Пример готовой курсовой работы по предмету: Информационные технологии
Введение 4
1. Теория 7
1.1. Знания как объект (основные понятия) 7
1.2. Моделирование знаний. Виды моделей. Математическое моделирование, принципы построения математической модели 8
1.2.1. Проблема приобретения и представления знаний 8
1.2.2. Математические и имитационные модели 11
1.3. Инженерия знаний. Модели знаний 12
1.4. Онтологический инжениринг. Использование антологий как инструмента моделирования знаний. 16
1.4.1. Различия между онтологиями и схемами баз данных 18
1.4.2. Структура онтологии 20
1.4.3. Правила и требования к разработке онтологии 21
1.4.4. Онтологический инжиниринг 22
1.5. Моделирование знаний в конкретной предметной области — документообороте 25
1.5.1. Современные инструменты инженерии знаний 25
1.5.2. Инструменты структуризации знаний 25
1.5.3. Представление знаний и данных в онтологиях текстовых документов 27
1.5.4. Документ как информационный объект 29
1.6. Нечеткие множества в интеллектуальных системах 33
1.6.1. Нечеткие множества 33
1.6.2. Основные понятия теории нечетких множеств 34
1.7. Нечеткие множества в моделировании знаний 35
2. Практика 46
2.1. Предметная область. Построение предметной области средствами Protégé 46
2.2. Моделирование знаний в системах искусственного интеллекта 58
2.3. Проектирование интеллектуальных информационных систем 59
2.3.1. Построение онтологий на основе текстового контента с использованием нечеткой логики 59
2.3.2. Нечеткая логика и определение нечеткого значения 60
2.3.3. Обновление нечеткого значения 63
2.3.4. Применение на примере документообороте 66
Заключение 69
Литература 70
Содержание
Выдержка из текста
Объект исследования – инструменты моделирования знаний.Целью настоящей работы является –теория нечетких множеств, как инструмент моделирования знаний. Проанализировать возможность применения нечетких множеств как инструмента моделирования знаний.
Надо отметить, что действительно, используя такой подход, становится возможным четко определять многие понятия, которые являются нечеткими по самой своей природе: хороший, высокий, слабый, умный, глупый и так далее. При этом, нечеткая логика дает возможность строить базы знаний и экспертные системы нового поколения, способные хранить и обрабатывать неточную информацию как существенную. Разные системы, реально существующие на процессах нечеткой логики, давно разработаны и практически внедрены в таких областях работы, как, например, управление технологическими процессами, управление транспортом, и управление бытовой техникой, и медицинская и техническая диагностика, и финансовый менеджмент, и финансовый анализ, и биржевое прогнозирование, и распознавание образов, и исследование рисковых, а также критических операций, и прогнозирование землетрясений, и составление автобусных расписаний, и климатический контроль в зданиях разной функциональной направленности.
В первой главе курсовой работы рассматриваются теоритические аспекты нечеткой логики для анализа финансовой устойчивости предприятия, а также применение нечетких множеств для анализа экономической деятельности предприятия. Вторая глава посвящена анализу инвестиционного проекта для Кирпичного завода, расчету показателей чистой современной стоимости инвестиций, оценки степени риска инвестиционного проекта.
В таких случаях более предпочтительно компьютерное моделирование, которое, тем не менее, нельзя без использования математических моделей исследуемых процессов и объектов или проектируемых изделий. Заде [2], он связан с введением так называемых лингвистических переменных величин, которые описывают нечеткое (неточное) отражение человеком окружающей действительности. Для этого было введено определение нечеткого множества и разработана теория нечетких множеств, которая включила в себя обычные множества как частный случай.
Триумфальное шествие нечеткой логики по миру началось после до-казательства в конце 80-х Бартоломеем Коско знаменитой теоремы FAT (Fuzzy Approximation Theorem).
В бизнесе и финансах нечеткая логика получила признание после того как в 1988 году экспертная система на основе нечетких правил для прогнозирования финансовых индикаторов единственная предсказала биржевой крах. И количество успешных fuzzy-применений в настоящее время исчисляется тысячами.
В подобных случаях наиболее целесообразно воспользоваться такими методами, которые специально ориентированы на построение моделей, учитывающих неполноту и неточность исходных данных. Именно в таких ситуациях технология нечеткого моделирования оказывается наиболее конструктивной, поскольку за последнее десятилетие на ее основе были решены сотни практических задач управления и принятия решений.
