Интеллектуальные информационные системы



Мы поможем в написании ваших работ!


Мы поможем в написании ваших работ!



Мы поможем в написании ваших работ!


ЗНАЕТЕ ЛИ ВЫ?

Интеллектуальные информационные системы



Содержание

Литература.......................................................................................................................... 2

1. Основные понятия......................................................................................................... 3

2. Нечеткие множества и лингвистические переменные.......................................... 4

3. Сущность лингвистического и численного описания ......................................... 5

4. Понятие переменной ................................................................................................... 6

5. Понятие нечеткой переменной................................................................................... 8

6. Операции над нечеткими подмножествами ........................................................... 9

7. Расстояние Хэмминга................................................................................................. 11

8. Свойства ближайших обычных множеств............................................................ 13

9. Обычное подмножество α-уровня.......................................................................... 14

10. Теорема декомпозиции........................................................................................... 14

11. Нечеткая логика........................................................................................................ 15

12. Нечеткие выводы ..................................................................................................... 18

13. Система параллельного запуска........................................................................... 20

14. Пример диагностической системы ...................................................................... 21

15. Нечеткие соответствия............................................................................................ 23

16. Нечеткие высказывания........................................................................................... 24

17. Нечеткие логические функции.............................................................................. 25

18. Нечеткое включение................................................................................................ 26

19. Степень равенства.................................................................................................... 26

20. Построение функций принадлежности нечетких множеств........................... 27

21. Прямые методы построения функции принадлежности.................................. 28

22. Косвенные методы построения функции принадлежности............................ 28

23. Экспертные системы................................................................................................ 29

24. Обработка факторов уверенности ....................................................................... 30

25. Алгебра факторов уверенности для переменной среды E.CFJO................... 31

26. Алгебра факторов уверенности для переменной среды E.CFCO.................. 32

27. Алгебра факторов уверенности для переменной среды E.CFVA.................. 33

28. НЕ-факторы................................................................................................................ 34

29. Структурно-алгебраические основы описания НЕ-факторов (28.12.2008) 36

30. Анализ НЕ-факторов................................................................................................ 38

31. Сложные и элементарные параметры.................................................................. 39

32. Основные источники неточности.......................................................................... 39

33. Использование нечетких моделей и нечеткой логики в сфере бизнеса и финансов     39

34. Курсы валют.............................................................................................................. 40

35. Нечеткость информации......................................................................................... 40

36. Система FOREX......................................................................................................... 41

37. Многокритериальный выбор альтернатив на основе пересечения нечетких множеств 42

 

 


Интеллектуальные информационные системы

Список литературы

1. Интеллектуальные информационные системы в экономике. Учебное пособие. –М: Экзамен. – 2003 г.

2. Гаскаров Д. В. Интеллектуальные информационные системы. Учебное пособие. –М: Высшая школа. – 2003 г.

3. Рыбина. Теория и технология интегрированных экспертных систем. –М: Научтехлитиздат. – 2008 г.

4. Андрейчиков А. В., Андрейчикова О. Н. Интеллектуальные информационные системы. –М: Финансы и статистика. – 2004 г.

5. Джораттано Дж., Гайли Г. Экспертные системы: принципы разработки и программирования. –М: Вильямс. – 2007 г.

6. Люгер Дж. Искусственные интеллектуальные стратегии и методы решения сложных проблем. –М: Вильямс. – 2003 г.

7. Рассел, Норвиг. Искусственны интеллект: современный подход. –М: Вильямс. – 2006 г.

8. Смолин Д. В. Введение в искусственный интеллект. – 2004 г.

1. Основные определения

Данные – это информация, полученная в результате наблюдения или измерения отдельных свойств или атрибутов, характеризующих объекты, процессы и явления в предметной области.

Знания - это связи и закономерности предметной области (принципы, модели, законы), полученные в результате практической деятельности и профессионального опыта, позволяющие специалистам ставить и решать задачи в данной области.

Знания – это хорошо структурированные данные, данные о данных (метаданные).

Знания делятся на глубинные и поверхностные.

Поверхностные знания – знания о видимых взаимосвязях между отдельными событиями или фактами предметной области.

Глубинные знания – это абстракции, аналогии, схемы, которые отражают структуру и природу процессов, протекающих в предметной области.

