Wetenschap en technologie » Technologie » KUNSTMATIGE INTELLIGENTIE EN DE SUBGEBIEDEN HIERVAN.

KUNSTMATIGE INTELLIGENTIE EN DE SUBGEBIEDEN HIERVAN.

Wat is kunstmatige intelligentie.

Kunstmatige intelligentie is een gebied dat een interactie met verschillende gebieden van studies "van de gebieden voor algemeen gebruik, Als learning and perceptie aan specifieke taken zoals schaken spelletjes". (RUSSELL, NORVIG, 2004, p. 3).

Het idee van AI is te automatiseren en te systematiseren kennis en intellectuele taken genereren van potentiële toepassingen elk gebied van toepassing is wiskunde, Computing, Robotica, waardoor een universele gebied met hulpprogramma ondersteuning voor een breed scala aan toepassingen.

Het eerste concept van kunstmatige intelligentie is gebaseerd op intelligente agenten interactie met omgevingen, gebaseerd op de systemische concept van binnenkomst, verwerking en uitvoer, We kunnen definiëren een intelligent agent. De input elementen van een intelligent agent heten perceptie.

"De percepties van de agent is het volledige verhaal van alle de agent ooit opgevallen" (RUSSELL, NORVIG, 2004, p. 34).

Elke beslissing van een intelligent agent is gebaseerd op hun perceptie, wiskundig is de agent in functie van hun waarnemingen, een ander concept van een intelligent agent is het concept van rationaliteit.

"Een rationele agent is iemand die alles doet recht in conceptuele termen, elke vermelding in de tabel wedstrijden die de functie van agent correct wordt gevuld". (RUSSELL, NORVIG, 2004, p. 35).

Het idee zou zijn om te registreren de gegevens correct en bewuste waarneming in een database gebruikt het systemische model.

Een ander criterium gebruikt om te bepalen van het concept van een intelligent agent prestatiemaatstaven,

"Een performance maatregel belichaamt het criterium voor het meten van het succes van het gedrag van de agent". (RUSSELL, NORVIG, 2004, p. 36).

In een omgeving, de agent genereert een reeks acties door middel van de percepties die hij had, Dus, tot oprichting van een criterium om de volgorde van acties met een gewenste criterium vergelijken.

Een intelligent agent gebaseerde voor zijn intelligentie het concept van rationaliteit, het idee van rationaliteit komt te analyseren de percepties en te handelen naar behoren het genereren van een actie die komen overeen met de maatregel van de prestaties, de maatregel van de prestaties is analoog aan een object gebruikt voor het besturingselement met de naam feedback.

"De prestaties maatregel waarin de criteria voor succes, de vorige kennis dat de agent het milieu heeft, de acties die de agent kan worden uitgevoerd, de volgorde van de percepties van de agent door de tijd". (RUSSELL, NORVIG, 2004, p. 36).

De vorige criteria definiëren een rationele agent, omvat alle eerdere mogelijkheden om te vormen van een intelligent agent, de laatste 3 factoren voor de ontwikkeling van een intelligent agent zijn alwetendheid, leren en autonomie.

"Een alwetende kent van de daadwerkelijke resultaten van hun acties en kan handelen volgens het; Echter, alwetendheid is in werkelijkheid onmogelijk. ” (RUSSELL, N., 2004, p. 37).

Ideaal voor het begrijpen van dit concept is om te veronderstellen dat de rationaliteit niet de perfecte ding is, het idee van rationaliteit is om de verwachte prestaties voor de intelligente agent te optimaliseren.

"De initiële configuratie van de agent kan weerspiegelen in sommige eerdere kennis van de omgeving maar, Als we ervaring opdoen, Dit kan worden gewijzigd en uitgebreid"(RUSSELL, N., 2004, p. 39).

Het idee van het verwerven van ervaring en haar structuur ontwikkeld in de vorige acties wijzigen, brengt het leerproces aan het slimme systeem ontwikkeld, het leerproces wijzigt u de werking van de intelligente agent waardoor hetzelfde hebben autonomie op het milieu en tot de ontwikkeling van de omschreven taken.

"Een rationele agent moet worden als hij moet leren wat ik kan om make-up voor voorkennis of onjuist" (RUSSELL, N., 2004, p. 38).

Tot slot moeten de intelligent agent autonoom zijn bij het oplossen van fouten die worden gegenereerd in de vorige percepties en de data acquisitie proces ontwikkeld in het leerproces.

