1. Классификация моделей представления знаний

Вид материалаДокументы
Преимущества использования сетей в системах поддержки принятия решений
Богатые возможности.
Простота в использовании.
49. Прнятие инженерии знаний и нейрокибернетики.
42. Понятие дефазификации в системах пз
42. Понятие дефазификация в системах ПЗ.
Детерминированная модель
21. Резолюция. Предложения. Резолюция, основанная на предложениях.
Подобный материал:
1   ...   4   5   6   7   8   9   10   11   12

Преимущества использования сетей в системах поддержки принятия решений


Различные типы интеллектуальных систем имеют свои особенности, например, по возможностям обучения, обобщения и выработки результатов, что делает их наиболее пригодными для решения одних классов задач и менее пригодными - для других.

В последние несколько лет мы наблюдаем взрыв интереса к нейронным сетям, которые успешно применяются в самых различных областях - бизнесе, медицине, технике, геологии, физике. Нейронные сети вошли в практику везде, где нужно решать задачи прогнозирования, классификации или управления. Такой впечатляющий успех определяется несколькими причинами, перечисленными ниже.

         Богатые возможности.  Нейронные сети - исключительно мощный метод моделирования, позволяющий воспроизводить чрезвычайно сложные зависимости. В частности, нейронные сети нелинейны по своей природе. На протяжении многих лет линейное моделирование было основным методом моделирования в большинстве областей, поскольку для него хорошо разработаны процедуры оптимизации. В задачах, где линейная аппроксимация неудовлетворительна (а таких достаточно много), линейные модели работают плохо. Кроме того, нейронные сети справляются с «проклятием размерности», которое не позволяет моделировать линейные зависимости в случае большого числа переменных;

         Простота в использовании.  Нейронные сети учатся на примерах. Пользователь нейронной сети подбирает представительные данные, а затем запускает алгоритм обучения, который автоматически воспринимает структуру данных. При этом от пользователя, конечно, требуется какой-то набор эвристических знаний о том, как следует отбирать и подготавливать данные, выбирать нужную архитектуру сети и интерпретировать результаты, однако уровень знаний, необходимый для успешного применения нейронных сетей, гораздо скромнее, чем, например, при использовании традиционных методов статистики.

Нейронные сети привлекательны с интуитивной точки зрения, ибо они основаны на примитивной биологической модели нервных систем.

Вообще можно сказать, что нейронные сети хороши для задач распознавания образов, но весьма неудобны для объяснения, как они такое распознавание осуществляют. Они могут автоматически приобретать знания, но процесс их обучения зачастую происходит достаточно медленно, а анализ обученной сети весьма сложен (обученная сеть представляет обычно черный ящик для пользователя). При этом какую-либо априорную информацию (знания эксперта) для ускорения процесса ее обучения в нейронную сеть ввести невозможно.

Системы с нечеткой логикой, напротив, хороши для объяснения получаемых с их помощью выводов, но они не могут автоматически приобретать знания для использования их в механизмах выводов. Необходимость разбиения универсальных множеств на отдельные области, как правило, ограничивает количество входных переменных в таких системах небольшим значением.

Вообще говоря, системы с нечеткой логикой целесообразно применять в следующих случаях:

        для сложных процессов, когда нет простой математической модели;

        если экспертные знания об объекте или о процессе можно сформулировать только в лингвистической форме.

Системы, базирующиеся на нечеткой логике, применять нецелесообразно:

        если требуемый результат может быть получен каким-либо другим (стандартным) путем;

        когда для объекта или процесса уже найдена адекватная и легко исследуемая математическая модель.

Отметим, что основными недостатками систем с нечеткой логикой являются следующие:

        исходный набор постулируемых нечетких правил формулируется экспертом-человеком и может оказаться неполным или противоречивым;

        вид и параметры функций принадлежности, описывающих входные и выходные переменные системы, выбираются субъективно и могут оказаться не вполне отражающими реальную дейст­вительность.

Вообще говоря, теоретически, системы с нечеткой логикой и искусственные нейронные сети подобны друг другу, однако, в соответствии с изложенным выше, на практике у них имеются свои собственные достоинства и недостатки. Данное соображение легло в основу создания аппарата нечетких нейронных сетей, в которых выводы делаются на основе аппарата нечеткой логики, но соответствующие функции принадлежности подстраиваются с использованием алгоритмов обучения нейронных сетей, например, алгоритма обратного распространения ошибки. Такие системы не только используют априорную информацию, но могут приобретать новые знания, являясь логически прозрачными.