Такие знания объясняют явления и могут использоваться для прогнозирования поведения объектов.

Современные интеллектуальные системы в основном работают с поверхностными знаниями. Это связано с тем что пока не существует универсальных методик, которые позволяли бы выявлять глубинные структуры знаний и работать с ними.

Инженерия знаний – занимается проблемами хранения и обработки знаний. Разрабатывается широкий класс систем, основанных на знании.

В основе деятельности специалиста (инженера по знаниям) находится процессы концептуализации – способы отображения понятийной структуры в компьютер.

Основная задача инженера по знаниям является связанной с построением модели проблемной области. Любая система, обладающая базой знаний о некоторой предметной области, может рассматриваться как интеллектуальная система.

Онтологии – это базы знаний специального типа, которые могут читаться, пониматься, отчуждаться или физически разделяться от разработчиков. Существует отдельная ветвь - онтологический инжиниринг.

 

 

Когнитивные процессы

Когнитивные технологии для поддержки принятия управленческих решений и когнитивный анализ и моделирование сложных ситуаций.

Когнитология – наука о знании.

Сложности анализа процессов принятия управленческих решений в таких областях как экономика, экология, социология, обусловлены рядом особенностей, которые присущи этим областям:

1) Многоаспектность происходящих в них процессов и их взаимосвязанность;

2) Отсутствие достаточной количественной информации о динамике процессов. Это вынуждает переходить к качественному анализу таких процессов;

3) Изменчивость характера процессов во времени.

В силу указанных особенностей экономические, социальные и другие системы относят к слабоструктурированным системам. Под текущей ситуацией понимается состояние слабоструктурированной системы в рассматриваемый момент времени. Число факторов в такой ситуации может измеряться десятками.

Все они зависят от времени, а также между ними есть причинно-следственные отношения. В этом случае увидеть и осознать логику развития в такой ситуации крайне трудно.

На многие сложные вопросы, относящиеся к слабоструктурированным системам, можно ответить, если использовать компьютерные средства познавательного (когнитивного) моделирования ситуаций.

Специфика прикладных средств когнитивного моделирования заключается в их ориентированности на конкретные условия развития ситуации в той или иной стране, регионе, городе.

 

 

Вопросы обеспечения целенаправленного поведения в сложной ситуации

 

При анализе конкретной ситуации пользователь обычно знает какие изменения базисных факторов является для него желательным.

Факторы, представляющие наибольший интерес для пользователя называют целевыми. Это так называемы выходные факторы.

Задача выработки решений по управлению процессами в ситуации состоит в том, чтобы обеспечивать желательные изменения целевых факторов. Цель считается корректно заданной, если желательные изменения одних целевых факторов не приводят к нежелательным изменениям других целевых факторов.

В исходном множестве базисных факторов выделяется совокупность так называемых управляющих факторов (входные факторы когнитивной модели).

Эти воздействия считаются согласованными с целью, если не вызывают нежелательных изменений ни в одном из целевых факторов.

При корректно заданной цели управления и при наличии управляющих воздействий, согласованных с целью, решение задачи управления не вызывает особых трудностей. Но в общем же случае наличие целей для обеспечения целенаправленного поведения в ситуации, является весьма непростой задачей, требующей специального рассмотрения.

 

 

Классификация ИИС

 

Рисунок 7 – Классификация ИИС

1) Системы с интеллектуальным интерфейсом.

2) Экспертные системы.       

3) Самообучающиеся системы.

4) Интеллектуальные базы данных.

5) Системы с естественно-языковым интерфейсом (ЕЯ системы)

6) Гипертекстовые системы.

7) Контекстные системы помощи.

8) Системы с когнитивной графикой.

9) Классифицирующие системы.

10) Доопределяющие системы.

11) Трансформирующие системы.

12) Многоагентные системы.

13) Индуктивные системы.

14) Нейронные сети.

15) Системы на прецедентах.

16) Информационные хранилища.

Гипертекстовые системы

 

Гипертекстовые системы предназначены для реализации поиска по ключевым словам в базах текстовой информации. Интеллектуальные гипертекстовые системы отличаются более сложной организацией ключевых слов, которая отражает различные смысловые отношения в терминах. Таким образом, механизм поиска работает прежде всего с базой знаний ключевых слов, а затем уже с текстом.