В основе нечеткой логики лежит теория нечетких множеств, где функция принадлежности элемента множества не бинарная (да / нет), а может принимать любое значение в диапазоне 0-1. Это дает возможность определять понятия, нечеткие по самой своей природе: "хороший", "высокий", "слабый" и т.д. Нечеткая логика дает возможность строить базы знаний и экспертные системы нового поколения, способные хранить и обрабатывать неточную информацию. Системы, основанные на нечеткой логике, разработаны и успешно внедрены в таких областях, как управление технологическими процессами, управление транспортом, управление бытовой, техникой, медицинская и техническая диагностика, финансовый менеджмент, финансовый анализ, биржевое прогнозирования, распознавания образов, исследования рисковых и критических операций , прогнозирования землетрясений, составление автобусных расписаний, климатический контроль в зданиях.
Как правило, такую модель трудно или слишком дорого получить.Системы с нечеткой логикой, а именно теория нечетких множеств и основанная на ней нечеткая логика, на сегодня является одним из важнейших формализмов, используемых в искусственном интеллекте для моделирования неопределенности в знаниях. Нечеткая логика лежит в основе приближенных (нечетких) соображений и в последние годы является наиболее популярным инструментом, который используется в системах нечеткого вывода для решения проблем в нечетких, неопределенных условиях.
Теория нечеткой логики — это новый подход к оценке риска, динамично развивается. В последнее время нечеткое моделирование является одним из наиболее активных и перспективных направлений прикладных исследований в области управления и принятия решений
2. Разработать экспертную систему в среде MATLAB, которая была бы реализована на основе нечеткого вывода и позволяла бы определять, выдавать кредит заемщику или нет. А также, сумму кредита, в случае положительного ответа.
Пусть, например, Х – множество всех людей в какой-то момент времени, а А – подмножество всех молодых людей. Можно ли о конкретном человеке в возрасте
3. лет сказать – молодой он или нет? По-видимому, нельзя, и само подмножество молодых людей носит расплывчатый, нечеткий характер.
Исторически, судоремонтные заводы (СРЗ) строились и управлялись по аналогии с судостроительными предприятиями и не учитывали особенности единичного типа судоремонтного производства. Пока развитие флота шло путем сооружения серий из десятка одинаковых судов, их закрепление за базами ремонта позволяло достаточно эффективно выполнять ремонтные работы
Для реализации нечеткой модели был обоснован выбор программных средств. Программная реализация выполнена на языке программирования системы Matlab, с использованием моделя Fuzzy Logic Toolbox и фреймворка Guide.
Мощь и интуитивная простота нечеткой логики как методологии разрешения проблем гарантирует ее успешное использование во встроенных системах контроля и анализа информации. При этом происходит подключение человеческой интуиции и опыта оператора.
Список источников информации
1. Джексон П. Введение в экспертные системы, 3-е издание, Москва, «Вильямс», 2001 г.
2. Морозов М. Н., Курс лекций по дисциплине «Системы искусственного интеллекта», Марийский государственный технический университет, г. Йошкар-Ола, http://www.marstu.mari.ru:8101/mmlab/home/AI/index.html
3. Джордж Ф. Люггер, Искусственный интеллект. Стратегии и методы решения сложных проблем. Москва, «Вильямс», 2003 г.
4. Андреев А.М., Березкин Д.В., Рымарь В.С., Симаков К.В. Использование технологии SemanticWeb в системе поиска несоответствий в текстах документов. //URL: http://www.inteltec.ru/publish/articles/textan/rimar_RCDL2006.shtml
5. Гладун А.Я., Рогушина Ю.В. Онтологии в корпоративных системах, Часть II // Корпоративные системы № 1 / 2006 //URL: http://www.management.com.ua/ims/ims 116.html
6. Добров Б.В., Иванов В.В., Лукашевич Н.В., Соловьев В.Д. Курс из
1. презентаций: «Онтологии и тезаурусы». //URL: http ://download.yandex.ru/class/solovyev/plan.pdf ;
7. Михаленко П. Язык онтологий в Web. //URL: http://www.osp.ru/os/2004/02/183921/
8. Мудрая О.В. , Бабич Б.В. , Пьяо С.С. , Рейсон П. , Уилсон Э. Разработка инструментария для семантической разметки текст // Труды международной конференции «Корпусная лингвистика-2006». Издательства СПбГУ и РХГА, 2006.
