И методы интеллектуальной поддержки процессов принятия решений


ГИБРИДНЫЕ СРЕДСТВА ИНТЕЛЛЕКТУАЛЬНОЙ ПОДДЕРЖКИ ПРОЦЕССОВ ПРИНЯТИЯ РЕШЕНИЙ



страница7/7
Дата01.06.2016
Размер2.34 Mb.
ТипУчебное пособие
1   2   3   4   5   6   7

ГИБРИДНЫЕ СРЕДСТВА ИНТЕЛЛЕКТУАЛЬНОЙ ПОДДЕРЖКИ ПРОЦЕССОВ ПРИНЯТИЯ РЕШЕНИЙ


9.1. Концепция гибридной системы интеллектуальной поддержки
Традиционные системы, основанные на знаниях продукционного типа, используемые в качестве средств интеллектуальной поддержки процессов принятия решений, обладают рядом достоинств. Во-первых, они способны осуществлять как четкий (достоверный), так и нечеткий (правдоподобный) логический вывод с использованием управляемых стратегий поиска в ширину и в глубину. Во-вторых, они обеспечивают возможность отслеживания логики рассуждений для обоснования принимаемых решений. В-третьих, они используют сравнительно несложную технологию получения знаний от эксперта в виде графа решений и трансформации их в набор продукционных правил. В-четвертых, они обладают свойством открытости в плане внесения изменений в базу правил.

Вместе с тем эти системы обладают и недостатками, среди которых можно выделить следующие:



  • громоздкость процесса вывода, связанная с проверкой условий применимости правил;

  • сложность управления процессом вывода, сопряженная с риском обойти вниманием важные решения.

Отмеченные недостатки обусловлены лежащим в основе систем базовым принципом аналитического (символьного) распознавания ситуаций.

Избавиться от указанных недостатков позволяет синтетический (образный) способ восприятия и распознавания ситуаций, свойственный искусственным нейронным сетям. Нетрудно показать (это будет сделано несколько позже), что на основании графа решений с использованием некоторых эвристических правил и процедур обучения может быть построена эквивалентная ему (по логике принятия решений) нейронная сеть.

Образное восприятие ситуации в целом и практически мгновенная реакция обученной нейронной сети значительно ускоряют процесс принятия решений. Однако такому подходу свойственны свои недостатки:


  • сложно отследить логику «рассуждений» сети для обоснования принимаемых ею решений;

  • сложно сформировать множество шаблонов для обучения (дообучения) нейронной сети.

Все вышесказанное может служить основанием для введения концепции гибридной системы интеллектуальной поддержки [5], сочетающей в себе оба рассмотренных подхода, каждый из которых способен компенсировать недостатки другого.


    1. Архитектура оболочки гибридной системы
      интеллектуальной поддержки

В составе оболочки гибридной системы интеллектуальной поддержки процессов принятия решений предусмотрены следующие основные компоненты (рис. 25):



  • исходно пустая база знаний;

  • механизм вывода;

  • подсистема приобретения знаний;

  • механизм обучения нейронной сети;

  • подсистема объяснения;

  • интеллектуальный интерфейс.

База знаний включает две традиционные составляющие. Одна из них (база правил) объединяет в себе долговременные знания о предметной области в виде набора продукционных правил, получаемых от подсистемы приобретения знаний на этапе настройки оболочки системы на определенную предметную область. Другая составляющая базы знаний (рабочая память) представляет ее динамическую часть, в которой хранятся факты (оперативные данные), описывающие текущую ситуацию (состояние процесса принятия решений).

Механизм вывода представляет собой аналитическое ядро системы, выполняющее функцию построения прямой логической цепочки рассуждений с использованием стратегий поиска в глубину и в ширину в соответствии с технологией, детально рассмотренной в подразделах 6.2 и 6.3.

Подсистема приобретения знаний в качестве главного механизма получения знаний от эксперта использует граф решений. Принимая на вход описание графа решений, она формирует в требуемом формате набор продукционных правил, который передает в базу правил.