49. Прнятие инженерии знаний и нейрокибернетики.

Нейрокибернетика — научное направление, изучающее основные закономерности организации и функционирования нейронов и нейронных образований. Основным методом нейрокибернетики является математическое моделирование, при этом данные физиологического эксперимента используются в качестве исходного материала для создания моделей.

Одним из наиболее перспективных направлений нейрокибернетики — на стыке между психологией, биологией и информатикой — является моделирование на основе нейронных сетей.

Нейрокибернетика имеет широкий спектр приложений — от медико-биологических разработок до создания специализированных нейрокомпьютеров.

Термин neurocybernetics, используемый за рубежом, имеет несколько иное значение, близкое к бионике. Русскому термину нейрокибернетика соответствует иной английский термин, neural engineering.


Инженерия знаний (ИЗ) была определена Фейгенбаумом и МакКордаком в 1983 году как:

«ИЗ — раздел (дисциплина) инженерии, направленный на внедрение знаний в компьютерные системы для решения сложных задач, обычно требующих богатого человеческого опыта.»

В настоящее время это также предполагает создание и обслуживание подобных систем (Кендэл, 2007). Это также тесно соприкасается с разработкой программного обеспечения и используется во многих информационных исследованиях, например таких, как исследования искусственного интеллекта, включая базы данных, сбор данных, экспертные системы, систем поддержки принятия решений и географические информационные системы. ИЗ связана с математической логикой, также используемой в разных научных дисциплинах, например в социологии где «подопытными» являются люди, а цели исследований — понимание, как работает человеческая логика на примере взаимоотношений в обществе.


42. Понятие дефазификации в системах пз

 Дефазификация - является процедурой нахождения четких значений выходных переменных, в наибольшей степени отвечающих входным данным и базе продукционных правил. Полученные значения выходных переменных могут быть использованы внешними по отношению к системе нечеткого вывода устройствами.

Мы рассмотрели лишь общую последовательность обработки при получении оценок риска. Каждая конкретная реализация механизма нечеткого вывода допускает некоторую свободу в выборе алгоритмов отдельных этапов обработки. Конкретные алгоритмы должны отражать специфику исследуемой системы, действующие взаимосвязи, а также вид и форму представления имеющихся априорных данных, на основе которых строится процедура вывода.


42. Понятие дефазификация в системах ПЗ.


Дефаззификация – это процесс выбора представительного элемента из

нечеткого выхода С, выведенного из алгоритма нечеткого управления.





24. Детерминированная модель.

ДЕТЕРМИНИРОВАННАЯ МОДЕЛЬ [deterministic model] — аналитическое представление закономерности, операции и т. п., при которых для данной совокупности входных значений на выходе системы может быть получен единственный результат. Такая модель может отображать как вероятностную систему (тогда она является некоторым ее упрощением), так и детерминированную систему.





21. Резолюция. Предложения. Резолюция, основанная на предложениях.

РЕЗОЛЮЦИЯ (от лат. resolutio - решение), 1) решение, принятое в результате обсуждения к.-л. вопроса на заседании (съезде, конференции, сессии) коллегиального органа, собрания и т. п. 2) Надпись на документе, сделанная должностным лицом и содержащая принятое им решение.

Резолюция (лат. resolutio — решение, разрешение) — решение, принятое должностным лицом или совещательным органоммеждународной организацией (например, Генеральной Ассамблеей Организации Объединённых Нацийили Генеральной конференцией ЮНЕСКО).

В конституционном праве резолюцией называют акт, принимаемый парламентом. Обсуждение резолюций отличается от обсуждения законопроектов тем, что резолюции не подписываются главой государства, как законопроекты.

В документообороте Резолюция документа — реквизит, состоящий из надписи на документе, сделанной должностным лицом и содержащей принятое им решение.

Предложение (в логике предикатов) — это корректно сформированная формула Φ, которая не содержит свободных вхождений переменных (т.е. вхождений, не находящихся в области действия каких-либо кванторов в Φ). Грубо говоря, предложение не должно содержать "параметров", могущих повлиять на значение истинности предложения в подразумеваемой "семантической структуре": таким образом, в каждой такой структуре предложение имеет единственно возможное истинностное значение.