Означення баз даних і баз знань інтелектуальної системи

Інформація та знання

Як уже зазначалося, міжнародна спільнота вступила в стадію інформатизації, що ґрунтується на двох принципово відмінних складових — інформації та знаннях, які є базисними підвалинами ЕС. За умов істинності, вірогідності відображення фактів інформація вважається первинним знанням (рис. 1.1). У свою чергу, утворене завдяки законам логіки вторинне знання (в подальшому називається виведенням, або висновком) також є інформацією.

Проте інформація як відображення дійсності в принципі не може бути утвореною (можуть лише змінюватися спосіб і форма її відображення), тоді як знання завдяки законам логіки та застосовуваним засобам (зокрема природному та/або штучному інтелекту) саме утворюється. Інформація підвладна старінню, може бути суб’єктивною, недостатньою (або дезінформацією). Знання ж як істинне відображення дійсності в мисленні людини завжди об’єктивне й вірогідне. Ці взаємозв’язки інформації та знання й лежать в основі підходу до створення ЕС.

Рис 1.1. Уявлення про взаємозв’язки інформації та знань

У [ 122 ] знання визначається як «особлива форма духовного засвоєння результатів пізнання, процесу відображення дійсності, яка характеризується усвідомленням їх істинності». З точки зору ШІ в інженерії знань це означення необхідно пов’язати з виведенням, і тоді прийнятнішим є таке означення:

Означення 1.1. Знання — це формалізована перевірена інформація, на яку посилаються чи використовують в процесі виведення.

Якщо ця процедура виконується програмним шляхом, то знання — це обов’язково інформація, подана в певній формі. Якщо ж розглядати знання з точки зору розв’язування задач у деякій предметній галузі, то їх зручно поділити на дві великі категорії — факти та евристику.

Перша категорія — факти — вказує зазвичай на добре відомі в цій предметній галузі обставини, тому знання цієї категорії іноді називають тестовими, маючи на увазі їх достатню висвітленість у спеціальній літературі чи підручниках. Друга категорія знань — евристика — ґрунтується на власному досвіді фахівця цієї предметної галузі — експерта, нагромадженому завдяки багаторічній практиці. В ЕС саме ця категорія знань відіграє вирішальну роль у підвищенні ефективності системи, оскільки до цієї категорії входять такі знання, що потребують високого інтелекту для здійснення аналізу інформації, яка надходить від об’єкта досліджень, а саме: способи зосередження, способи вилучення некорисних ідей, способи використання нечіткої інформації та ін.

Крім цих двох категорій знань, вирізняють ще метазнання (знання про знання) та правила (знання про прийняття рішень).

Отже, під фактами розуміють знання типу «А це А», і вони є характерними для БД і сіткових моделей. Метазнання вказують на знання стосовно способів використання знань, а також знання стосовно властивостей знань (що необхідно для управління БЗ) і виведення, ототожнення, навчання тощо. Зрештою, під правилами розуміють знання типу «ЯКЩО — ТО».

Таким чином, знання, якими заповнюється ЕС, містять знання першого роду — декларативні (загальновідомі факти, явища, закономірності-істини, визнані в певній предметній галузі й зафіксовані в книгах, статтях, довідниках тощо чи утворені іншими інтелектуальними системами знань завдяки виведенням після обробки інформації) та знання другого роду — процедурні (емпіричні правила, інтуїтивні міркування й факти, що, як правило, не публікуються, але дають змогу досвідченому експерту навіть в умовах неповноти їх і суперечливості ефективно приймати рішення).

Успіх реалізації ЕС тим більший, чим вища питома вага знань першого роду. Якщо переважають знання другого роду, то деяким розв’язанням труднощів у ситуаціях, коли експерт не може чітко сформулювати правила прийняття рішень або не хоче передавати комусь свої знання, є використання підсистеми накопичення знань. При цьому в автоматичному чи напівавтоматичному режимі формуються емпіричні залежності з неповних даних, і підсистема накопичення знань повинна зі знань другого роду побудувати знання першого роду, створивши теорію, а потім вивести вірогідні дані. Знання зазвичай мають класифікаційну ієрархічну структуру вигляду «джерело інформації — книга — навчальна література — підручник — інформатика». Кожен з елементів такої структури має різні зв’язки з елементами інших ієрархічних структур, тому існує потреба подати всі знання у вигляді сіток. Цей підхід характерний і для декларативних, і для процедурних знань.