Кроме этого подсистема приобретения знаний генерирует нейронную сеть прямого распространения, эквивалентную (по логике «рассуждений») исходному графу решений.

Осуществляется это по следующим правилам:


  • каждой вершине вывода (промежуточного или окончательного) ставится в соответствие свой нейрон, имеющий сигмоидальную активационную функцию;

  • выходная ветвь нейрона помечается синаптическим весом, равным коэффициенту уверенности вывода, указанному в правом нижнем углу вершины вывода;

  • каждой вершине-овалу сходящихся к нейрону цепочек (некоторые из них могут начинаться с вершины промежуточного вывода) ставится в соответствие входная ветвь нейрона, помеченная коэффициентом уверенности факта, указанного в вершине-овале; вершинам промежуточных выводов, с которых начинаются некоторые из цепочек, так же ставятся в соответствие входные ветви нейрона, но помеченные коэффициентом уверенности, указанным в правом нижнем углу вершины вывода;

  • нейроны располагаются по слоям согласно правилу: каждый нейрон последующего слоя должен иметь входные связи только с нейронами предшествующих слоев и хотя бы одну входную связь с каким-нибудь нейроном предыдущего, смежного с ним слоя;

  • каждой вершине-овалу графа решений ставится в соответствие группа смежных нейронов сенсорного слоя (каждому нейрону группы соответствует свой выход из вершины-овала);

  • оставшиеся свободными выходные ветви нейронов выводятся каждая на свой нейрон моторного слоя.

Для последующего дообучения нейронной сети (если в этом появляется необходимость) в структуре системы предусмотрен механизм обучения, который в качестве обучающих шаблонов использует векторы состояний системы (ситуаций), берущиеся из рабочей памяти и подающиеся на входы сети, и соответствующие им (ситуациям) векторы решений, получаемые механизмом вывода и рассматриваемые как желаемые. В качестве варьируемых переменных при дообучении нейронной сети могут выступать синаптические веса межнейронных связей, пороги активационных функций нейронов и параметры этих функций.

Таким образом, нейронная сеть обучается, «наблюдая» за поведением механизма аналитического вывода (на примерах его функционирования).



Достаточно обученная нейронная сеть при необходимости способна заменить механизм вывода и осуществлять существенно параллельный нейровывод. Широтой охвата пространства поиска нейровыводом можно управлять путем селективной активизации входных сигналов сети.

Подсистема объяснения призвана представить по требованию пользователя в понятном для него виде цепочку рассуждений, приведшую к тому или иному заключению (заключениям). При работе системы в аналитическом режиме рассуждений обеспечение такой функции не вызывает проблем. Сложнее дело обстоит с нейровыводом, хотя какие-то механизмы раскрытия логики «рассуждений» сети, очевидно, могут быть реализованы (об этом осторожно говорит пунктирная связь нейронной сети с подсистемой объяснения, отмеченная на рис. 25).

Интеллектуальный интерфейс объединяет в себе лингвистические, информационные и программные средства взаимодействия пользователя, инженера по знаниям и эксперта с соответствующими компонентами системы. Они должны быть ориентированы на неподготовленного пользователя, обладать способностью настраиваться на его терминологию и создавать по возможности комфортные условия для работы в системе.


ВОПРОСЫ И ЗАДАНИЯ ДЛЯ САМОКОНТРОЛЯ


  1. Сопоставьте достоинства и недостатки СОЗ и ИНС, выступающих в качестве средств интеллектуальной поддержки.

  2. В чем состоит суть концепции гибридной системы интеллектуальной поддержки процессов принятия решений?

  3. Перечислите основные компоненты оболочки гибридной системы интеллектуальной поддержки.

  4. Определите функции каждой из перечисленных компонент.

  5. Изложите формальные правила, лежащие в основе алгоритма трансформации графа решений в эквивалентную нейронную сеть.

  6. Какие параметры нейронной сети могут выступать в качестве варьируемых при ее дообучении?



