määramiseks, vaid ka skeemi projekteerimiseks, seega sünteesiülesande lahendamiseks. 12. Lõplike elementide meetodi põhiidee? Lõplike elementide meetodi põhiidee on, et uuritava objekti mingit omadust väljendavat pidevat funktsiooni võib aproksimeerida (lähendada) diskreetse mudeliga, mis koosneb tükiti pidevatest funktsioonidest. Lühemalt, lõplike elementide meetodi põhiidee on mingi otsitava pideva funktsiooni aproksimeerimine diskreetse mudeliga, mis koosneb hulgast tükiti pidevatest funktsioonidest. Funktsioonidena kasutatakse lineaar-, ruut-, või kuuppolünoome. 13. LEM-i rakendamise põhiskeem? Lõplike elementide meetodi rakendamise põhiskeem on lühidalt järgmine: 1. Uuritava objekti vaadeldavas piirkonnas (määramispiirkonnas) fikseeritakse lõplik arv punkte. Neid nimetatakse sõlmpunktideks ehk lihtsalt sõlmedeks. 2
5 Õppimise ülesanded Loomulikult sõltub närvivõrgu tüübi ning õppimise algoritmi valik lahendatavast ülesandest. tehisnärvivõrke kasutatakse väga edukalt erinevates inimtegevuse valdkondades: majanduses, meditsiinis, tehnikas, füüsikas, keemias ja nii edasi. Saab eraldada järgmisi õppimise ülesandeid, mis mõjuvad närvivõrgu struktuuri valikule. 17 1. Lähendamine (Aproksimeerimine) Olgu antud tundmatu mittelineaarse funktsiooni g () sisendite x ja nendele vastavate väljundite d hulk: d = g (x) . (1.22) Lähendamise ülesandeks on konstrueerida sellise närvivõrgu, et ta realiseeriks funktsiooni g (x) , st iga tema sisendi x puhul, närvivõrgu väljund d nn peab olema võrdne funktsiooni g (x) väärtusega d (või temast kuivõrd võimalikult lähedal):
5 Õppimise ülesanded Loomulikult sõltub närvivõrgu tüübi ning õppimise algoritmi valik lahendatavast ülesandest. tehisnärvivõrke kasutatakse väga edukalt erinevates inimtegevuse valdkondades: majanduses, meditsiinis, tehnikas, füüsikas, keemias ja nii edasi. Saab eraldada järgmisi õppimise ülesandeid, mis mõjuvad närvivõrgu struktuuri valikule. 17 1. Lähendamine (Aproksimeerimine) Olgu antud tundmatu mittelineaarse funktsiooni g () sisendite x ja nendele vastavate väljundite d hulk: d = g (x) . (1.22) Lähendamise ülesandeks on konstrueerida sellise närvivõrgu, et ta realiseeriks funktsiooni g (x) , st iga tema sisendi x puhul, närvivõrgu väljund d nn peab olema võrdne funktsiooni g (x) väärtusega d (või temast kuivõrd võimalikult lähedal):
4. Närvivõrgu väljundi arvutus etalon sisendväärtuste alusel. 5. Mudeli vea leidmine võrreldes närvivõrgu väljundeid objekti etalonväljunditega. Joonis 4.1 Identifitseerimine Joonis 4.2 Närvivõrk süsteemi mudelina - + Süsteem Närvivõrk U Ys E ∆W, ∆B Ym Uute parameetrite arvutus õpetamisalgoritmi alusel 29 6. Uute parameetrite (kaalukoefitsientide ja nihete) arvutus valitud õpetamisalgoritmi alusel. Õppimise ülesanded: 1. Lähendamine (Aproksimeerimine) Olgu antud tundmatu mittelineaarse funktsiooni g(⋅) sisendite x ja nendele vastavate väljundite d hulk: d = g(x). Lähendamise ülesandeks on konstrueerida sellise närvivõrgu, et ta realiseeriks funktsiooni g(x) , st iga tema sisendi x puhul, närvivõrgu väljund dnn peab olema võrdne funktsiooni g(x) väärtusega d (või temast kuivõrd võimalikult lähedal): g(x) g (x) ≈ nn, kus ) g (x nn on närvivõrguga realiseeritav funktsioon. Lähendamise ülesande
Reaalses elus aga on juhitavad süsteemid tavaliselt mittelineaarsed ja mittelineaarsetel süsteemidel ei eksitsteeri ülekandefunktsioone. Ülekandefunktsioonid on erinevad iga tööpunkti ümbruses. Tehisnärvivõrgud on võimelised aproksimeerima suvalise pidevat sealhulgas ka mittelineaarset funktsiooni. Süsteemijärk peab olema teada. Mittelineaarsete süsteemide identifitseerimine on dünaamiliste mittelineaarsete funktsioonide aproksimeerimine. Dünaamiliste protsesside modelleerimiseks, tuuakse närvivõrkude arhitektuuri tagasiside (sest närvivõrk on dünaamiline) ehk närvivõrkude kasutamine võimaldab juhtida mittelineaarseid süsteeme. Klassikaline hulgateooria ja hägus hulgateooria. Hägusate hulkade omadused. Tehted hägusate hulkadega. Hägus tükeldus. Hägusad süsteemid. Liikmesfunktsioonid. Järeldusalgoritm. Häguärastamine. Hägusate süsteemide konstrueerimine ja kasutamine süsteemide modelleerimisel.
Aristoteles on surelik (JO) kus (H) on hüpoteetiline seaduspärasus, (T) algandmed ehk tõik (fakt), (JO) järeldusotsustus Empiirilise asjaolu seletus: Aristoteles on surelik sellepärast, et Aristoteles on inimene ja inimesed on surelikud Füüsikas tuntuim on Hempel-Oppenheimi deduktiiv-nomoloogiline mudel Abduktsioon: järeldamine „parimale“ (paremini tõendatud) seletusele. 4) Kaalumise ja lähendamise meetodid aproksimeerimine printsiipide kaalumine (sh 2-astmeline kaalumine antud juhtumi lahenduselt kõigi sarnaste juhtumite sarnase lahenduse kogumõjule: tm sõnavabaduse printsiibi ja au ja väärikuse kaitse printsiibi kaalumine interneti-sõimu-juhtumi suhtes) teabe võrdlev täpsustamine (tm kahe osaliselt kattuva sisuga dokumendi võrdlemise tulem) jt 5) Teoreetiline rekonstrueerimine ja modelleerimine (kompleksmeetodid)
täidetakse pärast regulaatori väljundfunktsiooni programmi. Sarnaste piirangute korral võib piirangute alamprogrammi kasutada korduvalt erinevate regulaatorite juures, muutes seejuures vaid piirangufunktsiooni parameetrite arvväärtusi. Algoritmis sisalduvaid matemaatilisi funktsioone arvutatakse sageli ligikaudsete meetoditega. Niisuguste meetodite hulka kuuluvad näiteks mittelineaarsete funktsioonide esitamine tabelitena või nende aproksimeerimine tükiti lineaarsete või polünomiaalsete funktsioonidega. See tähendab, et suurt toimekiirust nõudvates ajamites tuleb mikroarvuti ebapiisava toimekiiruse tõttu minna arvutuste täpsuse ja nende täitmise kiiruse valikul kompromissile. 134 ALGUS Sisestus x1x2 y1y2
annaabi.ee 