Зазначимо, що знання можуть бути неповними (коли для доведення або спростування певного твердження не вистачає інформації), недостовірними (наприклад, через випадковість впливу чинників, через об’єктивну невизначеність), нечіткими (через неточну визначеність понять, якими подаються знання: наприклад, “ поруч ”, “ далеко ”, “ важкий ”, “ великий ” тощо).

Для створення можливості використання знань необхідно вирішити проблему здобуття знань, або в ширшому розумінні — проблему навчання. Саме з цим пов’язане здобування інформації з навколишнього середовища та її накопичення в пам’яті з метою дальшого використання.

Зазначена проблема має три взаємопов’язані аспекти: функції того, хто навчається; властивості середовища — джерела інформації; взаємодія того, хто навчається, із середовищем. Як наслідок, при навчанні ставляться принаймні дві мети: здобування інформації із середовища та підвищення її рівня й структурування. Доки не вивчена вся інформація, вона не може стати знанням і дані нижчого рівня, наприклад, початкові дані, можна використати на цьому рівні. З підвищенням рівня даних універсальність їх у плані застосування збільшується. Друга мета забезпечується різними засобами.

Виходячи з розглянутих вище тлумачень інформації та знання можна сформулювати концепцію інформатизації.

Означення 1.2. Інформатизація — це процес максимізації використання та відтворення знань як невичерпного ресурсу розвитку при мінімізації непоповнюваного ресурсу — часу для відтворення й комунікації знань.

Це означення інформатизації, з одного боку, підтверджує еволюційність процесу суспільного розвитку, оскільки відтворення, зберігання та комунікація знань за мінімальними ресурсами часу забезпечуються саме стадією комп’ютеризації, а з іншого — дає змогу визначити рівень науково-технічного прогресу суспільства за ступенем його інформатизації.

Сучасний етап розвитку інформатики характеризується еволюцією моделей даних у напрямі переходу від традиційних знань (реляційна, ієрархічна, мережна) до моделей знань.

Інженерія знань

Численні дослідження в галузі ШІ дали змогу укріпитися в думці, що необхідними для вирішення проблеми здобуття знань і здійснення виведення є знання експертів. Оскільки знання останніх нагромаджуються в пам’яті ЕОМ і використовуються для вирішення прикладних проблем, системи, що реалізують цей принцип, дістали назву експертних, а професор Є. Фейгенбаум (один із створювачів ЕС) запропонував для цієї галузі інформатики назву «інженерія знань», яка тепер має ширший зміст.

Інженерія знань — це сукупність технічних способів, спрямованих на створення систем, які призначені для вирішення проблем з використанням знань. Знання ж, як зазначено вище, є суттю інформації з обмеженою семантикою. Проте з позиції прикладних аспектів необхідно, щоб знання мали таку форму, для якої була б певною мірою властива свобода досягнення поставленої мети.

Питання про те, якою мірою припустима ця свобода, або, точніше, яким умовам повинні відповідати знання з їх описовими можливостями включно, має неоднакову відповідь залежно від галузі застосування знань. Зазвичай у сфері технічного застосування використовується різноманітне середовище їх подання, і, крім мовного опису, воно містить рисунки, математичні формули тощо. Мовний опис, який потрібен у прикладних галузях інформації (включаючи мову в широкому її розумінні й графіку), називається мовою подання знань. Для використання такої інформації у вигляді знань потрібні інтелектуальні функції, що часто перевищують функціональні можливості сучасних комп’ютерів. Все це (подання знань і їх використання, які розглядаються стосовно конкретної прикладної галузі) є предметом інженерії знань.