Al deze begrippen zijn aangepast voor ieder gereedschap van de ontwikkeling op het gebied van IA, welke functies moet de intelligent agent zodat hun werk kan worden ontworpen en geoptimaliseerd gedurende het hele jaar van elke activiteit.

Hazy of Fuzzy logic.

Zodra u begrijpen wat zijn de acties van de noodzakelijke toepassing van een intelligent agent en hulpprogramma's voor het genereren van de gegevens behandeling optimalisatie die zal het genereren van kennis ten behoeve van agent, door hun perceptie van de vorige acties. De gegevens en informatie van eerdere waarnemingen zijn vaak een beetje groot en soms gedeeltelijk onbekende in de natuur, het idee voor dit soort milieu en voor de behandeling van dit soort opvattingen is het gebruik van een "fuzzy logic".

"De logica Nebula (fuzzy logic) Laat de behandeling van expressies met variabelen beschreven in precies dezelfde vorm" (VIREAK, N.; YONEYAMA, T. 2011. p. 68).

De studie van fuzzy systemen werd ontwikkeld door L. DE. Zadeh in 60 jaar om te helpen bij de verwerking van gegevens met onjuiste of vage. Ze ontstaan geïnspireerd door de traditionele logica, binaire kenmerken van de klassieke logica, waarin een waarde is een set, IE, waarden van 0 en 1. Met dit, een variabele kan deel uitmaken van meer dan één fuzzy set met verschillende graden, Dit heet gewoonlijk met een mate van relevantie.

1

De architectuur van een systeem dat in figuur 1 genoemde, toont de totale werking van logica, vanaf het begin van de fuzzificação waar de externe variabelen worden omgezet in de fuzzy sets, Wat zijn de groepen die alle informatie opslaan in bepaalde sets te vergemakkelijken van beide begrip van intelligente systeem en bij de besluitvorming over hetzelfde. Alle gegevens vanuit de externe omgeving door het proces van fuzzificação en wordt omgezet in taalkundige variabelen.

"In het algemeen, een taalkundige variabele is gekoppeld aan een set voorwaarden, waarin elke term is gedefinieerd in het hetzelfde universum van discours"(NOGUEIRA, M. 2013. p. 21).

2

Zoals beschreven in figuur 2, het fuzzificação-proces omgezet waarden van 0 tot 1,60 meter in een set van een taalkundige variabele met de naam "Bas", en de andere 3 sets dat betrekking heeft op bepaalde hoogtewaarden als lage midden en hoge.

Via deze methode kunt het slimme systeem werken met gegevens van onbekende natuur of waarden wat vaag, want als u wilt een perceptie van de externe omgeving hij met de waarden die zijn opgeslagen in de interne database vergelijkt, en zo gelederen als een waarde van een bepaalde taalkundige variabele.

"De theorie van fuzzy sets zoeken, Daarom, Translate formeel de onnauwkeurige informatie die komt van nature in de vertegenwoordiging van de fenomenen van de natuur, zoals beschreven door de mens met behulp van gemeenschappelijke taal ".(VIREAK, N.; YONEYAMA, T. 2011. p. 70).

De volgende stap binnen de architectuur van de fuzzy logic, is het proces van gevolgtrekking en de regels, waar is helemaal ontwikkeld zijn systeem en verwerking via de ingevoerde gegevens

besloten wat zullen de resultaten van de zelfde, IE, de maatregelen die moeten worden genomen, Dit is stap in het proces aangeduid door gevolgtrekking machine.

"Gevolgtrekking machine input informatie ontvangt al omgezet in termen die zijn gekoppeld aan taalkundige variabelen die behoren tot een vage verzameling, en genereert uit regels bepaald door de ontwerper" (VIREAK, N.; YONEYAMA, T. 2011. p. 80)

Op basis van dit beginsel een uitgang die is gekoppeld aan een taalkundige variabele vervolgens in een bepaalde numerieke waarde omgezet wordt.

DE = {(x , ( x)); x »U ( x) » [ 0,1] )

De functie(x) is een functie van belang dat met welke mate dat x is bepaalt de.

Deze stap over de logica van de stap waar algoritmisch ontwikkelt een variabele input taalverwerking. Als u gebruikt verschillende termen die zeer in computational logic implementatie worden gebruikt, Als voorbeeld het woord "Als", "ZO", "Niet" als o.a..

De laatste stap van de fuzzy controller gebaseerd op de methode van "defuzzificação", waar in de praktijk zodat het systeem een goede werking heeft, De waarden van taalkundige variabelen wordt geconverteerd naar numerieke waarden.