Системы контекстной помощи

 

Системы контекстной помощи обычно рассматривают как частный случай интеллектуальных гипертекстовых и естественно-языковых систем.

В отличие от обычных систем помощи, которые навязывают пользователю систему поиска требуемой информации, в контекстной помощи пользователь описывает проблему (ситуацию), а система с помощью дополнительного диалога ее конкретизирует и сама выполняет поиск знаний, относящихся к данной ситуации.

Такие системы относятся к классу систем распространения знаний и создаются как приложение к системам документации.

Системы когнитивной графики

 

Системы когнитивной графики позволяют реализовывать интерфейс пользователя системы с помощью графических образов, которые генерируются в соответствии с происходящими событиями.

Такие системы используются в мониторинге и управлении оперативными процессами. Системы когнитивной графики широко используются также в обучающих и тренажерных системах на основе принципов виртуальной реальности, то есть когда графические образы моделируют ситуации, в которых обучаемому необходимо принимать решение и выполнять определенные действия.

 

Модели представления знаний

Продукционная модель

- это модель, основанная на правилах – позволяет представить знания в виде предложений, состоящих из 2 частей – “если” и “то”.

Под условием понимается некоторое предложение(образец), по которому осуществляется поиск в базе знаний. А под действием понимается наше действие при успешном исходе поиска.

Они могут быть промежуточными, выступающими далее как другие условия, а могут быть терминальными (целевыми), т.е. такие, которые завершают работу условия.

При использовании продукционной модели база знаний состоит из набора правил. Перебором правил управляет программа, которая называется машина вывода (интерпретатор).

Вывод бывает прямым – от данных к цели. И обратным – вывод от цели для ее подтверждения к данным.

Данные – исходные факты, на основе которых запускается машина вывода.

Пример:

Имеется фрагмент базы знаний, включающей только 2 правила:

R1 – если «отдых планируется летом и человек активный», то «следует ехать в горы».

R2 – если «любит солнце», то «отдых следует запланировать летом».

Данные: человек активный, любит солнце.

Проход правил:

Шаг 1. Пробуем правило R1 – не работает, нет данных.

Шаг 2. Пробуем правило R2.

Проход 2.

Шаг 1. Пробуем правило R1 – активизируется правило «ехать в горы».

Обратный вывод:

1й проход

Шаг1. Цель ехать в горы, пробуем R1, данных нет, они становятся целью, ищется правило в переменной цели.

Шаг2. Отдых летом подтверждает R2 и активизирует ее.

Шаг3. Пробуем R1, подтверждается цель.

Продукционная модель чаще всего применяется в промышленных экспертных системах.

Она привлекает разработчиков своей наглядностью, высокой модульностью.

Легкостью внесения дополнений и изменений.

И простотой механизма логического вывода.

Существует большое число программных средств, которые реализуют продукционную модель.

Например  OPS-5, EXSIS, СПЭИС

 

Семантические сети

Термин семантические сети означает “смысловая”.

А сама семантика – наука, которая устанавливает отношения между символами и объектами, которые они объясняют. Наука, определяющая смысл знаков.

Семантическая сеть – ориентированный граф, вершины которого представляют понятия, а линии (дуги) представляют отношения между ними.

Понятиями обычно выступают абстрактные или конкретные объекты.

Отношения – это связи между этими объектами.

Характерная особенность семантических сетей – это обязательное наличие 3 типов отношений.

Пример: класс – элемент класса, свойство – значение.

Пример элемента класса.

Существует несколько классификаций семантических сетей:

1) По количеству отношений

1. Однородные с единственным типом отношений;

2. Неоднородные с различными типами отношений.

2) По типам отношений

1. Бинарные сети – в которых отношения связывают 2 объекта;

2. Парные сети – в которых отношения связывают более чем 2 понятия.

Наиболее часто используются в семантических сетях:

1. Связь “часть – целое” (класс подкласс, элемент - множество);

2. Функциональные связи (производит, владеет);

3. Количественные отношения (A > 0, B < 0);

4. Пространственные отношения (далеко от, близко от, над, за и т.п.);

5. Временные (раньше, позже, одновременно);

6. Атрибутивные (иметь свойство, иметь значение);

7. Логические связи – и, или, не.