Хоча тут йдеться про ЕС як про щось єдине, вони у своєму конкретному втіленні мають найрізноманітнішу форму. Проте для всіх ЕС властива загальна риса: обробка інформації на ЕОМ виконується у формі, цілком відмінній від традиційної форми її обробки за Тьюрингом фон Нейманом. У загальному випадку ЕС є людино-машинними системами, побудованими з таких основних елементів, як БЗ з використанням вибраної форми подання знань, і МЛВ, що забезпечує маніпулювання цими знаннями при вирішенні прикладних проблем: він пов’язує знання воєдино, а потім виводить з їх послідовності висновок.

Форма виведення інформації залежить від способу подання знань. У СБЗ, у тому числі й ЕС, подання знань є фундаментальним поняттям, а рішення про вибір способу цього подання досить суттєво впливає на будь-яку їх складову частину. Можна навіть сказати, що можливості СБЗ визначаються поданням у них знань. І навпаки, щоб система обробки знань відповідала певним прикладним призначенням, необхідно створити відповідне подання знань.

Оскільки подання знань є засобом опису знань людини, бажано, щоб описові можливості цього засобу були якомога вищими. Але, з іншого боку, якщо форма подання знань стає надмірно складною, то ускладнюється й механізм виведення інформації. При цьому не тільки утруднюється проектування ЕС, а й виникає небезпека втрати вірогідності виконуваних нею дій. Тому в остаточному підсумку проектування подання знань передбачає вироблення всіх цих умов (обмежень), а потім вибір рішення на основі деякого компромісу між ними.

1.6. Проблемний характер формалізації та подання прикладних знань

Для проведення формалізації необхідно вибрати або побудувати концептуальну схему моделі системи знань (СЗ). Розробка методології всіх цих операцій і становить зміст першої проблеми — формалізації знань.

Друга проблема — подання знань — пов’язана з розробкою формального апарату для опису способів їх фіксації в пам’яті ЕОМ.

Способи подання знань

Однією з ключових проблем створення ШІ є проблема подання і використання знань. В галузі ШІ поняття про знання сформувалося в ході досліджень із створення принципів і техніки роботи з великими обсягами даних і з побудовою даних ― БД. Ефективність БД багато в чому залежить від того, яким саме способом організуються, структуруються дані в пам’яті ЕОМ. До певного часу основну роль в цьому відігравали формальні характеристики даних: належність їх до деякої табличної рубрики, входження до однієї тематичної групи тощо.

Проте ефективність БД можна істотно підвищити, якщо зв’язувати знання, що зберігаються, не за рахунок форм тих чи інших документів (таблиць, списків), а за рахунок тих відносин, які існують між фактами в об’єкті управління або в природному середовищі. І відносини ці мають бути не випадковими, ситуативними, а відображати істотні зв’язки об’єкта, його природу, тобто виникла необхідність відображати в БД знання про об’єкт. Такі БД стали називати інтелектуальними базами даних або базами (системами) знань. Ідеологія створення СЗ в основному пов’язана з формалізацією семантичної пам’яті, точніше, деяких її моделей, розроблених у когнітивній психології, а саме — семантичних сіток, фреймів тощо (насамперед сіток Петрі, які набули величезного значення для подання і перетворення знань щодо дискретно-подійних процесів, а також нейросіток у задачах класифікації, кластеризації, розпізнавання образів та нейро-фаззі-технологіях). Водночас розробляються СЗ на основі засобів логіко-символічних перетворень, що вивчаються в ШІ вже тривалий час і які мають розвинений відповідний математичний апарат.

Форма подання знань суттєво впливає на характеристики та властивості системи, оскільки для маніпулювання будь-якими знаннями реального світу за допомогою ЕОМ необхідно здійснювати їх моделювання. При цьому враховують такі фактори, як однорідність подання та простота розуміння знань. Зазвичай при розгляді нескладних задач зупиняються на деякому середньому (компромісному) поданні знань. Розв’язання ж складних і великих задач потребує структурування й модульного подання знань.