Het idee is dat als u een specifiek antwoord nodig, om te worden gebruikt bij de ingang van een bedieningssleutel er zijn veel technieken voor het defuzzificação-proces, Sommige meer meiden:

3

Kunstmatige neurale netwerken

Het idee van neurale netwerken wordt gewonnen uit de modellering van menselijk brein, waar de rekenkracht en energie-efficiëntie, en met name de verwerkingskracht is veel breder dan een computer of systemen gemeen.

Tweede (HAYKIN, S. 2001. p. 27) het menselijk brein is een computer (informatiesysteem voor de verwerking) zeer complexe, niet-lineaire en parallelle, het menselijk brein heeft de capaciteit om het organiseren van hun structuren bekend als neuronen, uitvoeren van bepaalde verwerking (patroonherkenning, percepties en motorische controle).

De ontwikkeling van de structuren van de hersenen vanaf de geboorte tot de 'ervaring', deze fenomenen van de ontwikkeling van de hersenen door tijd en ervaring heet Neurale plasticiteit, waardoor verschillende aanpassingen aan verschillende omgevingen.

"Eerder vermeld we dat plasticiteit in staat stelt dat het ontwikkelende zenuwstelsel zich aanpast aan de omgeving." (HAYKIN, S. 2001. p. 33)

Het idee van de synthese van neuronen en het genereren van toepassingen is het feit dat de hersenen heeft een enorme rekenkracht en ideaal om te worden gebruikt en geïmplementeerd in machines en bedrijfsuitrusting vanwege hun lineariteit en de niet-lineariteit, input en output van de toewijzing, aanpassingsvermogen, reactie op bewijs, contextuele informatie, fouttolerantie, uniformiteit van ontwerp en analyse voornamelijk VLSI implementaties.

"In zijn meest algemene vorm, een neuraal netwerk is een machine die is ontworpen om het model van de manier waarop die de hersenen een bepaalde taak of functie voert, het netwerk wordt geïmplementeerd door middel van elektronische of onderdelen wordt gesimuleerd door een computer programming". (HAYKIN, S. 2001. p. 28).

De hersenen is gespecialiseerd in het uitvoeren van functies zoals patroonherkenning, motorische controle, perceptie, gevolgtrekking , intuïtie, divinations, enz.

Echter, de hersenen is ook "vooringenomen", vertragen, onjuiste, onjuiste generalisaties uitvoert en, vooral, is meestal niet in staat om uit te leggen van je eigen acties.

4

Het vergelijken van de menselijke hersenen met de logica van de elektronische systemen is het veel trager, twee meer functies opwegen tegen deze operatie bedraagt het aantal synaptic verbindingen en energie-efficiëntie in iedere operatie per seconde.

"Meestal, neuronen zijn vijf Ordes van grootte langzamer dan de logische poorten in silicium; de Silicon circuit gebeurtenissen gebeuren in de volgorde van nano – seconden, Terwijl de neurale gebeurtenissen in de volgorde van mili gebeuren – seconden. Echter, de hersenen compenseert de relatief trage tempo van een neuron door het werkelijk verbazingwekkend aantal neuronen (zenuwcellen),met vaste verbindingen met elkaar. Hou van dat er ongeveer 10 miljard neuronen in de cortex van de menselijke en 60 biljoen synapsen of verbindingen is. Het resultaat is dat de hersenen een uiterst efficiënte structuur. Meer in het bijzonder de energie-efficiëntie van de hersenen is ongeveer joule per transactie per seconde, Terwijl de waarde is overeenkomt met de beste computers in gebruik in onze dagen over joules van de bewerking per seconde". (HAYKIN, S. 2001. p. 32).

5

Het zenuwachtige systeem meer abstracte 3 stadia kan hebben waar de ontvangers, neuraal netwerk en actuatoren, Dit systeem is vergelijkbaar met onze biologisch neuron, zoals afgebeeld in figuur 5 waar de dendrites synaptic pulsen ontvangen de cel lichaam bekend als soma ontwikkelen alle verwerking van de zenuwprikkels en synaptische terminals als actuatoren dienen. Op basis hiervan het platform kunnen de wiskundige modellering van een neuron door het cijfer 6, waar sprake is, de posten, de gewichten waar hij het netwerk leren genereert, een Adder-blok, activering functie en de uitvoer-y.

De vergelijking wordt samengevat in de relatie tussen de synapsen en synaptische gewichten de activering functie van neuronen.

