Системы модальностей и неклассические меры в искусственном интеллекте

Нажмите для полного просмотра!

Системы модальностей и неклассические меры в искусственном интеллекте, слайд №2

Системы модальностей и неклассические меры в искусственном интеллекте, слайд №3

Системы модальностей и неклассические меры в искусственном интеллекте, слайд №4

Системы модальностей и неклассические меры в искусственном интеллекте, слайд №5

Системы модальностей и неклассические меры в искусственном интеллекте, слайд №6

Системы модальностей и неклассические меры в искусственном интеллекте, слайд №7

Системы модальностей и неклассические меры в искусственном интеллекте, слайд №8

Системы модальностей и неклассические меры в искусственном интеллекте, слайд №9

Системы модальностей и неклассические меры в искусственном интеллекте, слайд №10

Системы модальностей и неклассические меры в искусственном интеллекте, слайд №11

Системы модальностей и неклассические меры в искусственном интеллекте, слайд №12

Системы модальностей и неклассические меры в искусственном интеллекте, слайд №13

Системы модальностей и неклассические меры в искусственном интеллекте, слайд №14

Системы модальностей и неклассические меры в искусственном интеллекте, слайд №15

Системы модальностей и неклассические меры в искусственном интеллекте, слайд №16

Системы модальностей и неклассические меры в искусственном интеллекте, слайд №17

Системы модальностей и неклассические меры в искусственном интеллекте, слайд №18

Системы модальностей и неклассические меры в искусственном интеллекте, слайд №19

Системы модальностей и неклассические меры в искусственном интеллекте, слайд №20

Системы модальностей и неклассические меры в искусственном интеллекте, слайд №21

Системы модальностей и неклассические меры в искусственном интеллекте, слайд №22

Системы модальностей и неклассические меры в искусственном интеллекте, слайд №23

Системы модальностей и неклассические меры в искусственном интеллекте, слайд №24

Системы модальностей и неклассические меры в искусственном интеллекте, слайд №25

Системы модальностей и неклассические меры в искусственном интеллекте, слайд №26

Системы модальностей и неклассические меры в искусственном интеллекте, слайд №27

Системы модальностей и неклассические меры в искусственном интеллекте, слайд №28

Системы модальностей и неклассические меры в искусственном интеллекте, слайд №29

Содержание ▲

Вы можете ознакомиться и скачать презентацию на тему Системы модальностей и неклассические меры в искусственном интеллекте. Доклад-сообщение содержит 29 слайдов. Презентации для любого класса можно скачать бесплатно. Если материал и наш сайт презентаций Mypresentation Вам понравились – поделитесь им с друзьями с помощью социальных кнопок и добавьте в закладки в своем браузере.

Слайды и текст этой презентации

Слайд 1

Описание слайда:

В.Б. Тарасов МГТУ им. Н.Э.Баумана, Кафедра «Компьютерные системы автоматизации производства» e-mail: tarasov@rk9.bmstu.ru ЛЕКЦИЯ 4. СИСТЕМЫ МОДАЛЬНОСТЕЙ И НЕКЛАССИЧЕСКИЕ МЕРЫ В ИСКУССТВЕННОМ ИНТЕЛЛЕКТЕ

Слайд 2

Описание слайда:

ИНФОРМАЦИОННАЯ СТРУКТУРА АГЕНТА: ЕДИНСТВО ОПИСАНИЙ И ПРЕДПИСАНИЙ Функционирование любого агента опирается как на описания, так и на предписания. Описания содержат информацию о состояниях среды, воспринимаемых агентом, а предписания – о возможных действиях агента на эту среду.

Слайд 3

Описание слайда:

СИСТЕМЫ МОДАЛЬНОСТЕЙ: ЕДИНЫЙ ПОДХОД К ПРЕДСТАВЛЕНИЮ СИСТЕМ МОДАЛЬНОСТЕЙ НА БАЗЕ МНОГОЗНАЧНЫХ ЛОГИК

Слайд 4

Описание слайда:

ОПРЕДЕЛЕНИЕ ПОНЯТИЯ НОРМЫ Нормы – это социальные запреты и ограничения, накладываемые сообществом (организацией) на отдельного агента. С одной стороны, нормы есть частный случай оценок: их можно рассматривать как общественно апробированные и закрепленные оценки. Средством, превращающим оценку в норму, является угроза наказания, т.е. стандартизация норм осуществляется с помощью санкций. Еще К.Менгер установил прямую связь между предписанием и санкцией: p («обязательно p») и «если не p, то наказание или ухудшение». С другой стороны, формирование норм предполагает согласование мнений по этим нормам

Слайд 5

Описание слайда:

РОЛЬ ОБРАЗЦОВ, ОЦЕНОК, НОРМ В ТЕОРИИ АГЕНТОВ У агентов прагматические суждения оценочного характера опираются на стандарты, образцы, эталоны и т.п. При этом образец принципиально отличается от примера. Пример говорит о том, что имеет место в действительности, а образец – о том, что должно быть. Примеры используются для поддержки описательных высказываний, а ссылки на образцы служат обоснованием предписаний и требований. Легко понять, что в теории агентов центральное место занимает именно формализация предписаний, оценок, норм. Реализация агентом нормативного поведения предполагает наличие, по крайней мере, двух элементов: нормы, обязательной для выполнения в данной ситуации, и оценки степени выполнения ее предписаний.

Слайд 6

Описание слайда:

ФОРМАЛИЗАЦИЯ ПОНЯТИЯ НОРМЫ Норму как предписание к действию можно выразить четверкой NR = A, act, M4, W , где А – множество агентов, которым адресована норма; actACT – действие, являющееся объектом нормативной регуляции (содержание нормы); W – множество миров, в которых применима норма (условия приложения, обстоятельства, в которых должно или не должно выполняться действие); М4 = {О, Р, Б, З} – множество базовых модальностей, связанных с действием act: здесь О – «обязательно», Р – «разрешено», Б – «безразлично» (необязательно), З – «запрещено».

Слайд 7

Описание слайда:

КЛАССИЧЕСКОЕ ОПРЕДЕЛЕНИЕ МЕРЫ Основными характеристиками любого множества являются его границы и мера.

Слайд 8

Описание слайда:

ВЕРОЯТНОСТНАЯ МЕРА И МЕРА ДИРАКА Наиболее известным случаем классической меры является нормальная мера или вероятностная мера А.Н.Колмогорова P: 2X  [0,1], которая удовлетворяет следующим условиям: 1) P() = 0, P(Х) =1 (ограниченность) 2) А,В2X, АВ  P(A)  P(B) (монотонность) 3) А,В2X, АВ=  P(AB)=P(А)+P(В) (аддитивность) В общем случае, берется -алгебра множеств,  2X и аксиома аддитивности записывается в форме Аi, Аi =  P ( Аi) = P(Аi). С вероятностной мерой связана статистика средних значений. Пусть x0 есть заданный элемент в X. Частным случаем вероятностной меры является примитивный класс мер Дирака mD, определяемый соотношением: А2X, 1, если x0A mD (А) = 0 в противном случае. Мера Дирака есть частный случай вероятностной меры, соответствующий детерминированной сингулярной информации (мера полной уверенности).

Слайд 9

Описание слайда:

КРИТИКА АКСИОМЫ АДДИТИВНОСТИ Требование аддитивности меры является слишком жестким и ограничительным для многих практических задач информатики, в частности, для процедур экспертного оценивания и формирования мнений. Существует гипотеза о том, что неаддитивность есть одно из фундаментальных отличий процедур оценивания от процедур измерения. Тогда в качестве базы для оценивания предлагается пространство с предмерой Г= (X, , u), где предмера u удовлетворяет лишь условиям ограниченности и монотонности Таким образом, произвольная псевдомера, называемая также неклассической (неаддитивной) мерой, строится как однопараметрическое расширение обычной меры путем замены стандартной аксиомы аддитивности каким-либо более общим условием.

Слайд 10

Описание слайда:

МЕРЫ СУГЕНО Мерой Сугено называется функция множества g: 2X  [0,1], для которой выполняются следующие условия 1) g() = 0, g(Х) =1 (ограниченность) 2) А,В2X, АВ  g(A)  g(B) (монотонность) 3) А,В2X, АВ=  g(AB) = g(А)+g(В) + g(А)+g(В) (-правило) 1    . 4) Аn2X, n=1,2,… если А1  А2 …, или А1 А2  …, то lim g(Аn) = g (lim Аn) (непрерывность) n n В общем случае -правило записывается в виде g (Аi ) =  g(Аi) +  П g(Аi), 1    . Это правило получается из уравнения +1 = П(1+ i). В результате при 0 получаем семейство субаддитивных мер:  А, В 2X, g(A  B)  g(А) + g(B), а при –10 – семейство супераддитивных (синергетических) мер  А, В 2X, g (A B)  g(А) + g(B). При =0 мера Сугено превращается в обычную аддитивную (вероятностную) меру.

Слайд 11

Описание слайда:

ОСНОВЫ ТЕОРИИ СВИДЕТЕЛЬСТВ: МЕРЫ ДОВЕРИЯ И ПРАВДОПОДОБИЯ Одними из первых ученых, предложивших применять неклассические меры (псевдомеры) в интересах описания экспертных суждений (свидетельств), стали А.Демпстер и Дж. Шейфер. Так Демпстер ввел функции верхних и нижних вероятностей, индуцируемых многозначными отображениями. В свою очередь, Шейфер построил теорию свидетельств на основе двух классов монотонных неаддитивных мер – мер доверия и мер правдоподобия. Мерой доверия называется монотонная функция множества b: 2X  [0,1], удовлетворяющая следующим условиям: (а) b () = 0, b (Х) =1 (б) А,В2X, b (A  B)  b (A) + b (B). Здесь условие (б) определяет свойство супераддитивности. Пусть A есть дополнение A. Из определения меры доверия вытекает ее важное свойство b (A)+b (A) 1 (субкомплементарность).

Слайд 12

Описание слайда:

ОСНОВЫ ТЕОРИИ СВИДЕТЕЛЬСТВ: МЕРЫ ДОВЕРИЯ И ПРАВДОПОДОБИЯ (продолжение) Если задана мера доверия, то двойственную к ней меру правдоподобия можно определить следующим образом Pl (A) = 1 – b (A), А2X Монотонная мера правдоподобия Pl удовлетворяет следующим аксиомам: (а) Pl () = 0, Pl (Х) =1 (б) А,В2X, Pl ( A  B)  Pl (A) + Pl (B). Аксиома (б) определяет условие субаддитивности. Для меры Pl выполняется также условие суперкомплементарности Pl (A)+ Pl (A) 1. Пусть  - множество высказываний. Введем функцию mp:  [0,1], причем: 1) mp() = 0; 2)  mp(p) = 1. p. Тогда для любых высказываний p,q по Шейферу получаем v(q) = b(q) =  mp(p). p влечет за собой q Аналогично имеем Pl (q) =  mp(p) p не влечет за собой q Легко определить также меру недоверия nb (A) = 1 – b (A) и меру отвержения (неправдоподобности) nPl (A) = 1– pl (A).

Слайд 13

Описание слайда:

МЕРЫ ВОЗМОЖНОСТИ И НЕОБХОДИМОСТИ Из аксиомы монотонности для любой предмеры непосредственно вытекают два важных неравенства, характеризующие два фундаментальных класса псевдомер g (A  B)  max {g (A), g (B)} g (A  B)  min {g (A), g (B)}. Тогда в граничных случаях определяются мера возможности П Л.Заде как минимальная мера правдоподобия и мера необходимости N Дюбуа-Прада как максимальная мера доверия. Мера возможности есть функция множества П: 2X  [0,1], для которой справедливы условия: 1. П () = 0, П (Х) =1 (ограниченность) 2.  А, В 2X, А В  П (А)  П (В) (монотонность) 3. А,В2X, П (AB) = max {П (A), П (B)} («либо-либо»-условие) Меру П можно задать на множестве высказываний . Пусть p,q. Тогда условие П(pq) = max{П(p),П(q)} можно интерпретировать следующим образом: истинность дизъюнкции двух суждений определяется возможностью появления хотя бы одного из них. В свою очередь, нечеткое множество может пониматься как функция (плотность) распределения возможности : Х  [0,1] удовлетворяющая условию нормировки П (А) = sup  (x) = 1. xA

Слайд 14

Описание слайда:

МЕРЫ ВОЗМОЖНОСТИ И НЕОБХОДИМОСТИ (продолжение)

Слайд 15

Описание слайда:

МЕРЫ ВОЗМОЖНОСТИ И НЕОБХОДИМОСТИ В НЕТРАДИЦИОННЫХ СЕМАНТИКАХ Модализация истинностных значений (в стиле Н.Решера) на основе квазимер (неаддитивных мер) - мер возможности Заде П и мер необходимости Дюбуа-Прада N, приводящая к нарушению принципа дополнительности, связана с формированием ВОЗМОЖНОСТНЫХ СЕМАНТИК 2  T(p) + F(p)  1 и НЕОБХОДИМОСТНЫХ СЕМАНТИК T(p) + F(p) 1.

Слайд 16

Описание слайда:

СООТНОШЕНИЯ МЕЖДУ ВЕРОЯТНОСТЬЮ, ВОЗМОЖНОСТЬЮ И НЕОБХОДИМОСТЬЮ Основное соотношение между возможностью и необходимостью записывается в виде: П (А)  P (A)  N (А) В отличие от выполняемого для вероятностной меры закона P (A)+P (A) = 1, А2X, для меры возможности имеем условие П (A) + П (A)  1, А2X, а для меры необходимости выпоняется N (A) + N (A)  1, А2X Кроме того, из П (А)  1 следует N (А) = 0 (неполная возможность события А приводит к абсолютной неуверенности), а из N(А)0 вытекает П(А)=1 (наличие некоторой уверенности в А означает его абсолютную возможность). В свою очередь, такие понятия как невозможность nП и проблематичность (ненеобходимость, случайность) nN легко описать c помощью обычного оператора отрицания на основе мер возможности и необходимости соответственно: nП (A) =1П (А), А2X nN (A) =1N (А), А2X

Слайд 17

Описание слайда:

КАЧЕСТВЕННЫЕ ОЦЕНКИ ВОЗМОЖНОСТИ И НЕЧЕТКОСТИ Идея построения сравнительных оценок возможности восходит к работам Д.Льюиса, который интерпретировал возможность как отношение сходства. Затем Дюбуа и Прад показали, что мера возможности индуцирует отношение П между событиями: A П B тогда и только тогда, когда П (A)  П (B). Здесь A П B означает, что возможность события А, по крайней мере, не меньше возможности события B. Отношение П обладает следующими свойствами: а) T П F, где Т и F – истина и ложь соответственно; б) A П B или A П B (сравнимость); в) A П B, B П C  A ПC (транзитивность); г) если B П C, то для любого А имеем AB П AС. В свою очередь, Трильяс и Альсина обобщили идею сравнительных оценок для произвольных неклассических мер, введя (рефлексивное и транзитивное) отношение предпорядка g. Здесь A g B означает, что множество А обладает неким свойством в степени, не меньшей, чем множество B. Отношение предпорядка по включению множеств позволяет с единых позиций описать не только расширения классических мер, определенные на 2X, но и функции нечетких множеств, заданные на [0,1] X.

Слайд 18

Описание слайда:

МЕРЫ НА НЕЧЕТКИХ МНОЖЕСТВАХ Различные меры на нечетких множеств можно определить, вводя разные отношения порядка (или предпорядка) на интервале [0,1]. Здесь классическое отношение порядка (порядок вложенности нечетких множеств) задается в виде:     (x)  (x), xX. Рассмотрим максимально нечеткое множество с функцией принадлежности (x) = 0.5. Тогда новое отношение порядка  , называемое «порядком заострения», можно задать следующим образом:    (x)   (x), xX, где (x)(x) тогда и только тогда, когда (x)  (x) при (x)  0.5 и (x)  (x) при (x)  0.5. Отношениям порядка  и  ставятся в соответствие два класса мер – меры энергии и меры энтропии нечетких множеств соответственно. Пусть высказывание p. Как известно, противоречие в классической логике записывается в форме p p. В обобщенном виде его можно выразить формулой pTn(p), где T-треугольная норма, отвечающая лингвистической связке «И», а n – унарная операция отрицания в функционально-аксиоматической форме. Введем отношение предпорядка, индицируемое отрицанием n, т.е. рефлексивное и транзитивное отношение n на [0,1] p n q  p Т n(p)  q Т n(q) и будем рассматривать предупорядоченное множество [0,1]n. Для наибольшей треугольной нормы T = min имеем pnq  min{p,n(p)}min{q, n(q).

Слайд 19

Описание слайда:

МЕРЫ ЭНЕРГИИ НЕЧЕТКИХ МНОЖЕСТВ (ПОКАЗАТЕЛИ СИЛЫ ПРИНАДЛЕЖНОСТИ Пусть X – базовое множество, на котором определено нечеткое множество : X [0,1], а [0,1]X = {: X[0,1]} – множество всех нечетких подмножеств. Обозначим через R+ множество всех неотрицательных действительных чисел R+ . Мерой энергии нечеткого множества называется функция e: [0,1]XR+, удовлетворяющая следующим аксиомам: e1) e()=0 тогда и только тогда, когда (x)=0 для всех x из X; e2) e() принимает максимальное значение тогда и только тогда, когда (x)=1 для всех x из X; e3) ,[0,1]X, (x)  (x)  e() e(). Примеры. 1. Мощность нечеткого множества  P () =  (xi) i 2. Информационная энергия нечеткого множества  IE() =  wi (xi) i

Слайд 20

Описание слайда:

МЕРЫ ЭНТРОПИИ НЕЧЕТКИХ МНОЖЕСТВ Пусть X – базовое множество, на котором определено нечеткое множество : X [0,1], а [0,1]X={:X[0,1]} – множество нечетких подмножеств. Мера энтропии определяется в виде функции h: [0,1]XR+, удовлетворяющей следующим условиям: h1) h() = 0 тогда и только тогда, когда (x)=f(x){0,1}, т.е. когда f–классическая характеристическая функция множества; h2) h() = hmax тогда и только тогда, когда (x) = 0.5 для всех xX; h3) ,[0,1]X, (x) (x)  h()h(). Примеры. 1. h0() =  (xi) (1- (xi)). 2. hSH() =  [(xi) ln (xi) +(1- (xi)) ln (1-(xi))] i i Известны и другие определения энтропии, в частности, А) Энтропии по А.Кофману, как нормализованного расстояния до предельно нечеткого распределения (x)=0.5, xX; B) Энтропии как расстояния между нечетким множеством и его дополнением. Согласно И.З.Батыршину, мера энтропии на алгебре может пониматься как мера ее небулевости. В общем случае энтропию можно определить через отношение предпорядка n как функцию h() = k S {T((x), n((x))}, xX где T и S – треугольная норма и конорма соответственно, n – операция отрицания, а k – константа (коэффициент нормализации).

Слайд 21

Описание слайда:

МЕРЫ СПЕЦИФИЧНОСТИ НЕЧЕТКИХ МНОЖЕСТВ Меры специфичности (неспецифичности) нечетких множеств тесно связаны с понятием гранулярности и показывают степень точности задания нечеткого множества Пусть X – базовое множество, а [0,1]X ={: X[0,1]} – множество всех нечетких подмножеств, определенных на X. Мера специфичности по Р.Ягеру [15] есть нормализованная функция нечеткого множества . sp: [0,1]X[0,1], такая что sp1) sp() = 1 тогда и только тогда, когда  есть одноточечное множество, ={xi}; sp2) sp() = 0, если  – пустое множество; sp3) ,[0,1]X, (x)  (x)  sp() sp().

Слайд 22

Описание слайда:

ФОРМИРОВАНИЕ СЕМЕЙСТВ ОПЕРАЦИЙ НАД НЕЧЕТКИМИ МНОЖЕСТВАМИ ПРЕДСТАВЛЕНИЕ ЛОГИКО-ЛИНГВИСТИЧЕСКИХ СВЯЗОК: ФУНКЦИОНАЛЬНО-АКСИОМАТИЧЕСКИЙ ПОДХОД В современной теории нечетких множеств логико-лингвистические связки «И» и «ИЛИ» определяются в виде треугольных норм и конорм, т.е. двухместных действительных функций, задаваемых на интервале [0,1]. Треугольные нормы и конормы были введены в 1951 г. К.Менгером (Menger,1951] в области стохастической геометрии, а именно с целью расширения неравенства треугольника в определении метрического пространства на случай вероятностных метрических пространств. Они были подробно изучены Б.Швейцером и А.Скларом (см. [Schweizer and Sklar,1960,1963 и1983]).

Слайд 23

Описание слайда:

ТРЕУГОЛЬНЫЕ НОРМЫ И КОНОРМЫ В ТЕОРИИ НЕЧЕТКИХ МНОЖЕСТВ В теорию нечетких множеств треугольные нормы и конормы ввели К.Альсина, Э.Трильяс и Л.Вальверде (см. [Alsina et al., 1980 и 1983; Трильяс и др., 1986] в интересах развития концепции плюрализма операций над нечеткими множествами и построения единого функционально-аксиоматического подхода к определению операций пересечения и объединения нечетких множеств. Треугольные нормы и конормы были подробно исследованы и использованы с целью упорядочения по силе различных видов пересечения и объединения нечетких множеств, а также в рамках построения новых обобщенных параметризованных нечетких операторов (семейства операторов Гамахера, Сугено,Ягера, Домби, Франка и др.). Появились меры неопределенности на базе треугольных норм и конорм, меры противоречивости и пр. См. работы [Dubois and Prade, 1980 и 1982; Klement, 1982; Weber, 1983; Yager, 1980]. Понятие треугольных полунорм и полуконорм предложили Suarez Garcia и Gil Alvarez [Suarez Garcia и Gil Alvarez, 1986]. Обобщение исходных понятий треугольных норм и конорм на случай ограниченных упорядоченных множеств предложено в работе [De Cooman and Kerre, 1994].

