Geum.ru

Методы обучения систем поддержки принятия решений

Вид материалаДокументы
Подобный материал:
МЕТОДЫ ОБУЧЕНИЯ СИСТЕМ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ

Замошников М.В.

проф. Ульшин В.А., доц. Генкин Б.И., доц. Смолий В.Н.

Восточноукраинский национальный университет им. В.Даля,

Технологический институт ВНУ им. В.Даля (г. Северодонецк)


Разрабатываемая система поддержки принятия решений конструкторской подготовки производства электронных аппаратов функционирует на основании логико-трансформационных правил преобразования информации, объектами которых выступают фрагменты сети из знаков-фреймов [1]. Для каждого случая назначения и условий эксплуатации электронного аппарата разрабатываемая система поддержки принятия решений формирует множество примеров выборок, состоящих из компонент модели управления и эффективности управления, которые служат материалом для настройки разрабатываемой системы с заданной степенью достоверности. Рассматривая совокупность входных управляющих воздействий и эффективность управления конструкторской подготовкой производства электронных аппаратов, необходимо рассчитать такой набор (кортеж) входных управляющих воздействий, при котором система следует по желаемой траектории, идентифицируемой назначением и условиями эксплуатации электронного аппарата. Организация такого рода перехода возможна посредством применения: нелинейной логики, теории множеств, теории самоорганизации, численных методов, теории нейронных сетей.

Исходя из рассмотрения единого информационного пространства, включающего компоновку электронного аппарата, оперативное управление конструкторской подготовкой производства и системы управления ресурсами предприятия, получаем большие объемы представления информации, высокую степень структуризации информации, которую необходимо синтезировать, обработать и представить лицу, принимающему решение, в понятной и наглядной форме. При условии существования ограничения по времени, в течении которого системой должен быть сгенерирован результат, получаем, что рационально оперировать данными и знаниями для построения системы поддержки принятия решений на основании фреймовой модели представления знаний для электронно-вычислительной машины с использованием нейронных сетей.

Для рассматриваемого случая управления конструкторской подготовкой производства электронных аппаратов процесс обучения нейронной сети рассматривается как настройка архитектуры и весов связей для эффективного выполнения поставленной задачи. Итеративная настройка весов связей осуществляется в соответствии с обучающей выборкой [2].

Для организации процесса обучения системы поддержки принятия решений имеется модель внешней среды, в которой функционирует нейронная сеть. Существует три парадигмы обучения: с учителем, без учителя (самообучение) и смешанная. В первом случае на каждый входной пример существует требуемый ответ. Веса настраиваются таким образом, чтобы выходы сети были как можно более близкими к требуемым ответам. Более «жесткий» вариант обучения с учителем предполагает, что известна только критическая оценка правильности выхода нейронной сети, а не сами требуемые значения выхода. Для обучения без учителя не нужны знания требуемых ответов на каждый пример обучающей выборки. В этом случае происходит распределение образцов по категориям (кластерам) в соответствии с внутренней структурой данных или степенью корреляции между образцами. При смешанном обучении весовые коэффициенты одной группы нейронов настраиваются посредством обучения с учителем, а другой – на основе самообучения.

В процессе обучения учитываются следующие свойства нейронных сетей: емкость сети, сложность образцов и вычислительная сложность. Под емкостью сети понимается число запоминаемых образцов с учетом сформированных функций и границ принятия решений. Сложность образцов определяют число обучающих примеров, необходимых для достижения способности сети к обобщению.

Известны следующие правила обучения, обусловленные связанными с ними архитектурами сетей: коррекция ошибки, правило Больцмана, правило Хебба и метод соревнования.

Коррекция ошибки предполагает, что для каждого входного примера задан требуемый выход d, который может не совпадать с реальным y. Правило обучения при коррекции по ошибке состоит в использовании разницы (d - y) для изменения весов, с целью уменьшения ошибки рассогласования. Обучение производится только в случае ошибочного результата. Известны многочисленные модификации этого правила обучения.

Правило Больцмана является стохастическим правилом обучения, в результате его выполнения осуществляется настройка весовых коэффициентов нейронов в соответствии с требуемым распределением вероятностей. Обучение правилу Больцмана рассматривается как отдельный случай коррекции по ошибке, в котором под ошибкой понимается расхождение корреляций состояний в двух режимах.

Правило Хебба является самым известным алгоритмом обучения нейронных сетей, суть которого заключается в следующем: если нейроны с обеих сторон синапса возбуждаются одновременно и регулярно, то сила синаптической связи возрастает. Важной особенностью является то, что изменение синаптического веса зависит только от активности связанных этим синапсом нейронов. Существует большое количество разновидностей этого правила, различающихся особенностями модификации синаптических весов.

Для метода соревнования выходные нейроны соревнуются между собой. Выходной нейрон с максимальным значением взвешенной суммы является «победителем». Выходы же остальных выходных нейронов устанавливаются в неактивное состояние. При обучении модифицируются только веса нейрона – «победителя» в сторону увеличения близости к данному входному примеру.

Эти правила позволяют группировать входные данные на категории (кластеры) и представлять их отдельными выходными нейронами.

Нейронная сеть считается устойчивой, если после конечного числа итераций обучения ни один из примеров обучающей выборки не изменяет своей принадлежности в кластерах. Однако сеть не перестает обучаться, если параметр скорости обучения не равен нулю. Но эта искусственная остановка обучения вызывает другую проблему, называемую пластичностью и связанную со способностью сети к адаптации к новым данным. Возникает дилемма стабильности-пластичности Гроссберга.

Наличие систематизированной информации, полученной в процессе моделирования электронных аппаратов и управления конструкторской подготовкой производства, позволяет использовать парадигму обучения с учителем для разрабатываемой системы поддержки принятия решений конструкторской подготовки производства электронных аппаратов, а в качестве обучающего правила принять необходимость коррекции ошибки обучаемой системы. Из-за наличия множества вариантов управляющих воздействий, генерируемых системой поддержки принятия решений, направленных на обеспечение эффективности управления конструкторской подготовкой производства электронных аппаратов, архитектура нейронной сети имеет вид однослойного персептрона, а в качестве алгоритма обучения разрабатываемой системы поддержки принятия решений выбран алгоритм обучения персептрона.

Выводы:

Систематизация и исследование оценок экспертов, статистических распределений и результатов моделирования, формирующих логико-трансформационные правила преобразования информации фреймовой модели представления знаний, позволяют использовать парадигму обучения с учителем для разрабатываемой системы поддержки принятия решений конструкторской подготовки производства электронных аппаратов, а в качестве обучающего правила принять необходимость коррекции ошибки обучаемой системы.

Литература:
  1. Смолій В.М. Автоматизація процесів виробництва блоків електронних апаратів: Монографія. – Луганськ: Вид-во СНУ ім. В.Даля, 2006. – 124 с.: табл. 11, іл. 56, бібліогр. 88 найм.
  2. Смолий В.Н. Система поддержки принятия решений производства электронных аппаратов// Праці Луганського відділення Міжнародної Академії інформатизації. - 2009. – №2(20). Ч2. - C.44-49.