(x1∧x4)∨ (x1∧x6) → R1 = <шахматы>(x1∧x4∧x10)∨(x1∨x5) → R2 = <верховая езда>
x1∧(x4∨x6) → R1 = <шахматы>x1∧((x4∧x10)∨x5) → R2 = <верховая езда>(Верный ответ)
x1∧(x4∨x6) → R1 = <шахматы>(x4∨x10)∨x5 → R2 = <верховая езда>
Для логического описания системы принятия решений составьте "электронную" схему такой системы.
x1∧(x4∨x6) → R1 = <шахматы>;x1∧((x4∧x10)∨x5) → R2 = <верховая езда>.
Для построения системы принятия решений (СПР) предлагается нейронная сеть заданной структуры. В предположении, что для СПР достаточна однослойная нейронная сеть, составьте обобщенные эталоны для ее обучения (трассировки) по логическому описанию СПР.
(x1 ∨x2) ∧ (x1 ∨x3) → R1,(x2 ∨x4) ∧ (x3 ∨x4) → R2,(x1 ∨x3) ∨ x4 → R3
Для построения системы принятия решений (СПР) предлагается нейронная сеть заданной структуры. В предположении, что для СПР достаточна однослойная нейронная сеть, составьте обобщенные эталоны для ее обучения (трассировки) по логическому описанию СПР.
(x1 ∧ x2) ∨ (x1 ∧ x3) → R1,(x2 ∧ x3) ∨x4 → R2,(x1 ∧ x3) ∧ x4 → R3
Для построения системы принятия решений (СПР) предлагается нейронная сеть заданной структуры. В предположении, что для СПР достаточна однослойная нейронная сеть, составьте обобщенные эталоны для ее обучения (трассировки) по логическому описанию СПР.
(x1 ∧ x2) ∨ (x1 ∨x3) → R1,(x2 ∧ x4) ∨ (x3 ∧ x4) → R2,(x1 ∨ x3) ∧ x4 → R3
В перспективе своих самостоятельных исследований составьте модель программы игры в "крестики – нолики", первоначально ограничившись попыткой сведения игры "в ничью". Начните разработку модели с анализа возможных ходов противника и с выбора предпочтительного ответа. Для этого заведите три строки, каждая из которых содержит три позиции. В текущем состоянии игры позиция может содержать "крестик" (противника), "нолик" (Ваш) или быть свободной. Несомненно, "традиционный" программный, последовательный анализ каждой позиции всех строк трудоемок и долог. Ассоциативный принцип "работы" нейронной сети позволяет приблизить его к ассоциативному мышлению игрока и сделать игровую нейрокомпьютерную приставку к персональному компьютеру.
Составьте проект такой нейронной сети.
Составьте графическую схему нейронной сети.
В перспективе своих самостоятельных исследований составьте модель программы игры в "крестики – нолики", первоначально ограничившись попыткой сведения игры "в ничью". Начните разработку модели с анализа возможных ходов противника и с выбора предпочтительного ответа. Для этого заведите три строки, каждая из которых содержит три позиции. В текущем состоянии игры позиция может содержать "крестик" (противника), "нолик" (Ваш) или быть свободной. Несомненно, "традиционный" программный, последовательный анализ каждой позиции всех строк трудоемок и долог. Ассоциативный принцип "работы" нейронной сети позволяет приблизить его к ассоциативному мышлению игрока и сделать игровую нейрокомпьютерную приставку к персональному компьютеру.
Составьте проект такой нейронной сети.
Составьте матрицу следования, описывающую нейронную сеть.
Для логического описания системы принятия решений составьте "электронную" схему такой системы.
(x1∨x3)∧x7 → R1 = <выбор: верховая езда, коньки, лыжи, санки>;x2∧x7 → R2 = <санки>;x3∧x7 → R3 = <выбор: сон, дискотека>.
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:
