1.

Definirea atributelor unui sistem inteligent (cu IA) subiect minimal.

R: Inteligenta artificiala este acea ramura a stiintei care se ocupa cu studierea metodelor de a face ca masinile sa rezolve sarcini specifice inteligentei umane. Un sistem nu poate fi sistem inteligent daca nu are capacitatea de a invata (de a autoinvata) conditie necesara dar nu si suficienta. Un alt atribut este capacitatea de rationament in conditii aproximative. De asemenea sistemul inteligent trebuie sa aiba comportament autonom (autodiagnoza, automentenanta, autoreconfigurare).

2. Modele ale IA si aplicatii practice (tehnice). R: Modelele IA sunt: - Pur software (sisteme suport pentru decizii, sisteme expert) - Retele neuronale artificiale (modele conexioniste hardware si software) - Sisteme cu logica fuzzy - Algoritmi genetici si strategii evolutioniste - AL Artificial Life 3. Rationamentul aproximativ in IA (cu exemplificare pt un sistem de control automat). (Zadeh) R: Sistemele fuzzy fiind instrumente de modelare a rationamentului aproximativ sunt asociate (etichetate) cu termeni lingvistici. Termenii lingvistici sunt etichete ce sugereaza atribute ale variabilelor fizice. In acest context apartenenta confetita de functiile m se refera la acordarea de grade de adevar unor asertiuni / afirmatii referitoare la variabilele fizice.

4.

Logica multivalenta (prezentare comparativa cu logica binara).

R: Spre deosebire de logica clasica (binara), in care valorile de adevar sunt in multimea {0, 1}, in logica fuzzy se lucreaza cu valori de adevar in intervalul [0,1]. Corespondente intre logica binara si logica fuzzy: Logica binara variabile Valori de adevar AND OR NOT implicatia Logica fuzzy Variabile lingvistice (variabile fuzzy) Atribute lingvistice (multimi fuzzy) Intersectie (minim) Reuniune (maxim) Complementarea multimii fuzzy Implicatia fuzzy

5. Conceptul de multime fuzzy. Proprietati si exemple. R: O multime fuzzy este o pereche (X, u), unde X este o multime numita univers de discurs si u:X [0,1] este functia de apartenenta a multimii fuzzy. Exista mai multe tipuri de multimi fuzzy: forme liniare care pot fi triunghiulare (functii A) sau trapeziodale (functii ); si forme neliniare. Proprietati: - Convexitatea: Daca unei valori fuzzy ii corespund mai multe valori ale unei variabile fizice atunci multimea este nonconvexa.

- Proprietati cantitative: suportul multimii fuzzy este intervalul pe care m are valori nenule; width(M) marimea suportului (scalar) ; nucleus(M) valoarea variabilei x pentru care m(x) = 1; inaltimea: max(m(x));

6.

Operatii in logica fuzzy: T-norme, S-norme cum se face negatia si implicatia.

R: T-normele sunt operatori generalizati pentru operatia de intersectie (minim) dintre doua multimi fuzzy: M N = m M N (x) = MIN (mM (x) , mN (x)) S-normele sunt operatori generalizati pentru operatia de reuniune (maxim) dintre doua multimi fuzzy: M U N = m M U N (x) = MAX (mM (x) , mN (x)) Operatia de complementare: CM = 1- mM (x) Implicatia: Larsen: mp-->q = mp*m+q Zadeh I: mp-->q = min(1,1-mp+mq) Zadeh II: mp-->q = min{ max[mp,mq], 1-mp} Mandani: mp-->q = min(mp,mq) Logica booleana: mp-->q = max[mp, mq] 7. Reguli si baze de reguli in sistemele cu logica fuzzy (structura de baza, Mandani si Sugeno; proprietati). R: Structura de baza a unei reguri: Mandani: If <premisa> then <consecinta>, unde premisa este o suma de ipoteze (propozitii logice) iar consecinta este o suma de concluzii. Sugeno: If <premisa> then y= ax1+bx2+.; unde premisa este o suma de ipoteze (propozitii logice) Proprietati ale Bazelor de reguli fuzzy: - Completitudinea: O BRF este completa daca pentru orice combinatie a valorilor de intrare exista o valoare de iesire corespunzatoare. - Consistenta: se considera ca un set de reguli fuzzy este consistent daca toate regulile care au aceleasi premise au aceeasi concluzie, in caz contrat BRF este inconsistenta. - Continuitatea: Un set de reguli fuzzy este continuu daca oricare dintre doua reguli invecinate au iesiri fuzzy care se intersecteaza.