6

Wat verschilt de kunstmatige neurale netwerken van andere tools is de mogelijkheid om te leren, dat is wat verschilt van het menselijk brein van een computationele systeem, een systeem dat de mogelijkheid om auto-optimaliseren, genereren van een leertijd met de vorige Staten is de tendens voor de intelligente systemen en waar aan boord computing wil krijgen.

"Tweede (HAYKIN, S. 2001. p. 75). Leren is een proces waarbij de vrije parameters van een neuraal netwerk zijn aangepast door middel van een proces van stimulatie door de omgeving waarin het netwerk is ingevoegd. Het soort leren is bepaald door de manier waarop de parameters wijzigingen optreden".

De gebeurtenissen die zijn opgenomen in het leerproces bepaalt of het neurale netwerk wordt gestimuleerd door het milieu, Als het een wijziging van de parameters via de stimulaties voor het milieu waar het systeem zich bevindt en hoe om het netwerk reageert anders op het milieu als gevolg van de wijziging in de interne structuur ontwikkeld lijdt.

De instrumenten van leren zijn dat veel meer in dit specifieke geval zijn uiterst relevant als leren door foutcorrectie, geheugen-gebaseerd leren, uses leren, concurrerende leren, leren van boltzmann, leren met een docent, leren zonder een leraar, de laatste twee heten begeleid leren en zonder toezicht.

Neuraal netwerk met het leren van toezicht het idee hier is dat dit mechanisme wordt uitgevoerd in een onbekende omgeving waar een "professor" met kennis

voorafgaande op het milieu en met een gewenste reactie aan het netwerk output . De leraar stelt de parameters van het netwerk, dus dat als je een vector van training met de grote respons en het gewenste fout signaal.

"De fout signaal wordt gedefinieerd als het verschil tussen de gewenste respons en het echte antwoord van het netwerk" (HAYKIN, S. 2001. p. 88).

Op deze manier wordt alle kennis die de leraar van het milieu heeft overgedragen aan het netwerk door middel van opleiding, nadert het einde van deze taak de leraar kan worden ontslagen, omdat het netwerk volledige autonomie heeft aan het milieu waarin deze werd toegepast.

Leren zonder een leraar of ongecontroleerde leren, werken in een omgeving zonder referenties of voorbeelden geëtiketteerd voor het netwerk, twee instrumenten worden gebruikt in dit geval is het leren door te versterken en de neurodynamics.

"Leren voor versterking leren van een input-output-toewijzing is bereikt door de continue interactie met de omgeving, om te minimaliseren van de scalaire planningsprestatie-index" (HAYKIN, S. 2001. p. 88).

Het idee is dat het netwerk zelf kan lanceren een maatregel van bevredigende kwaliteit aan elke taak die ze zullen uitvoeren, Dus, het netwerk zelf zal het houden van interne coderingen aanpassen aan de omgeving.

Het netwerk perceptron is een eenvoudige manier uit te voeren van een neuraal netwerk om te herkennen van patronen, Het is gebaseerd op een neuron synaptic gewichten en wiskundige met bias aanpassing, Dit algoritme posities een vector in het vliegtuig niet scheiden van twee klassen doen – lineaire.

7

"Hun leervermogen via de oplossing van een probleem van optimalisatie, in dit geval, correctie van gratis parameters die W en gewicht Bias zijn". (NUNES, R. ,2011, p. 23).

Natuurlijke taalverwerking- PLN

Natuurlijke taalverwerking (PLN) is de ontwikkeling van rekenmodellen voor de vervulling van de taken die zijn uitgedrukt in een natuurlijke taal (vertaling en interpretatie van teksten, zoeken naar informatie in documenten en interfaces, Websites, eBooks, spraak- en audio verwerking en o.a.). De PLN is gericht op, in wezen, de drie aspecten van communicatie in natuurlijke taal:

-Geluid: Fonologie

-Structuur: morfologie en syntaxis

-Betekenis: semantiek en pragmatiek

De fonologie is gerelateerd aan de erkenning van de geluiden die deel van de woorden van een taal uitmaken, voor de toepassing van dit instrument achter stem algoritmen en audio verwerking kunnen worden waargenomen. De morfologie herkent de woorden op het gebied van de primitieve eenheden die deel van uitmaken (gejaagd → hunt + of). De syntaxis definieert de structuur van een zin, op basis van hoe de woorden hebben betrekking op deze zin als onderwerp en predikaat. De semantiek verbonden betekenis aan een syntactische structuur, in termen van de betekenissen van de woorden die deel van uitmaken. Tot slot, pragmatiek controleert of de zin die is gekoppeld aan een syntactische structuur echt de meest aangewezen betekenis in verband beschouwd als is.