Кожна СЗ є математичною моделлю деякої галузі прикладного, неформалізованого знання. Система понять і відношень такої моделі відображає систему понять і відношень прикладного знання, а залежність, яка існує в моделі, апроксимує відповідну залежність у ньому.

Створення СЗ передбачає розв’язання таких взаємопов’язаних проблем:

· формалізація відповідної галузі прикладних знань. Це важке завдання, оскільки розв’язується вона вручну, потребує спільної роботи фахівців-прикладників і математиків і полягає у виборі або побудові концептуальної схеми моделі. Розробка методології всіх цих операцій і становить зміст першої проблеми — формалізації;

· друга проблема — подання знань — пов’язана з розробкою формального апарату для опису способів їх фіксації в пам’яті ЕОМ;

· розробка теорії обчислень та інших перетворень, що здійснюються в побудованих моделях, становить третю проблему — використання знань;

· нарешті, четверта, технологічна проблема, розв’язанням якої займаються системні програмісти, — це проблема розробки засобів програмної підтримки моделей, тобто створення БЗ і систем управління ними.

Основна увага в ШІ приділяється другій і третій з перерахованих проблем, причому провідна роль відводиться проблемі подання знань. На практиці її розв’язують разом з питаннями побудови концептуальних схем моделей подання знань, і багато хто вважає, що саме ця проблема і є основною для сучасного ШІ.

Можна виділити два напрями, що склалися в дослідженнях ШІ, які спираються на принципи організації людської пам’яті (і моделювання виведення на підставі цих принципів), а також на логічне дослідження. Типовими моделями подання знань у першому напрямі є моделі, що ґрунтуються на використанні продукцій, фреймів і семантичних сіток. Результатом досліджень другого напряму стало створення моделі подання знань на основі логіки предикатів першого порядку. При цьому серйозна увага приділялась поданню знань і генерації виведення з використанням теоретичної послідовної системи, в основному математичної формалізації та логічної повноти. Навпаки, перший напрям ґрунтується на розумінні процесу усвідомлення чогось людиною, що потребує скоріше виразності, аніж математичної чіткості.

У подальшому ці типові моделі подання знань (МПЗ) були доповнені спеціальними для конкретних випадків засобами, але класифікація моделей при цьому залишилася незмінною. Мова, що використовується для розроблення систем на основі цих моделей, називається мовою подання знань.

Наступні розділи книги дають змогу повніше ознайомитися з особливостями типових МПЗ. Тут же дамо загальну їх характеристику.

Логічна модель використовується для подання знань у системі логіки предикатів першого порядку та виведення висновків за допомогою силогізмів. У найпростішому випадку застосовуються логічні моделі подання фактів за допомогою предикатів з використанням атомарних формул:

ОРІЄНТАЦІЯ (РОБОТ, ДЕТАЛЬ): робот орієнтує деталь;

ПРОМИСЛОВИЙ РОБОТ (МП-9С): МП-9С — промисловий робот (ПР).

Логічна модель може мати вигляд правильно побудованої формули (ППФ), що включає квантори існування () і загальності (): () [МАНІПУЛЯТОР БАГАТОЛАНКОВИЙ ]: деякий маніпулятор має багатоланкову структуру;

() [ЗАХВАТ РОБОТА → ФУНКЦІЯ (, ЗАХОПЛЕННЯ ТА УТРИМАННЯ)]: всі захвати ПР призначені для захоплення й утримання об’єктів роботизації.

Відмінними рисами логічних МПЗ (в тому числі й наведених вище) є єдність теоретичного обгрунтування та можливість реалізації системи формально точних означень і виведень.

У моделі правил знання подаються сукупністю правил вигляду “ЯКЩО — ТО”. Системи баз знань (СБЗ), які ґрунтуються на цій моделі, називаються продукційними. Вони містять два діаметрально протилежні типи — з прямими (діагностичними) та зворотними (задачі проектування) виведеннями. Так, у продукційних системах із зворотними виведеннями за допомогою правил будується дерево І/АБО, що пов’язує в одне ціле факти та висновки, причому оцінка цього дерева на основі фактів, які є у БД, зводиться до виведення.

Виведення можуть бути і двоспрямованими, коли спочатку оцінюється невеликий за обсягом масив одержаних даних і вибирається гіпотеза (приклад — прямі виведення), а потім запитуються дані, необхідні для прийняття рішень про придатність цієї гіпотези. На основі цих виведень можна реалізувати більш потужну та гнучку продукційну систему зі зворотним виведенням.

Продукційні системи з прямими виведеннями містять три компоненти: 1) базу правил, що складається з набору продукцій (правил виведення); 2) БД, яка містить безліч фактів; 3) інтерпретатор для одержання виведення на підставі цих знань. Дві перші бази утворюють БЗ, а інтерпретатор відповідає МЛВ у вигляді циклу “розуміння — виконання”, причому в кожному циклі виконувана частина вибраного виведення оновлює БД. Як наслідок, зміст БД перетворюється від першорядного до цільового, тобто цільова функція (система) синтезується в БД.

Незважаючи на простий цикл вибору та виконання (або оцінки) правил, необхідність періодичного порівнювання (ототожнювання) результатів прямого виведення в продукційних системах із зразком у БД призводить до того, що зі збільшенням кількості правил суттєво уповільнюється швидкість виведення. Отже, такі системи не здатні розв’язувати великомасштабні задачі.

Інакше кажучи, збільшення обсягу знань, необхідність розв’язання складних задач, виконання гнучких виведень або підвищення швидкості виведення потребують структурування знань, тобто шляхом попереднього групування відповідних правил у деякому стані процесу виведення можна обмежити діапазон їх вибору. Структурування БД є ефективним і в тих випадках, коли об’єкти, для яких використовуються ці правила, мають ієрархічну структуру.

Дедалі частіше МПЗ, які ґрунтуються на застосуванні зазначених правил, використовуються в комбінації з фреймовими моделями — систематизованими у вигляді єдиної теорії психологічними моделями пам’яті людини та її усвідомленням.

Фрейм — це парадигма для подання знань з метою використання цих знань комп’ютером. Вперше фреймова модель була представлена Г. Мінським як спроба побудувати фреймову мережу, або парадигму, з метою досягнення більшого ефекту розуміння [71; 39 ]. З одного боку, Мінський намагався сконструювати базу даних, що містить енциклопедичні знання, а з другого — він хотів створити найбільш наочну описову базу, яка містила б інформацію в структурованій і впорядкованій формі. Ця структура дала б змогу вводити інформацію в комп’ютер в більш гнучкій формі, маючи доступ до того розділу, який потрібен у поточний момент. Мінський розробив таку схему, в якій інформація міститься в спеціальних чарунках — так званих фреймах, які з’єднані в мережу або систему фреймів. Приклад фреймової системи, що описує склад ПР, показано на рис. 1.5.

а

б

Рис. 1.5. Структура ПР типу ПР 5-2 ( а ) та приклад фреймової системи,

що описує його склад ( б )

 

Новий фрейм активізується з настанням нової ситуації. Відмітною його рисою є те, що він одночасно містить великий об’єм знань і водночас є достатньо гнучким для того, щоб його використати як окремий елемент БД, тобто одночасно підпорядковується як системному, так і ієрархічному принципу побудови знань.

Термін “фрейм” був найбільш популярний у середині сімдесятих років, коли існувало багато його тлумачень, відмінних від інтерпретації Мінського. Фрейми використовуються в системах штучного інтелекту (наприклад, в ЕС) як одна з поширених форм подання знань.

Важливим моментом у цій теорії є поняття фрейму — спеціальної структури даних для подання деякого концептуального об’єкта. Інформація про фрейм міститься в слоті — складовій фрейму. Всі фрейми взаємозв’язані й утворюють єдину фреймову систему, в якій органічно об’єднані декларативні та процедурні знання.

