Geum.ru

1. Классификация моделей представления знаний

Вид материалаДокументы
Дедуктивный метод
3. Способы и методы обработка экспертных оценок.
31. Искусственные нейронные сети (основные понятия и определения, виды НС, область применения)
Подобный материал:
1   2   3   4   5   6   7   8   9   ...   12

ДЕДУКТИВНЫЙ МЕТОД


— способ построения научных теории, специфической особенностью к-рого является применение дедуктивной техники вывода (Дедукция). В философии имелись попытки проведения резкой грани между Д. м. и др. методами (напр., индуктивным), истолкования дедуктивного рассуждения как внеопытного и чрезмерного преувеличения роли дедукции в науке. В действительности дедукция и индукция неразрывно связаны между собой, и структура дедуктивного рассуждения обусловлена многовековой практически-познавательной деятельностью человека. Д. м.— один из возможных методов построения научного знания. Он применяется, как правило, после того, как накоплен и теоретически истолкован эмпирический материал для цели систематизации его, более строгого и последовательного выведения всех следствий из него и т. д. При этом получается и новое знание — в виде множества следствий дедуктивной теории и как совокупность возможных интерпретаций дедуктивно построенной теории. Общая схема организации дедуктивных систем (теорий) включает: 1) исходный базис, т. е. совокупность исходных терминов и утверждений; 2) используемые логические средства (правила вывода и определения); 3) совокупность утверждений (предложений), получаемых из (1) путем применения (2). При исследовании таких теорий анализу подвергаются взаимоотношения между отдельными их компонентами, абстрагированными от генезиса и развития знания. Поэтому их целесообразно рассматривать как своеобразные формализованные языки, к-рые можно анализировать либо в синтаксическом (когда изучается соотношение между входящими в язык знаками и выражениями вне учета их внеязыкового значения), либо в семантическом (когда взаимоотношения знаков и выражений системы рассматривают с т. зр. их значения) аспектах. Дедуктивные системы подразделяются на аксиоматические (Аксиоматический метод) и конструктивные (Конструктивный метод). Д. м. при использовании его в знании, основанном на опыте и эксперименте, выступает как гипотетико-дедуктивный метод.  Анализ дедуктивного способа построения научного знания начался уже в античной философии (Платон, Аристотель, Евклид. стоики), много места занимал в философии нового времени (Декарт, Паскаль, Спиноза, Лейбниц и др.), но полно и четко принципы дедуктивной организации знания были сформулированы лишь в конце 19 — начале 20 в. (при этом широко использовался аппарат математической логики). Вплоть до начала 20 в. Д. м. применялся в осн. в сфере математики и логики. В 20 в. широкое распространение получили попытки дедуктивного (в частности, аксиоматического) построения также мн. нематематических дисциплин — отдельных разделов физики, биологии, лингвистики, социологии и др.


В дедуктивных моделях представления и обработки знании решаемая проблема записывается в виде утверждении формальной системы, цель-в виде утверждения, справедливость которого следует установить или опровергнуть на основании аксиом (общих законов) и правил вывода формальной системы. В качестве формальной системы используют исчисление предикатов первого порядка.


В соответствии с правилами, установленными в формальной системе, заключительному утверждению-теореме, полученной из начальной системы утверждений (аксиом, посылок), приписывается значение ИСТИНА, если каждой посылке, аксиоме также приписано значение ИСТИНА.


Процедура вывода представляет собой процедуру , которая из заданной группы выражений выводит отличное от заданных выражение.


Обычно в логике предикатов используется формальный метод доказательства теорем, допускающий возможность его машинной реализации, но существует также возможность доказательства неаксиоматическим путем : прямым выводом, обратным выводом.


Метод резолюции используется в качестве полноценного (формального) метода доказательства теорем.


Для применения этого метода исходную группу заданных логических формул требуется преаобразовать в некоторую нормальную форму. Это преобразование проводится в несколько стадий, составляющих машину вывода.


3. Способы и методы обработка экспертных оценок.


Несмотря на все большую роль математических методов при решении экономических задач, нельзя считать, что формальные методы современной математики окажутся универсальным средством решения всех проблем, возникающих в сферах деятельности общества. Методы, использующие результаты опыта и интуицию, т.е. эвристические (неформальные), безусловно сохранят свое значение и в дальнейшем. Примерами традиционных, эвристических процедур являются различные экспертизы, консилиумы, совещания и т.д. Порядок их проведения часто регламентируется традицией, т.е. в конечном счете снова опытом, и во многих отношениях представляет собой искусство. Однако постепенно и в эту область начинают проникать разнообразные математические методы обработки исходного материала эвристического происхождения, и в первую очередь статистические методы.
Можно выделить два уровня использования экспертных оценок: качественный и количественный. Если применение экспертных оценок на качественном уровне не вызывает сомнения, то возможность применения количественных балльных оценок нередко подвергается критике. При этом справедливо отмечают, что балльные оценки нередко скрывают неумение квалифицированно оценивать те или иные действия, явления, перспективы развития.
Однако в связи с ограниченными возможностями применения в управлении и маркетинге экономико-математических методов, отсутствием во многих случаях статистической и другой информации, а также надежных методов определения соответствия экономико-математических моделей реальным объектам экспертные оценки являются единственным средством решения многих задач. Для повышения достоверности и надежности получаемых с помощью экспертных оценок результатов надо владеть теоретическими и методическими основами использования данных методов, избегать иллюзии простоты их применения.


