Функция, используемая в качестве импликации для FIS типа Сугено в системе Matlab.

Нечеткая импликация – операция min-конъюнкции.

76. Реализация какого этапа нечёткого логического вывода изменится, если на вход подать нечёткие значения переменных?

Введение нечеткости ( фазификация ). 1этап.

77. Какие функции принадлежности относят к L-R-функциям?

Треугольная, трапецеидальная, гауссова, колоколообразная

78. Сугэно-FIS какого порядка использует заключения правил вида у=С?

Нулевого порядка (0-ого)

79. Сугэно-FIS кауого порядка используют заключения правил вида у= c₀+Ci*Xi+ с₂*Х2?

Сугэно первого порядка

80. Какой из нижеуказанных способов дефаззификации допускает выходное значение Сугэно-FIS, большее, чем максимальное из заключений правил?

В качестве метода дефаззификации используется разновидность метода центра тяжести для одноточечных множеств (м.б. средний центр).

83. Какую задачу решает второй слой ANFIS?

Элементы второго слоя выполняют агрегирование степеней истинности предпосылок каждого правила базы в соответствии с операцией Т-нормы

84. Чему равно число узлов входного слоя ANFIS?

Количество узлов первого слоя равно сумме мощностей терм-множеств входных переменных.

85.Какой является база правил, содержащая два правила с одинаковыми предпосылками и разными заключениями?

Противоречивые – так Зернов говорит

87. Какой из приведенных алгоритмов нечеткого логического вывода не позволяет построить FIS со свойствами универсального аппроксиматора?

Алгоритм Заде.

88. На что влияет выбор способа реализации логического «И»?

89. Каким образом влияет на заключение правил выбор в качестве нечеткой импликации операции умножения?

91. Что такое «нечеткая сеть»?

Нейронные нечеткие сети характеризуются введением нечеткости в различные компоненты традиционных нейронных сетей на основе положений теории нечетких множеств и нечеткой логики.

92. В чем заключаются особенности интеграции нечетких и нейросетевых моделей?

Терпимость к частичной истинности используемых данных для достижения интерпретируемости, гибкости и низкой стоимости решений.

93. Что такое «нейронные нечеткие продукционные сети»?

Нечеткие нейронные продукционные сети – это нечеткие продукционные модели и алгоритмы нечеткого вывода на их основе, по структуре идентичные многослойным нейронным сетям с прямым распространением сигнала (feedforward), элементы каждого слоя (или совокупности слоев) которой реализует отдельный этап нечеткого вывода в нечеткой продукционной модели: fuzzification, алгоритм нечеткого вывода, defuzzification.

94. Что такое “нейронные нечеткие сети”?

нейронные нечеткие сети – это сети характеризующиеся введением нечеткости в различные компоненты традиционных ИНС на основе положений теории нечетких множеств и нечеткой логики.

97. Что такое «Нечеткая продукционная модель»?

Согласованное множество отдельных нечетких продукционных правил вида «ЕСЛИ А, ТО В» (где А и В – предпосылка (антецедент) и заключение (консеквент) данного правила в виде нечетких высказываний), предназначенное для определения степени истинности заключений нечетких продукционных правил, на основе предпосылок с известной степенью истинности соответствующих правил.

98. Какая совокупность компонентов позволяет задать нечеткую продукционную модель?

99. Какие способы нечеткого вывода могут использоваться в нечетких продукционных моделях?

Прямой способ нечеткого вывода: modus ponens, обратный способ нечеткого вывода: modus tollens

Дата добавления: 2015-07-20