Проблема поиска решения в базе знаний типа семантической сети

сводится к задаче поиска фрагмента сети, соответствующего некоторой подсети, соответствующей поставленному вопросу.

 

Рисунок 8 – Модель

 

    Преимущества модели:

- совпадает с тем, как человек познает мир;

- соответствие долговременной памяти человека.

Недостатки:

- сложность с поиском вывода.

Реализации: NET, PROSPECTOR, CASNET, TORUS – языки представления знаний в виде семантической сети.

 

Фрейм

Frame – рамка

Frame – как структура знаний для восприятия пространственных сцен.

Под фреймом понимается абстрактный образ или ситуация.

Абстрактный образ. Пример:

Слово “комната” – ассоциируется с образом жилого помещения с окнами, дверьми, полом и потолком и с площадью равной примерно 6-20 кв. метров. Есть пустые места – количество окон, цвет стен, высота потолка и т.д.

В теории фреймов такой образ называют фреймом.

Фреймом называют формализованную модель для отображения образа.

 

Структура фрейма

Рисунок 9 – Структура фрейма

 

Слотом может являться другой фрейм.

Различают фреймы – образцы (прототипы, которые хранятся в базе данных, и фреймы – экземпляры, которые создаются для отражения реальной ситуации, на основе поступающих данных.

Пример:

Магазин – образец;

Булочный магазин – экземпляр.

Модель фреймов является действительно универсальной, т.к. позволяет отображать все множество знаний о мире через следующие фреймы:

1. Фрейм - структура – предмет или понятие;

2. Фрейм – роль;

3. Фрейм – сценарий;

4. Фрейм – ситуация.

Важнейшим свойством теории фреймов является заимствование из

теории семантических сетей полезных свойств

    AKO – связи (a kind of  - это)

    Слот АКО указывает на фрейм более высокого уровня иерархии, откуда наследуется свойство.

В школе
Ребенок
  АКО Учится Возр  
7 – 17 лет
Сладкое
50 - 180см
0-16 лет
Человек
  АКО Возраст Рост Люб.
  АКО Умеет
Мыслить
Млекопитающее
Человек                                                                                                                                                                                                                                                                 Ребенок                                                                                                                                                                                                                                                              Учится

 

Рисунок 10 – Сеть фреймов

 

Основное преимущество фреймов как модели представления знаний является способность отражать концептуальную основу организации памяти человека, а также гибкость и наглядность.

Существует специальный язык представления знаний в сетях фреймов. FRL, на них построены промышленные экспертные системы ANALIST, НОДИС.

 

Формальные модели

Основная идея подхода при построении формальных логических моделей представления знаний. Вся информация, необходимая для решения прикладных задач, рассматриваемых как совокупность фактов и убеждений, которые представляются как формулы в некоторой логике.

Знания отображают совокупность таких формул, а получение новых знаний сводится к реализации процедур логического вывода.

В основе логических моделей представления знаний находится понятие формальной теории. Понятие задается кортежем:

              S = <B, F, A, R>

B – смежное множество базовых символов.

F – множество, называемое формулами.

R – выделение подмножеств.

К – конечное множество отношений между формулами, множество называют правилом вывода.

Достоинства логических моделей представления знаний.

1. В качестве фундамента используется классический аппарат математической логики, методы, которые хорошо изучены и формально обоснованы.

2. Существуют достаточно эффективные процедуры вывода, в том числе реализованные на языке логического программирования – PROLOG.

3. В базах знаний можно хранить лишь множество аксиом, а все остальные знания получают путем логического вывода.

 

Экспертные системы

Система, основанная на знаниях. Назначение – решение достаточно трудных для экспертов задач на основе имеющихся баз знаний, отражающих опыт работы экспертов в данной области.

Достоинство данных систем заключается в возможности принятия решения в уникальных ситуациях, для которых алгоритм заранее известен и формируется по исходным данным в виде цепочки рассуждений (правил принятия решения) из базы знаний.

Решение задачи предполагает осуществление в условиях неполноты, недостоверности, условий многозначности исходной информации и категорий оценок процессов.

Экспертная система является инструментом, которая усиливает интеллектуальные способности человека (эксперта) и может выполнять следующие роли:

1. Консультирование для неопытных пользователей.

