Главная /
Логические нейронные сети /
Пусть системы принятия решений (СПР) используют одинаковую систему обобщенных эталонов. x1 & x2 & x3 → R1, x2 & x3 & x4 → R2, x1 & x3 & x4 → R3 Они реализованы матрицами следования разной структуры. В процессе эксплуатации СПР в
Пусть системы принятия решений (СПР) используют одинаковую систему обобщенных эталонов.
Они реализованы матрицами следования разной структуры.
В процессе эксплуатации СПР выявилась необходимость дополнения их новым обобщенным эталоном
Выполните дополнительную трассировку матрицы следования.
Примечание. Целесообразно восстановить информацию о том, в получении каких решений участвует каждый нейрон.
Обучение трем эталонам привело к получению матрицы следования:
вопросПравильный ответ:
Сложность вопроса
91
Сложность курса: Логические нейронные сети
81
Оценить вопрос
Комментарии:
Аноним
Экзамен сдал на пять с минусом. Спасибо сайту
28 май 2020
Аноним
Если бы не данные ответы - я бы не решил c этими тестами интуит.
11 дек 2015
Другие ответы на вопросы из темы искусственный интеллект и робототехника интуит.
- # Для недостоверной информации Pij о показателях банка с помощью логической нейронной сети, использующей передаточную функцию \begin{array}{l} V=\sum_j V_j \\ V_i = \left \{ \begin{array}{ll} V, & \mbox{если } V \ge h \\ 0, & \mbox{в противном случае} \end{array}\right \\ h=0,5, \end{array} а также воспользовавшись операцией усреднения, найдите точку В отображения банка на экране. Каков рейтинг банка? Р11= Р12= 0,5, Р21= 0,6, Р22= 0,4, Р31= 1, Р41= Р42= 0,5. Нейронная сеть имеет вид: [Большая Картинка]
- # Пусть системы принятия решений (СПР) используют одинаковую систему обобщенных эталонов. x1 & x2 & x3 → R1, x2 & x3 & x4 → R2, x1 & x3 & x4 → R3 Они реализованы матрицами следования разной структуры. В процессе эксплуатации СПР выявилась необходимость дополнения их новым обобщенным эталоном x1 & x2 & x4 → R4 Выполните дополнительную трассировку матрицы следования. Примечание. Целесообразно восстановить информацию о том, в получении каких решений участвует каждый нейрон. Обучение трем эталонам привело к получению матрицы следования: [Большая Картинка]
- # Выполните операцию приведения нейронной сети после трассировки по максимальной величине возбуждения нейронов R2 и R3 Отразите это приведение весами связей нейрона R1 Результат трассировки: [Большая Картинка]
- # Диапазоны изменения измеряемых характеристик системы управления технологическим процессом разбиты на составляющие интервалы, определяемые требованиями по точности. Совокупность X = {x1, x2} измеренных значений, каждое из которых принадлежит некоторому интервалу, определяет вектор Y(y1, y2) необходимых управляющих воздействий, составляющих ограниченное множество векторов: Y1= {5; 8}, Y2= {3; 4}, Y3= {6; 5}, Y4= {1; 5} Диапазон [0, 3] изменения переменных x1 и x2 разбит на три интервала δ1= [0, 1), δ2= [1, 2), δ3= [2, 3) По данному логическому описанию системы управления составьте однослойную логическую нейронную сеть системы управления, используя принцип "размножения" решений. (x1∈δ1) ∧ (x2∈δ1) → Y2 (x1∈δ1) ∧ (x2∈δ2) → Y3 (x1∈δ1) ∧ (x2∈δ3) → Y4 (x1∈δ2) ∧ (x2∈δ1) → Y1 (x1∈δ2) ∧ (x2∈δ2) → Y2 (x1∈δ2) ∧ (x2∈δ3) → Y3 (x1∈δ3) ∧ (x2∈δ1) → Y4 (x1∈δ3) ∧ (x2∈δ2) → Y1 (x1∈δ3) ∧ (x2∈δ3) → Y2
- # Диапазоны изменения измеряемых характеристик системы управления технологическим процессом разбиты на составляющие интервалы, определяемые требованиями по точности. Совокупность X = {x1, x2} измеренных значений, каждое из которых принадлежит некоторому интервалу, определяет вектор Y(y1, y2) необходимых управляющих воздействий, составляющих ограниченное множество векторов: Y1= {5; 8}, Y2= {3; 4}, Y3= {6; 5}, Y4= {1; 5} Диапазон [0, 3] изменения переменных x1 и x2 разбит на три интервала δ1= [0, 1), δ2= [1, 2), δ3= [2, 3) По данному логическому описанию системы управления составьте однослойную логическую нейронную сеть системы управления, используя принцип "размножения" решений. (x1∈δ1) ∧ (x2∈δ1) → Y3 (x1∈δ1) ∧ (x2∈δ2) → Y4 (x1∈δ1) ∧ (x2∈δ3) → Y1 (x1∈δ2) ∧ (x2∈δ1) → Y2 (x1∈δ2) ∧ (x2∈δ2) → Y3 (x1∈δ2) ∧ (x2∈δ3) → Y4 (x1∈δ3) ∧ (x2∈δ1) → Y1 (x1∈δ3) ∧ (x2∈δ2) → Y2 (x1∈δ3) ∧ (x2∈δ3) → Y3