попытка моделирования сетчатки глаза, распознавания образов.
Perseptron(Персептрон)
Rosenblat, Minsky, Papert
a1
х
j1
y
jn
an q
Не важно как устроена, важно чтобы решение получалось такое же, какое получает человек.
?
y
х
смешанный подход
Soft computing: нейронные сети + нечеткие алгоритмы+генетические алгоритмы
60-е г.г.Логическая парадигма
Моделирование левополушарного механизма мышления.
Формальные системы. Исчисление предикатов первого порядка.
GSP(General Problem Solver) - Newell, Show, Simon H.
Был предложен метод уменьшения (устранения) различий.
Prolog, Lisp, Fuzzy Prolog
70-е г.г.Системы, основанные на знаниях (СОЗ)
Решение(ИС) = Знания + Вывод на знаниях + Объяснение (Обоснование)
Эти системы были ориентированы на плохо(слабо) формализованные задачи
Специфика слабо формализованных задач:
1. Качественная форма представления задачи.
2. Нет явно выраженной, четкого определенной целевой функции.
3. Не существует априорного алгоритма решения задачи (алгоритм строится в процессе решения задачи) или он существует, но не реализован из-за вычислительной сложности.
4. Наличие различного типа НЕ-факторов: неполнота, нечеткость, неточность исходной информации и знаний.
5. Динамичность данных и знаний (информация вводится в процессе решения).
6. Комбинаторность задачи.
Отказались от универсальных решателей, стали строить ЭС или системы, основанные на знаниях экспертов и способные решить проблему на их уровне.
Модели представления знаний (МПЗ)
1. Логические МПЗ.
2. Продукционные МПЗ.
<посылка> à <заключение>
<посылка> à <заключение>, k где k – коэффициент правдоподобия.
MYCIN – метод субъективных коэффициентов уверенности; для медицинской