2. Ассистент в связи с необходимостью анализа экспертом различных вариантов принятия решения.

3. Партнер эксперта по вопросам, относящимся источнику знаний из сложной области деятельности.

Архитектура экспертных систем включает следующие компоненты – база знаний, программные инструменты и обработчики знаний, которые состоят из механизма вывода заключений, преобразования знаний, объяснения полученных результатов и интеллектуального интерфейса.

Основная ценность в базе знаний – совокупность единиц знаний, которые представляют собой формализованные представления, отражения объектов проблемной области и взаимодействий, действий над объектами и другие элементы.

 

Рисунок 11 – Схема экспертной системы

 

П – пользователь

Э – эксперт

ИИ – интеллектуальный интерфейс

МВ – машина вывода

МО – машина объяснения

БЗ – база знаний

МПЗ – механизм приобретения знаний

ИЗ – инженер знаний

ЭС – экспертная система

    Интеллектуальный интерфейс – программный интерфейс, который воспринимает сообщения пользователя и преобразует их в форму, которая может быть представлена в базе знаний и наоборот.

    Машина вывода – программный инструмент, который получает от интеллектуального интерфейса запрос и реализуется логический вывод (ответ на запрос).

    Машина объяснения – в процессе решения задачи пользователь может запросить объяснения принятого решения (HOW? и WHY?).

Организация базы знаний

Классы экспертных систем

 

По степени сложности решаемых задач экспертные системы классифицируют по следующим признакам:

1) По способу формирования решения системы разделяют на 2 класса: аналитические и синтетические. Аналитические предполагают выбор решения из множества известных альтернатив. Синтетические предполагают генерацию решений (формирование объекта).

2) По способу учета временного признака: статические и динамические. Статические решают задачи при неизменяемых в процессе решения знаниях. Динамические допускают такие изменения. Статические системы допускают монотонное решение задачи от ввода исходных данных до конечного результата. Динамические предусматривают возможность пересмотра в процессе решения полученных ранее результатов.

3) По видам используемых данных и знаний: системы с детерминированными (четко определенными) знаниями и неопределенными знаниями. Под неопределенностью знаний понимается их неполнота или отсутствие, двусмысленность, нечеткость.

4) По числу используемых источников знаний: с использованием одного источника и множества; альтернативные и дополняющие друг друга.

  Анализ Синтез  
Детерминированная Классифицирующие Трансформирующие Один источник знаний
Неопределенность Доопределяющие Многоагентные Множество источников знаний
  Статика Динамика  

Многоагентные системы

Для таких динамических систем характерна интеграция в базе знаний нескольких разнородных источников знаний, обменивающихся между собой полученными результатами на динамической основе. Например, через доску объявлений.

Рисунок 12 – Схема многоагентной системы

ИЗ – источник знаний.

Для многоагентных систем характерны следующие особенности:

1) проведение альтернативных рассуждений на основе использования различных источников знаний с механизмом устранения противоречий;

2) распределенное решение проблем, которые разбиваются на подпроблемы;

3) применение множества стратегий, работы механизма вывода заключений в зависимости от типа решаемой задачи;

4) обработка больших массивов данных, содержащихся в базе данных;

5) использование различных математических моделей и внешних процедур, хранимых в базе моделей, способность прерывания решений задач в связи с необходимостью получения дополнительных знаний и данных от пользователей модели параллельно решаемых подпроблем.

Для синтезирующих динамических систем наиболее применимы предметные (проблемные) области:

1) проектирование, определение конфигурации с точки зрения достижения заданных критериев эффективности и ограничений;

2) прогнозирование – предсказание последствий развития ситуации на основе моделирования;

3) диспетчирование – распределение работ во времени, составление расписаний, планирование;

4) планирование – выбор последовательности действий пользователя по достижению цели;

5) мониторинг – слежение за текущей ситуацией с возможной последующей коррекцией;

6) управление – мониторинг, дополненный реализацией действий в автоматической системе.

Самообучающиеся системы

 

В основе этих систем лежат методы автоматической классификации. Примеры реальных ситуаций:

- обучающая выборка: с учителем, когда для каждого примера в явном виде задается значение признака его принадлежности к некоторому классу; без учителя – система сама выделяет классы ситуаций.

