних знань
знання виду D = f(x1, x2, ...

, x13), які зв'язують входи x1x14 з виходом D, замінюються

послідовністю співвідношень:
D = f1(y1,w,z),
y1 = f2(x1,x2,x3),
y2 = f2(x7,x8,x9),
y3 = f3(x11,x12),
z = f4(y2, y3,x10),
w = f5(z,x4,x5,x6),
де y1, y2, y3, z, w – проміжні лінгвістичні змінні.
Принцип ієрархічності діагностичних знаньзнання виду D = f(x1, x2, ... , x13), які зв'язують входи x1x14 з

Слайд 23Дякую за увагу!

Дякую за увагу!

Обратная связь

Если не удалось найти и скачать доклад-презентацию, Вы можете заказать его на нашем сайте. Мы постараемся найти нужный Вам материал и отправим по электронной почте. Не стесняйтесь обращаться к нам, если у вас возникли вопросы или пожелания:

Email: Нажмите что бы посмотреть 

Что такое TheSlide.ru?

Это сайт презентации, докладов, проектов в PowerPoint. Здесь удобно  хранить и делиться своими презентациями с другими пользователями.


Для правообладателей

Яндекс.Метрика