Слайд 24

Описание слайда:

ТРЕУГОЛЬНЫЕ ПОЛУНОРМЫ И ПОЛУКОНОРМЫ Пусть L – решетка с наименьшим элементом 0 и наибольшим элементом 1. Бинарная операция T: L  L L S: L  L  L, называется треугольной полунормой, треугольной полуконормой, если удовлетворяются следующие условия: ограниченность T(0, 0) =0, T(x, 1) = T(1, x) = x, 1) S (1, 1) = 1, S(x, 0) = S(0, х) = x,  x L; монотонность 2) x u, y v  T(x,y)  T (u,v), 2) x  u, y  v  S(x, y)  S (u, v),  x, y, u, v L.

Слайд 25

Описание слайда:

ТРЕУГОЛЬНЫЕ НОРМЫ И КОНОРМЫ Бинарная операция T: [0,1]  [0,1]  [0,1] S: [0,1]  [0,1]  [0,1] называется треугольной нормой, треугольной конормой, если удовлетворяются следующие условия: ограниченность 1) T(0, 0) =0, T(x, 1) = T(1, x) = x, 1) S (1, 1) = 1, S(x, 0) = S(0, х) = x,  x [0,1]; монотонность 2) x u, y v  T(x,y)  T (u,v), 2) x  u, y  v  S(x, y)  S (u, v),  x, y, u, v [0,1]; коммутативность 3) T(x, y) = T(y, x), 3) S(x, y) = S (y, x), x, y  [0,1]; ассоциативность 4) T(T(x, y), z) = T(x, T (y, z)), 4) S(S(x, y), z) = S(x, S (y, z)), x, y, z  [0,1]

Слайд 26

Описание слайда:

ПРИМЕРЫ ТРЕУГОЛЬНЫХ НОРМ И КОНОРМ

Слайд 27

Описание слайда:

ПАРАМЕТРИЗОВАННЫЕ ТРЕУГОЛЬНЫЕ НОРМЫ И ОТРИЦАНИЯ Примеры. 1. Семейство треугольных норм Гамахера TH TH(x,y) = x y / [ + (1 – )(x+y – xy)], 0    При =1 имеем Tp(x,y). 2. Семейство треугольных норм Сугено TS TS(x,y) = max [0, x + y – 1 – (1-x) (1 – y )], – 1     При =0 имеем Tb(x,y). 3. Семейство треугольных норм Ягера TY TY(x,y) = 1 – min [1, (1 – x)q + (1 – y)q]1/q, 0 q   При q   имеем TZ(x,y)

Слайд 28

Описание слайда:

УНИНОРМЫ Унинормы в интервале [0,1] были предложены Р.Ягером и В.Рыбаловым [Yager and Rybalov, 1996] и исследованы в работах Я.Фодора,С.-К.Ху и З.-Ф.Ли, М.Маэс. Структура унинорм подробно описана в [Fodor et al., 1997; Yager, 2001]. В общем случае нейтральный элемент e может отличаться от нуля или единицы. При e = 0 унинорма превращается в t-норму, а при e =1 она становится t-конормой. Унинормы ведут себя поочередно как операции конъюнкции и дизъюнкции в различных зонах области [0, 1]2. Для n–арной операции берется область [0, 1]n или даже произвольный гиперкуб [a,b]n. Тогда многие операции, применяемые в экспертных системах, оказываются унинормами (в частности, операции, использованные в системах MYCIN и PROSPECTOR, являются унинормами, например xy = xy / [xy + (1-x)(1-y)]. Важный класс унинорм, называемый представимыми унинормами, обладает аддитивными генераторами: g: [0,1]  [–,+], g (e) = 0, g (0) = – , g(1)= +. При этом унинорма определяется выражением f (x, y) = g–1(g(x)+g(y)

Слайд 29

Описание слайда:

УНИНОРМЫ Обобщения t-норм и t-конорм – унинормы U. Пусть L – решетка с наименьшим элементом 0 и наибольшим элементом 1. Бинарная операция U: L  L L называется унинормой, если выполняются следующие условия: наличие нейтрального элемента e L, такого, что U (x, e) = U (e, x) = x,  x L; монотонность x u, y v  U (x,y)  U (u,v),  x, y, u, v  L; коммутативность U (x, y) = U (y, x), x, y  L; ассоциативность U (U (x, y), z) = U (x, U (y, z)), x, y, z  L .