В результате обучения системы автоматически строятся обобщенные правила или функции, определяется принадлежность ситуации к конкретному классу. Таким образом формируется база знаний. Далее система корректируется по мере накопления опыта.

Общие недостатки:

1) возможна неполнота или зашумленность обучаемой выборки и как следствие относительная адекватность БЗ к возникающим проблемам;

2) проблемы с плохой смысловой ясностью, зависимости признаков, неспособностью объяснения;

3) ограничение в размерности признаков пространства.

Индуктивные системы

 

Обобщение примеров по принципу от частного к общему сводится к выявлению подмножеств, относящихся к одним и тем же подклассам и определению для них значимых признаков. Процесс классификации осуществляется следующим образом:

1) выбирается признак классификации;

2) по значению выбранного признака множество разбивается на подмножества;

3) выполняется проверка (принадлежит ли подмножество одному классу);

4) осуществляется проверка;

5) для подмножества примеров с несовпадением классообразующего признака процесс классификации продолжается с пункта 1.

Процесс классификации можно представить с помощью дерева решений.

Классифицирующий признак

Признак классификации

Цена Спрос Конкуренция Издержки Качество
Низкая Низкий Маленькая Маленькие Низкое
Высокая Низкий Маленькая Большие Высокое
Высокая Высокий Маленькая Большие Низкое
Высокая Высокий Маленькая Маленькие Высокое
Высокая Высокий Маленькая Маленькие Низкое
Высокая Высокий Маленькая Большие Высокое

Анализ новой ситуации сводится к выбору ветви действия, которая полностью определяет эту ситуацию. Поиск решения осуществляется в результате последовательной проверки признаков классификации, каждая ветвь дерева соответствует одному правилу решения.

Нейронные сети

Особенностью интеллектуальных систем является способность решать слабоструктурированные и плохо формализованные задачи. Эта способность основана на применении различных методов моделирования рассуждений для обработки символьной информации. Традиционным подходом, механизмом рассуждения является использование дедуктивного логического вывода на правилах, которые применяются в системах продукционного и логического типа. При таком подходе необходимо заранее сформулировать весь набор закономерностей, которые описывают предметную область. Альтернативный подход основан на концепции обучения по примерам (CBR – cased based reasoning). В этом случае не требуется знать обо всех закономерностях данной системы. Но необходимо располагать достаточным количеством примеров для настройки разрабатываемой адаптивной системы, которая после обучения будет способна получать требуемые результаты с определенной степенью достоверностью. В качестве таких адаптивных систем применяются искусственные нейронные сети.

Модели нейронных сетей

 

Разработчики теории – Маккалон и Питтс.

Главные результаты нейронных сетей сводились к следующему:

1. Модель нейрона в виде простейшего процессорного элемента, который вычисляет значение некоторой функции.

2. Конструкция нейронной сети для выполнения логических и арифметических операций.

3. Высказывалось предположение, что нейронная сеть способна обучаться, распознавать образы и обобщать полученную информацию.

Фрэнк Разенблатт (1958 г.) ввел понятие перцептрона – модели

нейронных сетей.

    Разенблатт ввел возможность модификации межнейронных связей. Это сделало нейронную сеть обучаемой.

    Первые перцептроны могли распознавать буквы алфавита.

    Алгоритм обучения перцептрона:

1) Системе предъявляется эталонный образ;

2) Если результат распознавания совпадает с заданным, то весовые коэффициенты не изменяются;

3) Если нейронная сеть неправильно распознает результат, то весовым коэффициентам дается приращение в сторону повышения качества распознавания.

Перцептрон имеет ограниченные возможности, поскольку не всегда

существует такая комбинация весовых коэффициентов, при которой заданное множество образов будет распознаваться правильно.

    Причина в том, что однослойный перцептрон реализует линейную разделенную поверхность пространства эталона, вследствие чего происходит неверное распознавание, если модель не является сепарабельной.

    Сепарабельность – свойство такого пространства, для бесконечного множества элементов которого может быть задан счетный скелет, центр которого обладает центром тяжести, вокруг которого группируются отдельные классы близких по параметрам элементов.

    Пространство является нормированным и для него могут быть определены основные свойства нормированного пространства:

    - метрика;

    - сепарабельность;

    - связность;

    - конформность.

