Ответы к ГосЭкзамену 220402 (Информатика) (1088974), страница 29
Текст из файла (страница 29)
Разработка серий изделий и расчёт конструкции.Для удовлетворения этих требований необходимо, чтобы модель обладала определённым набором математических свойств. В частности объёмная модель должна иметь следующие свойства:1. Однозначность – тело должно быть заполнено внутри.2. Конечность - тело должно занимать конечную часть пространства.3. Жёсткость . Сплошное тело должно сохранять свою форму не зависимо от положения и ориентации.Кроме того, программная система геометрического моделирования должная удовлетворять следующимтребованиям:1.
Согласованность операций: любая операция, выполняемая над телом должна приводить к образованию сплошных тел (перемещение, или булевая операция), если иное не оговорено пользователем.2. Возможность описания: каждое тело должно быть представлено в машинном виде.3. Непротиворечивость информации: точка пространства может принадлежать не более чем одномутелу (т.е. о каждой точке пространства, можно сказать – «принадлежит ли она какому-нибудь телу»).Уравнения, описывающие процессы в системе управления, вместе с уравнениями динамики образуют уравнения управляемого движения роботов, которые могут использоваться для различных целей, в томчисле для моделирования роботов на ЭВМ.Методичка Тягунов, Мосяков «Моделирование роботов».
Главы 2.14. Математический аппарат и принципы создания математической модели робота и его системы управления. Программные средства для решения задачимоделирования СУ роботом.Методичка Тягунов, Мосяков «Моделирование роботов Глава 2.2106Методы искусственного интеллекта в робототехнике1. Выделение класса интеллектуальных управляющих систем, организованных с применением современной информационной технологии.
Многоуровневыеструктуры интеллектуальных систем управления. Принцип Саридиса. Интеллектуальность и точность по Саридису. Трехслойная концептуальная архитектура интеллектуальных управляющих систем. Пять принципов построения интеллектуальных систем управления. Определения систем управления, интеллектуальных вбольшом и в малом.В качестве класса управляющих интеллектуальных систем можно выделить такие технологии:- технология экспертных систем, ориентированная на обработку знаний с явной формой представления ввиде продукционных правил, семантических сетей, предикатов и фреймообразных структур;- технология нечеткой логики, ориентированная на обработку логико-лингвистических моделей представления знаний с помощью продукционных правил и размытых множеств;- технология нейросетевых структур с неявной формой представления знаний, скрытых в архитектуре сети,параметрах нейронов и связей.- технология ассоциативной памяти, ориентированная на обработку с неявной формой представления в видегиперповерхности в многомерном пространстве признаков.Многоуровневые структуры интеллектуальных систем управления: стратегический уровень (планированиецелесообразности поведения), тактический уровень (планирование целесообразности действий), исполнительный уровень (обеспечение инвариантности или активной адаптации системы управления приводами).Измерительно-информационный комплекс замыкает контуры отдельных уровней управления.Принцип Саридиса, означает, что по мере продвижения к высшим уровням иерархической структуры повышается интеллектуальность системы, но снижается ее точность, и наоборот.Под интеллектуальностью системы подразумевается ее способность работать с базой внешних событийили ситуаций для привлечения знаний, позволяющих уточнить предложенную задачу и наметить пути еерешения.
Под точностью понимается свобода выбора в выполнении операции по решению задачи.Слои обработки неопределенной информации (слои интеллектуальности):- слой прогноза событий;- слой самообучения и адаптации;- слой работы с базами событий, знаний и формирования решений;- исполнительный слой.Пять принципов построения интеллектуальных систем управления:- наличие тесного информационного взаимодействия управляющих систем с реальным внешним миром ииспользование специально организованных каналов связи;- принципиальная открытость системы для повышения интеллектуальности и совершенствования собственного поведения;- наличие механизмов прогноза изменений внешнего мира и собственного поведения системы;- построение управляющей системы в виде многоуровневой иерархической структуры в соответствии с правилом: повышение интеллектуальности и снижение требований к точности по мере повышения ранга иерархии в системе (и наоборот);- сохраняемость функционирования (возможно, с некоторой потерей качества или эффективности) при разрыве связей или потере управляющих воздействий от высших уровней иерархии управляющей структуры.Система управления, функционирование которой ограничено двумя нижними слоями интеллектуальности,имеет степень интеллектуальности в малом.