Теорія фреймів стала поштовхом до розроблення кількох поширених тепер мов подання знань (FPL, FMS, KRL, KEE, KRINE, LOOPS та ін.) — середовища для розробок і досліджень у галузі інженерії знань. Цими мовами часто користуються фахівці цієї галузі. Зокрема, мовою FMS фреймова модель розглядається як ієрархічна структура даних із модульним поданням знань у вигляді певних форматів, які називаються фреймами. Кожний з них описує один концептуальний об’єкт, а конкретні властивості останнього та факту, що його стосується, відображають слоти — структурні елементи цього фрейму.

Оскільки для концептуального подання об’єктів властива ієрархічність, цілісний образ знань будується у вигляді однієї фреймової системи, що має ієрархічну структуру. В слот можна підставляти різні дані; специфічною процедурою виведення у фреймі є приєднувальна процедура, що використовується як слот. Мова подання знань, які базуються на фреймовій моделі, особливо ефективна для структурного опису складних понять і розв’язання задач, в яких відповідно до ситуації бажано застосовувати різні способи виведення. Слід додати, що фреймову систему без механізму приєднувальних процедур (отже, і механізму пересилання повідомлень) часто використовують як БД продукційної системи.

Більш наочними є мови, що спираються на сіткову модель подання знань. В основі такої моделі лежить ідея про те, що будь-які знання можна відобразити у вигляді сукупності об’єктів (понять) і зв’язків (взаємовідношення) між ними (див., наприклад, рис. 1.6).

 

Рис. 1.6. Приклад сіткового подання сукупності знань

Рисунок супроводжується текстом, що містить деякі декларативні знання: “Зліва від верстата розташований приймальний бункер. Відстань до нього дорівнює двом метрам. Праворуч від верстата — бункер готової продукції. Він розташований поряд з верстатом. Робот переміщається паралельно верстату і бункерам на відстані 1 м”.

Отже, на даному рисунку показано сіткове подання сукупності знань, зафіксованих у цьому об’єкті, у вигляді моделі семантичної сітки. Поняття і об’єкти, що зустрічаються в тексті, зображені у вигляді сітки, а взаємовідношення — у вигляді дуг, що зв’язують відповідні вершини.

На рис. 1.7 зображено фрагмент семантичної сітки, що ілюструє речення “ПР типу Тур-10 протягом часу від t ₁ до t ₂ виконував операцію маніпулювання об’єктом типу ступінчастого вала”. На рисунку є дуги a, b, “ Виконавець ”, “ Об’єкт ”, “ Початок ” і “ Кінец ь”, причому дуги а та б означають відповідно “підмножину” й “елемент” і належать до ієрархічних понять.

Рис. 1.7. Фрагмент СС

Нейронні сітки, або штучні нейронні сітки, відображають розвиток моделей, які з’явилися завдяки спробам імітування механізму мислення людини, що вже з огляду на цю обставину є формальними МПЗ. Для певних класів задач, що стосуються ШІ (насамперед розпізнавання, інтелектуального управління динамікою складних механічних систем тощо), нейросіткові моделі часто забезпечують більш ефективні рішення, ніж традиційні символьні підходи.

Нейронна сітка є сукупністю нейронів і зв’язків між ними. Кожний нейрон виконує відносно просту функцію, але, будучи об’єднаними численними зв’язками в єдину структуру, всі вони разом утворюють систему, здатну розв’язувати складні задачі.

Вирізняють два типи нейроподібних сіток. У сітках першого типу вузлами є формальні елементи, що описують окремі нейрони. В сітках другого типу вузлами є формальні елементи, що відповідають не окремим нейронам, а особливим сукупностям їх — нейронним ансамблям. Під нейронним ансамблем розуміють таку сукупність взаємозв’язаних нейронів, яка збуджується повністю при збудженні окремої її частини. Багато дослідників вважають, що саме нейронний ансамбль, а не окремий нейрон, і є функціональною одиницею мозку як системи, що забезпечує складну діяльність людини як живої істоти.

