Перелік контрольних питань

1. Iсторiя розвитку теорії штучних нейромереж.
2. Бiологiчнi нейрони та їх фiзичнi моделі.
3. Моделi нейроелементiв. Поняття: синапс, ваговий коефіцієнт, поріг, дискримiнантна функцiя, функція активації, персептрон.
4. Біологічний і формальний нейрони: подiбнiсть та вiдмiнностi.
5. Функції активації формальних нейронів та їх вплив на навчання нейромереж.
6. Метод найменших квадратiв як основа алгоритму Уiдроу-Хоффа.
7. Можливостi i властивостi одношарових персептронiв
8. Лінійна роздільність і лінійна нерозділеність класів.
9. Загальне уявлення про навчання нейромереж. Характеристики процесу навчання.

10. Вимоги до навчальних вибiрок даних.

11. Класифiкацiя та види моделей нейромереж.

12. Властивостi штучних нейромереж.

13. Повнозв’язнi НМ Хопфілда. Псевдоінверсне навчальне правило, проективний алгоритм настроювання ваг.

14. Застосування НМ для асоціативного пошуку iнформацiї

15. Ефект Городничего та перспективи і методи його використання.

16. Алгоритм рознасичення синаптичної матрицi мережi Хопфiлда.

17. Мережi Хопфiлда у задачах комбiнаторної оптимiзацiї.

18. Нейронна мережа SOM.

19. Нейронна мережа LVQ.

20. Найромережа "SOM-АЗП".

21. Застосування мереж Кохонена у задачах кластер-аналiзу та геоiнформацiйних системах.

22. Багатошаровий персептрон.

23. Алгоритм зворотнього поширення помилки

24. Градiєнтнi алгоритми навчання багатошарових нейромереж.

25. Критерiї порiвняння моделей та градiєнтних алгоритмiв навчання нейромереж прямого поширення.

26. Евристичний алгоритм прискорення навчання нейромереж.

27. Евристичний алгоритм синтезу та налагодження вагових коефiцiєнтiв двошарового персептрона.

28. Евристичний алгоритм синтезу та налагодження вагових коефiцiєнтiв тришарового персептрона.

29. Евристичний алгоритм синтезу та налагодження вагових коефiцiєнтiв п'ятишарового персептрона.

30. Евристичний алгоритм синтезу та налагодження вагових коефiцiєнтiв шестишарового персептрона.

31. Методи навчання радiально-базисних нейромереж.

32. Застосування кластер-аналiзу при навчаннi радiально-базисних нейромерж

33. Евристичний алгоритм синтезу та налагодження вагових коефiцiєнтiв багатошарового персептрона.

34. Еволюцiйнi алгоритми в задачах синтезу архiтектури нейромережевої моделi.

35. Вiдбiр ознак за допомогою генетичних алгоритмiв.

36. Навчання нейромереж на основi еволюцiйної адаптацiї.

37. Нейроннi мережi у пакетi MATLAB. Модуль Neural Network Toolbox.

38. Пакет Statistica Neural Networks.

39. Пакет Brain Maker Pro.

40. Архітектура експертної системи.

41. База правил.

42. Визначення структури фрейму як моделі подання знань про поняття.

43. Визначте переваги та недоліки фреймів.

44. Використання метазнань для обмеження області пошуку рішень.

45. Впровадження в промислову експлуатацію.

46. Евристичний пошук.

47. Етап інтерпретації. Етап концептуалізації. Етап тестування.

48. Етапи проектування експертної системи. Етап формалізації. Дослідна експлуатація.

49. За допомогою яких дій можливо виразити ієрархію фреймів?

50. За заданим висловом створіть фрейм–опис або рольовий фрейм поняття, події.

51. Інтерпретатор правил.

52. Інтерфейс користувача експертної системи.

53. Класифікація фреймів.

54. Концепція “швидкого прототипу”.

55. Машина логічного виведення.

56. Механізм виведення в продукційній системі.

57. Модель бази знань в поєднанні фреймового і мережного подання.

58. Модуль придбання знань.

59. Назвіть області людської діяльності в який застосовуються експертні системи.

60. Особливості модифікації і супроводу в експлуатації експертної системи.

61. Підсистема роз'яснень.

62. Принципи наслідування інформації у фреймовій мережній моделі

63. Продукційні моделі: Основні визначення.

64. Процедури-демони та процедури-слуги.

65. Пряме та зворотне виведення.

66. Робоча область.

67. Робоча пам'ять у продукційній системі.

68. Склад розроблювачів експертної системи, роль і задачі кожного з членів групи.

69. Стратегії керування виведенням.

70. Структури даних фрейму.

71. У чому різниця між експертною системою та системою, що ґрунтується на наннях?

72. Управління виведенням у продукційній системі.

73. Формальний опис фрейму.

74. Фреймові мережі.

75. Фреймові моделі.

76. Характеристика продукційних моделей.

77. Цикл роботи інтерпретатора правил.

78. Що зветься приєднаною процедурою?

79. Що зветься сценарієм?

80. Як ви розумієте термін "простір пошуку"?

81. Як здійснюється пошук інформації в базі знань, створеній на основі фреймів?

82. Як здійснюється пошук інформації в мережній базі знань?

83. Яка інформація може бути представлена у слотах фреймів?

84. Яка різниця між фреймом-прототипом та фреймом-екземпляром?

85. Які властивості предметної області (об'єкта автоматизації) є передумовою для створення експертної системи?

86. Які типи відношень існують між фреймами в у мережі?

87. Нечітка логіка. Поняття лінгвістичної перемінної. Зіставлення значень лінгвістичної перемінної з реальними даними. Фаззифікація.

88. Нечітка логіка. Універсальна множина. Нечітка множина. Нечітка підмножина. Ступінь належності.

89. Узагальнення нечітких експертних оцінок з метою одержання виду функцій належності.

90. Нечітка логіка. Функція приналежності. Способи опису функції належності.

91. Нечітка логіка. Функція приналежності. Стандартні форми функції належності.

92. Нечітка логіка. Нечіткі множини. Властивості нечітких множин.

93. Нечітка логіка. Нечіткі множини. Операції з нечіткими множинами.

94. Нечіткі алгоритми. Прийняття рішень на основі нечітких алгоритмів.

95. Передумови і загальні принципи побудови систем керування на основі нечіткої логіки.

96. Блок-схема нечіткого регулятора. Етапи формування керуючих впливів. Дефаззифікація. Методи дефаззифікації.

97. Нечіткий регулятор: постановка задачі, алгоритм розрахунку керуючого впливу по відхиленню значення регульованої змінної від уставки.

98. Нечіткий регулятор: постановка задачі, алгоритм розрахунку керуючого впливу по відхиленню значення регульованої змінної від уставки і зміні регульованої перемінної.

99. Приклади і призначення систем керування з традиційними і нечіткими регуляторами.

100. Моделі на базі нейро-нечітких мереж.

101. Моделі на базі теорії нечітких множин.

102. Недетермінованість управління виведенням та евристичні знання.

103. Нечітка кластеризація як підхід до подання знань.

104. Нечіткі відношення та операції з ними.

105. Порівняння методів побудови нечіткого логічного виведення Мамдані та Сугено.

106. Редактор anfisedit.

107. Створення нечітких моделей у пакеті MATLAB.

108. Структура та елементи нейро-нечітких мереж.

109. Функції пакету MATLAB для створення нейро-нечітких мереж.

110. Які вимоги мають пред’являтися до навчальної вибірки та як це вплине на процес навчання?