Računska inteligencija | seminarski diplomski

Ovo je pregled DELA TEKSTA rada na temu "Računska inteligencija". Rad ima 98 strana. Ovde je prikazano oko 500 reči izdvojenih iz rada.
Napomena: Rad koji dobjate na e-mail ne izgleda ovako, ovo je samo DEO TEKSTA izvučen iz rada, da bi se video stil pisanja. Radovi koje dobijate na e-mail su uređeni (formatirani) po svim standardima. U tekstu ispod su namerno izostavljeni pojedini segmenti.
Uputstvo o načinu preuzimanja rada možete pročitati OVDE.

Seminarski rad: Soft Computing raˇunska inteligencija c (Computational Intelligence)
Popovi´ Zoran c Centar za multidisciplinarne studije Univerzitet u Beogradu 4. septembar 2006
Saˇetak z Ovaj tekst je zamiˇljen kao pregled sadrˇaja knjiga i radova iz s z A oblasti raˇunske inteligencije. Rad je pisan pomo´u TEX-a tj. L TEX-a c c kao njegovog dijalekta i jfig alata - [PG] i [TB].
Soft Computing - raˇunska inteligencija (Computational Intelligence) c
1
Sadrˇaj z
1 Poglavlje 1 - Soft Computing, uvod 2 Fazi logika i fazi sistemi 2.1 Uvod . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.2 Fazi skupovi - osnovni pojmovi i definicije . . . . . . . . 2.3 Operacije i relacije nad fazi skupovima . . . . . . . . . . 2.4 Fazi relacija . . . . . . . . . . . . . . . . . . . . . . . . . 2.4.1 Fazi relacije indukovane preslikavanjem . . . . . . 2.5 Konveksnost, ograniˇenost i druge osobine . . . . . . . . c 2.6 Reprezentovanje, princip proˇirenja . . . . . . . . . . . . s 2.7 Lingvistiˇke promenljive, t-norme i s-norme . . . . . . . c 2.8 Fazi logika i fazi zakljuˇivanje . . . . . . . . . . . . . . . c 2.8.1 Konaˇna Bulova algebra . . . . . . . . . . . . . . c 2.8.2 Percepcija, Haseov dijagram strukture BA . . . . 2.8.3 Generalizovan Bulov polinom . . . . . . . . . . . 2.8.4 Logiˇka agregacija i primer mreˇe . . . . . . . . . c z 2.8.5 Fazi logika, formalna definicija . . . . . . . . . . . 2.8.6 Hajekov pristup, fazi teorija modela i ontologije . 2.8.7 Zadeov pristup . . . . . . . . . . . . . . . . . . . 2.8.8 Kompoziciono pravilo zakljuˇivanja . . . . . . . . c 2.8.9 Max-Min zakljuˇivanje . . . . . . . . . . . . . . . c 2.8.10 Max-Proizvod zakljuˇivanje . . . . . . . . . . . . c 2.8.11 Pravila sa viˇe premisa, viˇe pravila i procedura s s kljuˇivanja . . . . . . . . . . . . . . . . . . . . . . c 2.9 Defazifikacija (Defuzzification) . . . . . . . . . . . . . . . 2.10 Kompleksnost i izraˇunljivost . . . . . . . . . . . . . . . c 2.11 Fazi logika i alternativne teorije verovatno´e . . . . . . . c ˇ 2.11.1 Dempster-Sejferova teorija . . . . . . . . . . . . . 2.11.2 Zakljuˇivanje s uverenjem . . . . . . . . . . . . . c 2.11.3 Mere verovanja i neverovanja i ukupno uverenje . 2.11.4 Propagiranje uverenja . . . . . . . . . . . . . . . 2.11.5 Mogu´nost i potrebnost . . . . . . . . . . . . . . c 2.12 Raˇunanje s reˇima . . . . . . . . . . . . . . . . . . . . . c c 2.13 Fazi algoritmi . . . . . . . . . . . . . . . . . . . . . . . . 4 5 5 5 7 10 10 10 11 12 16 17 18 21 24 25 27 28 29 30 31 32 34 35 35 36 37 37 38 39 40 46
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . za. . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2
Seminarski rad 47 47 48 53 56 58 62 63 64 66 66 67 68 68 70 71 71 71 73 75 76 77 79 79 79 80 81 81 82 82 84 86 86 87 88 88 89
3 Neuronske mreˇe z 3.1 Uvod . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.2 Osnovni model neurona . . . . . . . . . . . . . . . . . . 3.3 Grupisanje neurona i struktura NM . . . . . . . . . . . 3.4 Obuka i uˇenje NM . . . . . . . . . . . . . . . . . . . . c 3.5 Propagiranje unazad . . . . . . . . . . . . . . . . . . . 3.5.1 Varijante povratnog propagiranja . . . . . . . . 3.5.2 Perceptron . . . . . . . . . . . . . . . . . . . . . 3.5.3 (M)ADALINE . . . . . . . . . . . . . . . . . . . 3.6 Vrste NM i oblasti primene . . . . . . . . . . . . . . . . 3.7 NM takmiˇenja, klasifikacije i druge . . . . . . . . . . . c 3.7.1 Kvantizacija vektora sa uˇenjem . . . . . . . . . c 3.7.2 Protiv-propagaciona NM (Counter-propagation) 3.7.3 Adaptivno-rezonantna teorija (ART) . . . . . . 3.7.4 Stohastiˇke (verovatnosne) NM . . . . . . . . . c 3.8 (Neo)kognitron . . . . . . . . . . . . . . . . . . . . . . 3.9 Asocijaciranje podataka . . . . . . . . . . . . . . . . . 3.9.1 Asocijativne memorije, BAM . . . . . . . . . . 3.9.2 Hofildove memorije . . . . . . . . . . . . . . . . 3.9.3 Hemingova mreˇa . . . . . . . . . . . . . . . . . z 3.9.4 Bolcmanova maˇina . . . . . . . . . . . . . . . . s 3.9.5 Prostorno-vremensko prepoznavanje . . . . . . . 4 Genetski algoritmi 4.1 Uvod . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.2 Kodiranje i problemi optimizacije . . . . . . . . . . . 4.3 Kanonski GA . . . . . . . . . . . . . . . . . . . . . . 4.3.1 Operatori GA . . . . . . . . . . . . . . . . . . 4.3.2 Primer kanonskog GA . . . . . . . . . . . . . ˇ 4.4 Seme, teorema ˇeme i posledice . . . . . . . . . . . . s 4.4.1 Uloga i opis prostora pretrage . . . . . . . . . 4.4.2 Teorema ˇeme . . . . . . . . . . . . . . . . . . s 4.4.3 Binarni alfabet i n3 argument . . . . . . . . . 4.4.4 Kritike ˇema teoreme, uopˇtena teorema ˇeme s s s 4.5 Ostali modeli evolucionog raˇunanja . . . . . . . . . . c 4.5.1 Dˇenitor . . . . . . . . . . . . . . . . . . . . . z 4.5.2 CHC . . . . . . . . . . . . . . . . . . . . . . . 4.5.3 Hibridni algoritmi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
...

CEO RAD MOŽETE PREUZETI NA SAJTU: WWW.MATURSKIRADOVI.NET