Zoals we kunnen zien, Deze techniek bestaat uit alle aspecten in verband met taal en communicatie, en wellicht maken de machine de dezelfde menselijke capaciteiten te begrijpen, interpreteren en communiceren, samen met andere tools zoals neurale netwerken kan verlaten alle kennis verworven van NLP en een learningsystemen RNA ´ S middel ervoor zorgt dat uw systeem van toepassing is zo intelligent en, het maken van een systeem bijvoorbeeld tussen het internet lezen van een tekst op een website, Verwijderen en alle informatie om een doel te interpreteren.

Op deze manier kunnen we verschillende systemen samen met informatiesystemen en databases, ontwikkeling van een volledige interactie met de mens, een voorbeeld hiervan zijn de personal assistant als siri, Google nu, Cortana, Watson en o.a..

Genetische algoritmen

De genetisch algoritme bestaat uit een optimalisatie techniek geïnspireerd door begrippen van biologie als de theorie van de theorie van de evolutie, voorgesteld door Charles Darwin, waar de beste oplossingen voor een bepaald probleem hebben groter vermogen om te overleven en ontwikkelen van het startpunt voor het zoeken voor andere oplossingen is in feite de vooruitgang die is geboekt in het gebruik van hetzelfde op het gebied van robotica markeren, gedistribueerde opwekking van elektriciteit, ontwerpen van geïntegreerde schakelingen.

Met het oog op de toepassing van bovenstaande kunnen we begrijpen dat dit soort algoritme wil ontwikkelen de best mogelijke oplossing onder een aantal oplossingen voor het doel van de staat van het systeem. De oplossingsverzameling is behandeld als een populatie van natuurlijke personen in, vervolgens net als in zoektocht algoritmen ontwikkelt een evaluatie-functie die bepaalt of het individu geen correlatie met het doel staat systeem heeft, dat is niets meer dan een oplossing in de hele bevolking testen.

Via de criteria beschreven voor het kiezen van de grootste verzameling van oplossingen voor het doel staat, Indachtig het feit dat deze set in andere beste oplossingen resulteren zal. Twee bewerkingen definiëren hoe zal worden verhoogd volgende individuen mutaties en cross-overs.

Mutaties:

De informatie in het gen van een individu wijzigingen willekeurig getrokken, met andere woorden, een deel van een bepaalde mogelijke oplossing wordt willekeurig gewijzigd, Dit gebeurt met een bepaalde waarschijnlijkheid, ook bekend als kans op mutatie. Evenals de kans op crossover genoemd, Dit zorgt ervoor dat een sterke invloed bij het zoeken naar betere oplossingen, zodat een kans op mutatie gunstig is en de oplossingen verblijf uiteindelijk op een bepaalde waarde stagneerde voorkomt. Echter, Als deze kans zeer hoog is, de zoekopdracht kan worden vrij willekeurige.

Kruising:

Het snijpunt resulteert in de creatie van personen uit de ouders, zoals eerder werden geselecteerd door middel van de functie van de evaluatie. Het is belangrijk om hoogtepunt is de kans op zogenaamde crossover die hoe vaak vaststelt kruisen zijn gemaakt, Dus, Uiteraard kan worden opgemerkt dat met een hoge waarde van deze parameter, nieuwe individuen wordt ingevoegd in de bevolking sneller.

8

In de figuur hierboven is weergegeven een genetisch algoritme voeden de coëfficiënten van een PID controlesysteem tuning, die de winsten die met de overdrachtsfunctie samenwerken zal ontwikkeld.

Grote genetische Parameters.

Het is ook belangrijk, analyseren hoe sommige parameters beïnvloeden van gedrag van genetische algoritmen, teneinde hen als de behoeften van het probleem en de beschikbare middelen.

Grootte van de populatie. De grootte van de bevolking is van invloed op de algehele prestaties en efficiëntie van algoritmen. Met een kleine bevolking kan prestaties vallen, omdat op deze manier de bevolking een beetje dekking van de zoekruimte van het probleem geeft. Een grote populatie biedt doorgaans een representatieve dekking van het probleem-domein,

Kruis tarief. Hoe hoger dit tarief, sneller nieuwe structuren zal worden ingevoerd in de bevolking. Maar als dit te hoog is, structuren met een goede vaardigheden kunnen sneller een hoge waarde hebt verwijderd, merendeel van de bevolking zal worden vervangen, maar met zeer hoge waarden kan optreden verlies van hoge fitness structuren. Met een lage waarde, het algoritme kan erg traag geworden.