8.

Mecanisme de inferenta fuzzy.

R: Inferenta logica este operatia prin care se determina valoarea de adevar a concluziei din regula respectiva. Mecanismele de inferenta sunt reprezentate de Mandani si Sugeno. -Strateii de control /cautare care traverseaza baza de reguli pt a trage concluzi referitaore la valoarea de adevar a concluziilor.

9.

Codificarea iesirii fuzzy si defuzificarea.

R: Defuzificarea este procesul de obtinere a valorii numerice (ce va ajunge la iesirea sistemului) pe baza multimii fuzzy furnizata de motorul de inferente fuzzy.

Modul in care se asociaza unei multimi fuzzy o marime exacta reprezentativa pt acea multime.

10.

Metode de defuzificare si particularitati ale acestora

R: Metode de defuzificare: - metode de suprafata (arie) - metode suprafetei compuse - suma ariilor -metoda celei mai mari suprafete (convexe) - metode de maxim metoda mediei maximului - metoda primului maxim - metoda ultimului maxim - metode de inaltime 11. R: - Stabilirea universului de discutie pentru variabilele de intrare si de iesire ale sitemului fuzzy; - Modelarea multimilor fuzzy pentru aceste variabile; - Gasirea relatiilor dintra intrari si iesiri si intocmirea regulilor; - Specificarea metodei de defuzificare - Integrarea sistemului fuzzy intr-un model Simulink pentru testarea si simularea acesuia. 12. Arhitectura hardware de baza a unui procesor fuzzy Etapele de proiectare si modelare simulativa a sistemelor fuzzy.

R: Laborator 1: schema cu cele 3 blocuri (fuzificare, motor de inferente si defuzificare). 13. Sisteme neuronale artificiale. Structura neuronului artificial si functionarea sa ca procesor de semnal. R: Structura si functionarea - cursul 7

14. Conceptul de RNA structura si mod de prelucrare a datelor. Neuronul ADALINE (adaptive linear neuron). R: Reelele neurale artificiale sunt o ramur din tiina inteligenei artificiale, i constituie totodat, principial, un obiect de cercetare i pentru neuroinformatic. Reelele neurale artificiale caracterizeaz ansambluri de elemente de procesare simple, puternic interconectate i opernd n paralel, care urmresc s interacioneze cu mediul nconjurtor ntr-un mod asemntor creierelor biologice i care prezint capacitatea de a nva. Structura cursul 7 : Modelul RNA Perceptron Schema de la cursul 7 cu ADALINE

15. Aplicatii ale RNA: exemplu de retea neuronala simpla pt clasificarea punctelor in spatiu cu 4 neuroni. Rezolvarea in curs dupa tabelul de la cursul 8.

16. Multistrat

Aplicatii de RNA pentru invatarea si recunoasterea de forme Perceptron

Cursul 10

17.

Legi si principii de invatare ale RNA

Principiul general al invatarii supervizate: Wij (tk+1) = Wij (tk) + c*xi*r , unde c este cnstanta de invatare (rata invatarii), xi sunt intrarile, iar r este semnalul de invatare. Rata de invatare este o marime care ne da convergenta de invatare. Fiecare epoca de invatare este compusa din mai nulte procese iterative la nivelul retelei. Elementele de baza ale invatarii supervizate sunt seturile de intrare (x) si cele de iesire (y). Aceste doua seturi se numesc perechi de invatare. Seturile de invatare se numesc sabloane. In cazul invatarii nesupervizate reeaua extrage singur anumite caracteristici importante a datelor de ieire, n urma unui gen de competiie ntre neuronii elementari. Sisteme inteligente bioinspirate: Algoritmi genetici si sisteme evolutive.

R: Cursul 12, dar n-am inteles nimic.