9. Загорулько Ю.А., Кононенко И.С., Сидорова Е.А., Костов Ю.В. Подход к интеллектуализации документооборота // Информационные технологии, 2004. № 11, С.2-11.
10. Жигалов В.А., Жигалов Д.В., Жуков А.А., Кононенко И.С., Соколова Е.Г., ТолдоваС.Ю.. Система Alex как средство для многоцелевой автоматизированной обработки текстов // Труды международного семинара Диалог’ 2002 «Компьютерная лингвистика и интеллектуальные технологии». М.: Наука, 2002. Т.2, С.192-208.
11. Кононенко И.С., Сидорова Е.А. Обработка делового письма в системе документооборота // Труды международного семинара Диалог’ 2002 по компьютерной лингвистике и ее приложениям. М.: Наука, 2002. Т.2, С. 299– 310.
12. Гершензон Л.М., Ножов И.М., Панкратов Д.В. Система извлечения и поиска структурированной информации из больших текстовых массивов СМИ. Архитектурные и лингвистические особенности. // Труды международной конференции Диалог’ 2005 «Компьютерная лингвистика и интеллектуальные технологии». М.: Наука, 2005. С. 97– 101.
13. Сидорова Е.А. Технология разработки тематических словарей на основе сочетания лингвистических и статистических методов // Труды международной конференции Диалог’ 2005 «Компьютерная лингвистика и интеллектуальные технологии». М.: Наука, 2005. С.443-449.
14. Гаврилова ТА., Хорошевский В.Ф. Базы знаний интеллектуальных систем / Учебник для вузов. – СПб, Изд-во “Питер”, 2000.
15. Гаврилова Т.А., Лещева И.А., Лещев Д.В., 2000. Использование онтологий в качестве дидактического средства // М.”Искусственный интеллект” N3. — с.34-39.
16. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем. Учебник.- СПб, Изд-во «Питер», 2001.
17. Воинов А., Гаврилова Т. А., Данцин Е. Я., 1996. Язык визуального представления знаний и его место в САКЕ-технологии // Журнал Известия РАН, Теория и системы управления, N2. — c.146-151.
18. Тельнов Ю.Ф. Интеллектуальные информационные системы. — М.: Московский государственный университет экономики, статистики и информатики, 2003. — 26 с.
19. Кравченко Ю.А. Принятие решений в информационных системах на основе нечеткого моделирования // Российская академия наук. Научный журнал. Известия КБНЦ РАН.- 2013. — № 1 (51).
- С. 21-26.
20. Курейчик В.В., Родзин С.И. О правилах представления решений в эволюционных алгоритмах // Известия ЮФУ. Технические науки. — 2010. — № 7 (108).
- С. 13-21.
21. Курейчик В.М. Особенности построения систем поддержки принятия решений // Известия ЮФУ. Технические науки. — 2012. — № 7 (132).
- С. 92-98.
22. Научная библиотека КиберЛенинка: http://cyberleninka.ru/article/n/integrirovannaya-model-predstavleniya-znaniy-na-osnove-metoda-nechetkogo-modelirovaniya#ixzz 3vWwCUBab
23. Асаки K., ВатадаД.,Иваи С. и др. Прикладные нечеткие системы/ Пер. с япон.; под ред. Тэрано T., Сугэно M. — M.: Мир, 1993. — 368 с.
24. Заде Л.А. Основы нового подхода к анализу сложных систем и процессов принятия решений// Математика сегодня: Сборник статей; пер. с англ. — M.: Знание, 1974. — C.5- 49.
25. Заде Л. Понятие лингвистической переменной и ее применение к принятию приближенных решений/ Пер. с англ. Колмогоров A.H., Новиков С.П. — M.: Мир, 1976. -165 с.
26. НовакВ., Перфильева И., МочкоржИ. Математические принципы нечеткой логики/ Пер. с англ. подред. АверкинаА.Н. — M.: ФИЗМАТЛИТ,2006. — 352 с.
27. Орловский C.A. Проблемы принятия решений при нечеткой исходной информации. — M.: Радио и связь, 1981. — 286 с.
28. Штовба С.Д. Введение в теорию нечетких множеств и нечеткую логику.
список литературы