Система управления, функционирование которой ограниченотремя нижними слоями интеллектуальности, имеет степень интеллектуальности в большом.3. Понятие лингвистической переменной и ее применение в системах управления. Понятие нечеткой системы. Нечеткая система управления. Концептуальнаясхема нечеткой системы управления. Фазификация и дефазификация. Основные способы дефазификации.Лингвистической называется переменная, принимающая значения из множества слов или словосочетанийнекоторого естественного или искусственного языка. Множество допустимых значений лингвистическойпеременной называется терм-множеством. Задание значения переменной словами, без использования чисел,107для человека более естественно (прим.
"очень высокая температура"). Лингвистическая переменная задаетсяпятеркой, где- имя переменной;- терм-множество, каждый элемент которого (терм)представляется как нечеткое множество на универсальном множествечасто в виде грамматики, порождающие название термов;;- синтаксические правила,- семантические правила, задающие функциипринадлежности нечетких термов, порожденных синтаксическими правилами. В СУ с помощью ЛП описывается зависимость «вход-выход» во всем диапазоне возможных значений входных и выходных воздействий.Нечеткую систему применяют для формирования предельно обобщенных логико-лингвистических моделейпредставления знаний и разработки алгоритмов оценки ситуаций и принятия решений по управлению.Нечеткая система управления направлена на решение проблем в управлении, показала себя превосходно всложных, нелинейных системах.
Основная трудность синтеза систем нечеткого управления заключается ввыборе числа и значений лингвистических переменных и функций принадлежности. Сегодня это осуществляется с помощью экспертных оценок. Нечеткая логика наряду с самостоятельным использованием в системах нечеткого управления применяется в других интеллектуальных методах – экспертных системах, ассоциативной памяти, нейронных сетях, когда имеет место неопределенность, которую нельзя описать с помощью традиционного вероятностного подхода.Концептуальная схема нечеткой системы управления:ЛингвистическиепеременныеФазификация - отображение входных величин на нечеткие множества лингвистических переменных.
Фазификация (отдельной величины х) нахождение степени принадлежности величины х всем термам лингвистической переменной:{a1,a2,…an} = {A1(x0),A1(x0),…,AN(x0), }.Дефазификацией называется процедура преобразования нечеткого множества в четкое число.Основные способы дефазификации: метод центра тяжести, метод центра области, метод среднего максимума, метод наименьшего максимума, метод наибольшего максимума.4.
Понятие нейронной сети. Модель нейрона и реализуемые им функции. Нейронные сети Хопфилда и Румельхарта, Методы настройки сети. Модели обучения набазе нейронных сетей.Нейронные сети можно рассматривать как современные вычислительные системы, которые преобразуютинформацию по образу процессов, происходящих в мозгу человека. Обрабатываемая информация имеетчисленный характер, что позволяет использовать нейронную сеть, например, в качестве модели объекта ссовершенно неизвестными характеристиками.
Другие типовые приложения нейронных сетей охватываютзадачи распознавания, классификации, анализа и сжатия образов.108Модель нейрона:В состав нейрона входят умножители (синапсы), сумматор и нелинейный преобразователь. Синапсы осуществляют связь между нейронами и умножают входной сигнал на число, характеризующее силу связи, — вессинапса.
Сумматор выполняет сложение сигналов, поступающих по синаптическим связям от других нейронов, и внешних входных сигналов. Нелинейный преобразователь реализует нелинейную функцию одногоаргумента — выхода сумматора. Эта функция называется функцией активации или передаточной функциейнейрона. Нейрон в целом реализует скалярную функцию векторного аргумента.
Математическая модельnнейрона описывается соотношениями:s wi xi b , y=f(s), где wi — вес синапса, (i = 1...n); s — значеi 1ние смещения; s — результат суммирования; xi — компонент входного вектора (входной сигнал), (i = 1...n); у— выходной сигнал нейрона; п — число входов нейрона; f — нелинейное преобразование (функция активации или передаточная функция).Структурная схема сети Хопфилда. Она состоит из единственного слоя нейронов, число которых являетсяодновременно числом входов и выходов сети.
Каждый нейрон связан синапсами со всеми остальными нейронами, а также имеет один входной синапс, через который осуществляется ввод сигнала. Выходные сигналы, как обычно, образуются на аксонах.Настройка сетей Хопфилда для решения некоторой задачи распадается на этапы:1. Построить функцию энергии таким образом, чтобы точка глобального минимума этой функции совпадалас решением задачи. При этом градиент функции энергии должен допускать вычисление с помощью НС.2. Записать формулы для расчета параметров сети (весовых коэффициентов и пороговых уровней) для расчета градиента функции энергии.3.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