    В метрическом пространстве каждой модели с уникальным набором координат соответствует свой уникальный вектор и единственная точка.

    Малое изменение отдельных координат модели приводит к малым изменениям модели и к малым перемещениям точки.

    Сепарабельность приводит к тому, что все множество элементов пространства может быть разделено на отдельные подмножества моделей, похожих по определенным признакам.

    Конформность означает что объем, заданный некоторым множеством моделей в пространстве, может произвольным образом без разрывов деформироваться в целом или своими локальными частями.

    Связность предполагает, что множество моделей пространства представляет собой единую унитарную структуру в случае односвязности.

    Либо в случае многосвязности, распадается по каким-то признакам на отдельные подмножества.

    Для решения проблем были предложены модели многослойных перцептронов, которые были способны строить ломаную линию.

 

Многослойные сети.

Рисунок 18 - Схема многослойного персептрона

Устанавливаются связи только между нейронами соседних слоев. Каждый слой соединен модифицированной связью с любым нейроном соседних слоев. Между нейронами одного слоя связей нет. Каждый нейрон может посылать сигнал только в вышестоящий слой и принимать выходной сигнал только из нижестоящего слоя. Выходные сигналы подаются на нижний слой, а выходной вектор определяется путем последовательных вычислений уравнений активных элементов каждого слоя снизу вверх с использованием уже известных значений активных элементов предшествующих слоев.

При распознавании образов входной вектор соответствует наибольшему признаку, а выходной- распознаваемым образам:

4-7-4-3

Число нейронов в следующем слое в два раза меньше, чем предыдущем.

Простой персептрон формирует границы области решений в виде гиперплоскости. Двухслойный персептрон выполняет множество функций.

Рекуррентные сети

Эти сети содержат образы связей. Благодаря им становится возможным получать отличные значения при одних и тех же входных данных.

 

Рисунок 19 - Схема рекуррентной сети

 

Особенность способа заключается в представлении появления новых объектов.

 

Модель Хопфилда

 

В данной модели также используются правила Хебба. Основана на простом предположении, которое заключается в том, если два нейрона возбуждены вместе, то сила связи возрастает, если порознь, то уменьшается связь. Сеть Хопфилда строится с учетом следующих условий:

1. Все элементы связаны со всеми;

2. Прямые и обратные связи симметричны;

3. Диагональные элементы матрицы связей равны 0, т.е. исключаются обратные связи с выходом на входе одного нейрона.

Сеть Хопфилда может выполнять функции ассоциативной памяти,

обеспечивая сходность к тому образу, в область которого попадает начальный образец. Этот подход привлекателен тем, что нейронная сеть запрограммирована без обучения итераций.

Хопфилд выявил функции энергии нейронной сети.

Это функциональное описание поведения сети через стремление к минимуму энергии, которое соответствует заданному набору образов. Веса связей вычисляются на основе вида функции энергии.

Машина Больцмана развивает теорию Хопфилда. Ее предложили Хинтон и Земел. Используется для решения комбинаторных задач. Эти сети получили применение в основе реализации подсистем более сложных. Эти сети также имеют определенные недостатки. Недостатки заключаются в:

1) Предположении о симметричности связи между элементами, без которых нельзя ввести понятие энергии.

2) Нейронная сеть – это устройство для запоминания и обработки информации. Закон энергии играет вспомогательную роль, а не устраивает минимизацию энергии. Сеть Хопфилда поддерживает много лишних связей. В реальности система этого не поддерживает. Происходит освобождение от сильных связей за счет их структуризации. При этом вместо органов связи всех со всеми используется многослойная иерархическая система связи.

Построение нейронной сети

При построении модели ИНС сначала необходимо точно определить задачи, которые будут решаться с ее помощью. В настоящем времени ИНС используется при прогнозировании, распознавании и обобщении.

Первым этапом построения нейросетевых моделей



Читайте также:





Последнее изменение этой страницы: 2021-04-04; Нарушение авторского права страницы; Мы поможем в написании вашей работы!

infopedia.su Все материалы представленные на сайте исключительно с целью ознакомления читателями и не преследуют коммерческих целей или нарушение авторских прав. Обратная связь - 35.172.223.30 (0.042 с.)