Як об’єкт модельного опису нейронний ансамбль відрізняється від окремого нейрона двома основними особливостями. Одна з них полягає в тому, що початкове збудження ансамблю змінюється неперервно, а не за законом “так — ні”. Нейронний ансамбль можна описати як нелінійний перетворювач аналогової інформації, який задається набором певних статичних і динамічних характеристик.

Інша особливість нейронного ансамблю полягає в тому, що він може бути поставлений у відповідність до деякої змістовної одиниці — поняття, образу тощо, тобто елементу, який бере участь у процесі розумової діяльності людини.

Отже, нейроподібна сітка, вузли якої відповідають ансамблям, стає сіткою із семантикою, або семантичною сіткою (СС). Ця обставина значно змінює підхід до проблем синтезу сіток і змістової інтерпретації процесів, що в них відбуваються.

У найзагальніших рисах результатом функціонування нейронної сітки є сигнал, який ідентифікує належність вхідного зображення до одного з кількох класів. Завдяки властивості навчатися сітка “зберігає” ці зображення у своїй “пам’яті” (тобто сітка здійснює категоризацію зображень).

Елементарна складова сітки — нейрон — має кілька входів і один вихід. Структуру нейрона зображено на рис. 1.8, а (це Adeline — adaptive linear element [105; 201]).

Рис. 1.8. Структура нейрона ( а ) та варіанти нелінійностей в ньому ( б, в )

Елементи вхідного вектора множаться на вагові коефіцієнти ; зважені значення підсумовуються й надходять до входу порогового елемента, двійковий вихід якого є виходом нейрона. У загальному випадку для відтворення нелінійностей в нейроні можуть застосовуватися не тільки ступінчасті (рис. 1.8, б), а й похилі функції (рис. 1.8, в).

Однією з найважливіших особливостей нейронної сітки є її здатність до навчання. В процесі навчання нейрона відбувається піднастроювання вагових коефіцієнтів таким чином, щоб він правильно класифікував максимальну кількість вхідних зображень.

Звичайно, навчання нейронної сітки здійснюється значно складніше, ніж навчання одного нейрона. На практиці використовують різні евристичні підходи, що забезпечують наближене розв’язання задачі навчання нейронної сітки за прийнятний час. Одним з найвідоміших є метод зворотного поширення, який узагальнює на багатошарові нейронні сітки підхід, що лежить в основі методу найменших квадратів. У методі зворотного поширення на підставі мінімізації середньоквадратичних похибок між бажаним і фактичним виходами векторів розв’язку задачі послідовно під настроюються ваги зв’язків,

Результати досліджень у галузі моделювання нейронних сіток значно розширили клас задач, що розв’язуються за допомогою нейроподібних сіток. Тепер до нього класу належать комбінаторні, оптимізаційні та інші задачі. Завдяки успіхам мікроелектроніки підготовлено технологічну базу для створення обчислювальних пристроїв, які здатні здійснювати паралельне оброблення інформації. Ці два фактори зумовили появу нейрокомп’ютерів — ЕОМ, архітектура яких найкраще пристосована до розв’язання задач моделювання нейронних сіток. За нашого часу нейрокомп’ютери створюються у вигляді компактних приставок до персональних ЕОМ, суттєво підвищуючи функціональні можливості їх.

Ефективним засобом подання та моделювання дискретних процесів є сітки Петрі (СП). Їх основні властивості полягають у можливості відображення паралелізму, асинхронності, ієрархічності об’єктів, що подаються, більш простішими засобами. Тому використання сіток Петрі для дослідження ієрархічних дискретних сис­тем, зокрема ГКІС, є найкращим.

Сітка Петрі – причинно-наслідкова модель представлення подій, що виника­ють у процесі роботи дискретної системи. Процеси подаються як множина подій та умов. Події – це дії, послідовність настання яких керується станами системи. Стан системи визначається сукупністю умов, серед яких виділяють: предумови – пов’язані з фактом наступу події; постумови – пов’язані з фактом здійснення події.