Mutaties. Een laag tarief van mutatie voorkomt dat een bepaalde positie verblijf stagnerende een waarde, Naast het inschakelen te bereiken ergens in de zoekruimte. Met een zeer hoog tarief wordt het zoeken in wezen willekeurige.

Generatie interval. Hiermee bepaalt u het percentage van de bevolking dat zal worden vervangen tijdens de volgende generatie. Met een hoge waarde, merendeel van de bevolking zal worden vervangen, maar met zeer hoge waarden kan optreden verlies van hoge fitness structuren. Met een lage waarde, het algoritme kan erg traag geworden.

Expertsystemen.

Is een ander deelgebied van het IA voor het doorgeven van alle kennis over een bepaald onderwerp of taak aan een computer, systeem of machine, om te komen en het uitvoeren van deze functie en het probleem oplossen.

Expertsystemen zijn geschikt voor het oplossen van een probleem in een manier die vergelijkbaar is aan een mens expert in een bepaald gebied van de kennis is van belang de ontwikkeling en tenuitvoerlegging van systemen van dit genre in de meest uiteenlopende gebieden van menselijke kennis, verspreiding van kennis en theorieën door menselijke expert in de praktijk van hun dag tot dag te verlengen, dat zal worden doorberekend en versterkt door middel van het systeem. Dit document bespreekt de belangrijkste definities van dit soort toepassing van artificiële intelligentie, ook citeert als voorbeelden van toepassingen van deze in verschillende gebieden van menselijke kennis.9

De Knowledge Base.

De Knowledge Base is niet een eenvoudige verzameling van informatie. De traditionele database met gegevens, bestanden, records en hun statische relaties is hier vervangen door een regel base en feiten en ook heuristiek die overeenkomen met de specialistische kennis, of domein deskundigen waarop het systeem is gebouwd .

Deze regel basis en interactie met de gebruiker en met de gevolgtrekking motor, zodat u kunt identificeren van het probleem moet worden opgelost, de mogelijkheden van een oplossing en het proces van redeneren en de gevolgtrekking die tot conclusies over het probleem voorgelegd aan het systeem leiden.

De gevolgtrekking motor

De gevolgtrekking motor is een essentieel element voor het bestaan van een expert-systeem de kern van het systeem via hem is dat de feiten en de regels en de heuristiek die deel van de knowledge base uitmaken worden toegepast in het proces van oplossen van het probleem .

De capaciteit van de gevolgtrekking-engine is gebaseerd op een combinatie van procedures dat proces van achteruitgang en progressieve manier redeneren.

In de vorm van progressieve denken, de informatie wordt verstrekt aan het systeem van de gebruiker, die met uw antwoorden, stimuleren het genereren van het onderzoeksproces, Bladeren door de knowledge base, op zoek naar de feiten, regels en heuristieken die best voor elke situatie gelden. Het systeem blijft in deze interactie met de gebruiker, de oplossing voor het probleem voorgelegd te vinden.

Bibliografische referenties:

HAYKIN, S. Neurale netwerken: beginselen en praktijk. 2 ed. Porto Alegre: Bookman. 2001. 900 p.

VIREAK, N.; YONEYAMA, T. Kunstmatige intelligentie in de automatisering. Editora Edgard Blücher LTDA, 5e ed. 2011.

RUSSELL, S.; NORVIG, P. Kunstmatige intelligentie. 2 ed. Rio de Janeiro: Elsevier, 2004. 528 p.

http:www.ICMC.USP.br/ ~andre/research/genetic/

Gebruik van genetische algoritmen voor PID controllers tuning

WW.IME.USP.br/~slago/IA-PLN.PDF-NLP

http:www.inf.UFSC.br/ ~j.barreto/trabaluno/IASteel001.pdf

Dit delenShare on FacebookTweet about this on TwitterPin on PinterestShare on StumbleUponShare on LinkedInShare on RedditEmail this to someoneShare on Google+

Geschreven door Kawann Costa

Mechatronisch ingenieur geobsedeerd met het begrijpen van hoe de dingen werken op hun laagste niveaus van abstractie.

Uw commentaar is welkom

Uw e-mailadres zal niet worden gepubliceerd. Verplichte velden gemarkeerd met *

*