Автор: tac
Я смотрю не одному мне не спится  Нет похоже я не знаю мат. часть ... что-то слышал (как-то на полуавтомате делал одно задание), мой проффесор этим занимался и как-то с этим самым Заде на конференциях встречался ... но для меня темный лес ... лежит тут у меня книжечка Кауфмана на 400 страниц - страх открывать там сплошная билеберда ... субъективно конечно .. то, что перемножать матрицы можно подразумевая под ними нечеткость это я осилил ... типа востанавливаем некие отношения, типа знаем отношения между множеством X и Y, Y и Z и понять как соотносятся отношения между X и Z ... но как это применить к ИИ что-то не въезжаю ... если дело только в деревьях решений - то можно завязывать и не парить мозг ... но я просто в толк не возьму 400 страниц же о чем то написаны
Расскажите или дайте ссылку на нечеткий контроль ... есть ли какие-то алгоритмы, где понятно без математики понятно что они дают ...
|
|
Совсем без математики, это так как я описал. А 400 страниц потому что там наверное в деталях объясняется именно самая Неч.Логика.
Совсем, совсем в двух словах, ну что бы понять, как это применяется, можно проиллюстрировать так.
Что бы можно было задавать вот такие вот правила:
Если Препятствие Далеко, то двигаться Быстро.
Если Препятствие Близко И Хищник Очень Далеко, то двигаться медленно.
Если Я двигаюсь Медленно ИЛИ Хищник двигается Не Очень Быстро, то ....
и т.д.
Или в диагностике правила типа:
Если Пациентка Пожилая И она Очень Много Курит И у нее Примерно от 10 до 20 лет назад были аборты, то она Вероятно в Группе-Риска рака груди.
А в процессе диагностирования врач может вводить в систему не четкие знания, типа Возраст от 50 до 60, Курит 3-7 сигарет в день и т.д.
Не забываем, что сенсоры получают конкретные данные, типа Хищник на расстоянии 5м, его скорость 10км/ч и т.д. А на выход надо подать точную скорость на оба колеса (ну скажем у нас двух-приводной трактор).
Получается в начале надо сделать фазификацию, т.е. перевести данные в поле нечеткой логики (получить коэффициенты принадлежности ко множествам). Потом используя Н.Л. делает лог вывод, который так же является некоторыми коэффициентами принадлежности.
После этого нужно провести дефазификацию данных. Т.е. получить конкретные числа.
Каждое из этих действий имеет свои проблемы и они должны рассматриваться.
К ИИ это имеет отношение возможно даже больше чем к контролю, но все равно рассматривается отдельно (скорее в силу исторических факторов, чем каких-то реальных).
А то что это деревья решений?! Ну что в этом плохого?! (т.е. есть кое что плохое, но вы конкретно почему так выразились?)
То что они задаются жестко? Ну так это детали. Есть и алгоритмы обучения.
Более того, лично мне концепция Машинного Обучения представляемая на Деревьях Решений (отбор гипотез), кажется на много нагляднее, чем концепция представляемая при изучении ИНС (разделение образов плоскостями), хотя это эквивалентно.
Но будьте осторожны применяя нечеткую логику, в ней много подводных камней. То что мы привыкли видеть в логике предикатов, может выглядеть в НЛ не привычно.
Ну скажем * и + в НЛ, не являются парой И и ИЛИ. Ну и т.д.
С ДеМорганом меня тут Шуклин озадачил. Я точно где-то читал, что ДеМорган не выполняется (ну как минимум для всех базисных пар), причем с примером. Так что, очень хочу посмотреть на его доказательство, наверняка там какие-то условия дополнительные стоят.
Но вот пока не могу его диссертацию найти у него на сайте.