Таким чином, СП представляється сукупністю пов’язаних подій та умов, що виникають у описуваній системі.

Для задавання СП найчастіше використовують такі способи, як теоретико-множинне визначення, графічне зображення та матричне подання.

1. Теоретико-множинне визначення СП.

Формально сітка Петрі може бути задана у вигляді п’яти елементів:

де кінцева непорожня множина позицій (станів, місць); кінцева непорожня множина переходів (подій); функція, що, визначивши передумови здійснення подій, призначає для кожного переходу вхідну множину позицій функція, що, визначивши постумови, призначає для кожного переходу вихідну множину позицій початкове маркування – кількість маркерів у позиції

Необхідно зауважити, що перші чотири елементи визначають структуру системи, а останній елемент – динаміку поведінки системи, її початковий стан. Динаміка сітки пов’язана з рухом маркерів по позиціях у результаті спрацьовувань пере­ходів, внаслідок чого маркуються нові позиції

2. Графічне зображення СП.

Графічно СП – це дводольний орієнтований мультиграф, де: дводольність означає наявність двох типів вершин (позицій та переходів); орієнтованість означає, що всі дуги мають певний напрямок; мультиграф – дуги можуть мати кратність (вона позначається значенням над дугою або кількістю дуг).

Графічне зображення пов’язане з теоретико-множинним визначенням таким чином (рис. 1.9): позиції відображаються кругами; переходи рисками; функції і орієнтованими дугами, кількість або кратність яких визначається значенням функцій; маркування сітки відображається кількістю маркерів у позиціях.

Рис. 1.9. Елементи сітки Петрі

 

3. Матричне подання СП.

Матричне подання – це аналітичний спосіб представлення СП. У цьому випадку функції інциденцій та початкове маркування зображаються у вигляді матриць розміром

та вектором-стовпцем розміром

де

4. Правила роботи СП.

Робота (функціонування) СП – послідовність спрацьовування переходів, внаслідок яких відбувається зміна маркувань позицій.

Перехід може спрацьовувати, якщо він збуджений. Перехід вважається збудженим, якщо виконується така умова:

яка виконуються до умови здійснення модельованої цим переходом події – у кожній вхідній позиції переходу кількість маркерів не менша кратності дуг, що їх з’єднують (рис. 1.10).

а б

Рис. 1.10. Виконання умови збудження переходу:
а – умова не виконана; б – умова виконана

Тоді умова спрацьовування збудженого переходу має вигляд:

тобто при спрацьовуванні збудженого переходу маркування замінюється маркуванням за правилом: з вхідних позицій переходу заби­рається певна кількість маркерів, яка визначається функцією а вихідні позиції переходу отримують іншу кількість маркерів, яка визначається функцією (рис. 1.11).

Рис. 1.11. Правило спрацьовування збудженого переходу

Необхідно відмітити, що у випадку використання матричного способу подання СП умова збудження переходу має вигляд:

а умова спрацьовування:

де вектор-стовпець розміром у якого всі елементи дорівнюють 0, крім

У будь-якому стані СП може існувати декілька одночасно збуд­жених переходів. Але послідовність їх спрацьовування не встановлена і може бути будь-якою без одночасного спрацьовування переходів. Тому в СП визначають декілька прийнятних послідовностей спрацьовувань переходів, породжуючих послідовності маркувань, що виникають. Це відображає паралелізм та недетермінізм СП. Таким чином, з функціонуванням сітки Петрі пов’язують дві послідовності: спрацьовуючих переходів та виникаючих (досяжних) маркувань. Ці послідовності є взаємозв’язаними.

Два маркування і вважаються безпосередньо досяжними, якщо у функціонуванні сітки існує перехід спрацьовування якого переводить сітку з у тобто (рис. 1.12).

Рис. 1.12. Безпосередньо досяжне маркування

Два маркування і вважаю