Метод интервью предполагает беседу прогнозиста с экспертом по схеме вопрос—ответ, в процессе которой прогнозист в соответствии с заранее разработанной программой ставит перед экспертом вопросы относительно перспектив развития прогнозируемого объекта. Успех такой оценки в значительной степени зависит от способности эксперта экспромтом давать заключение по разным вопросам.

Аналитический метод предусматривает тщательную са­мостоятельную работу эксперта над анализом тенденций, оценкой состояния и путей развития прогнозируемого объекта. Эксперт может использовать всю необходимую ему информацию об объекте прогноза. Свои выводы он оформляет в виде докладной записки. Основное преимущество этого метода — возможность максимального использования индивидуальных способностей эксперта. Однако он мало пригоден для прогнозирования сложных систем и выработки стратегии из-за ограниченности знаний одного специалиста-эксперта в смежных областях знаний.

Для организации проведения экспертных оценок создаются рабочие группы, в функции которых входят проведение опроса, обработка материалов и анализ результатов коллективной экспертной оценки.

Суть метода коллективной генерации идей («мозговой атаки») состоит в использовании творческого потенциала специалистов при "мозговой атаке" проблемной ситуации, реализующей вначале генерацию идей , а затем их деструктурирование (разрушение, критику) с выдвижением контр-идей и выработкой согласованной точки зрения.Метод морфологического анализа предполагает выбор наиболее приемлемого решения проблемы из числа возможных. Его целесообразно использовать при прогнозировании фундаментальных исследований. Метод морфологического анализа включает ряд приемов, предполагающих систематизированное рассмотрение характеристик объекта. Исследование проводится по методу «морфологического ящика», который строится в виде дерева целей или матрицы, в клетки которой вписаны соответствующие параметры. Последовательное соединение параметра первого уровня с одним из параметров последующих уровней представляет собой возможное решение проблемы. Общее количество возможных решений равно произведению числа всех параметров, представленных в «ящике», взятых по строкам. Путем перестановок и различных сочетаний можно выработать вероятностные характеристики объектов.


31. Искусственные нейронные сети (основные понятия и определения, виды НС, область применения)

Иску́сственные нейро́нные се́ти (ИНС) — математические модели, а также их программные или аппаратные реализации, построенные по принципу организации и функционированиябиологических нейронных сетей — сетей нервных клеток живого организма. Это понятие возникло при изучении процессов, протекающих в мозге, и при попытке смоделировать эти процессы. Первой такой попыткой были нейронные сети Маккалока и Питтса [1]. Впоследствии, после разработки алгоритмов обучения, получаемые модели стали использовать в практических целях: в задачах прогнозирования, для распознавания образов, в задачах управления и др.

ИНС представляют собой систему соединённых и взаимодействующих между собой простых процессоров (искусственных нейронов). Такие процессоры обычно довольно просты, особенно в сравнении с процессорами, используемыми в персональных компьютерах. Каждый процессор подобной сети имеет дело только с сигналами, которые он периодически получает, и сигналами, которые он периодически посылает другим процессорам. И тем не менее, будучи соединёнными в достаточно большую сеть с управляемым взаимодействием, такие локально простые процессоры вместе способны выполнять довольно сложные задачи.

С точки зрения машинного обучения, нейронная сеть представляет собой частный случай методов распознавания образов, дискриминантного анализа, методов кластеризации и т. п. Сматематической точки зрения, обучение нейронных сетей — это многопараметрическая задача нелинейной оптимизации. С точки зрения кибернетики, нейронная сеть используется в задачах адаптивного управления и как алгоритмы для робототехники. С точки зрения развития вычислительной техники и программирования, нейронная сеть — способ решения проблемы эффективного параллелизма[2]. А с точки зрения искусственного интеллекта, ИНС является основой философского течения коннективизма и основным направлением в структурном подходе по изучению возможности построения (моделирования) естественного интеллекта с помощью компьютерных алгоритмов.

Нейронные сети не программируются в привычном смысле этого слова, они обучаются. Возможность обучения — одно из главных преимуществ нейронных сетей перед традиционными алгоритмами. Технически обучение заключается в нахождении коэффициентов связей между нейронами. В процессе обучения нейронная сеть способна выявлять сложные зависимости между входными данными и выходными, а также выполнять обобщение. Это значит, что в случае успешного обучения сеть сможет вернуть верный результат на основании данных, которые отсутствовали в обучающей выборке, а также неполных и/или «зашумленных», частично искаженных данных.