Список литературы


  1. Альперович Э.Е., Батищев Д.И., Басалин П.Д. и др. САППОР – система автоматизации процесса принятия оптимальных решений // Кибернетические системы автоматизации проектирования: Материалы семинара. — М., 1973. — С. 29—35.

  2. Басалин П.Д. Организация интеллектуальной обучающей среды с применением новых информационных технологий // Вестник ВГАВТ. Межвузовская серия «Моделирование и оптимизация сложных систем». – Н. Новгород, 2002. – С. 21—25.

  3. Басалин П.Д., Белокрылов П.Ю. Структурный синтез цифровых автоматов в нейросетевом базисе // Системы управления и информационные технологии. — 2007. — № 3(29). — С. 44—48.

  4. Басалин П.Д., Белокрылов П.Ю., Згурский Д.С. Синтез схем произвольной комбинационной логики в нейросетевом базисе с применением метода имитации отжига // Вестник Нижегородского университета им. Н.И. Лобачевского. – 2008. — № 5.— С. 126–130.

  5. Басалин П.Д., Безрук К.В. Средства интеллектуальной поддержки процессов проектирования и управления // Интеллектуальные системы: Труды Девятого Международного симпозиума / Под ред. К.А. Пупкова. — М.: РУСАКИ, 2010. — С. 217—221.

  6. Батищев Д.И., Костюков В.Е., Старостин Н.В., Смирнов А.И. Популяционно-генетический подход к решению задач покрытия множества: Учебное пособие. — Н. Новгород: Изд-во ННГУ им. Н.И. Лобачевского, 2004. — 152 с.

  7. Борисов В.В., Круглов В.В., Федулов А.С. Нечеткие модели и сети. — М.: Горячая линия — Телеком, 2007. — 284 с.

  8. Вагин В.Н., Головина Е.Ю., Загорянская А.А., Фомина М.В. Достоверный и правдоподобный вывод в интеллектуальных системах / Под ред. В.Н. Вагина, Д.А. Поспелова. — М.: Физматлит, 2004. — 704 с.

  9. Вороновский Г.К., Махотило К.В., Петрашев С.Н., Сергеев С.А. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности. — Х.: Основа, 1997. — 112 с.

  10. Глушков В.М. Синтез цифровых автоматов. – М: Физматгиз, 1962. – 476 с.

  11. Комарцова Л.Г., Максимов А.В. Нейрокомпьютеры: Учебное пособие для вузов. — 2-е изд., перераб. и доп. — М.: Изд-во МГТУ им. Н.Э. Баумана, 2004. — 400 с.

  12. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. — М.: Горячая линия – Телеком, 2001. — 382 с.

  13. Леви Р., Дранг Д., Эдельсон Б. Практическое введение в технологию искусственного интеллекта и экспертных систем с иллюстрациями на Бейсике. — М.: Финансы и статистика, 1990. — 239 с.

  14. Малышев Н.Г., Берштейн Л.С., Боженюк А.В. Нечеткие модели для экспертных систем в САПР. — М.: Энергоатомиздат, 1991. — 136 с.

  15. Построение экспертных систем: Пер. с англ. / Под ред. Ф. Хейеса-Рота, Д. Уотермана, Д. Лената. — М.: Мир, 1987. — 441 с.

  16. Представление знаний в человеко-машинных и робототехнических системах: Том А. Фундаментальные исследования в области представления знаний. — М.: ВЦ АН СССР, ВИНИТИ, 1984. — 261 с.

  17. Таунсенд К., Фохт Д. Проектирование и программная реализация экспертных систем на персональных ЭВМ: Пер. с англ. / Предисл. Г.С. Осипова. — М.: Финансы и статистика, 1990. — 320 с.

  18. Угрюмов Е.П. Цифровая схемотехника: Учебное пособие для вузов. – 2-е изд., перераб. и доп. – СПб.: БХВ-Петербург, 2007. – 800 с.

  19. Хайкин С. Нейронные сети: полный курс. — 2-е издание: Пер. с англ. — М.: Издательский дом «Вильямс», 2008. — 1104 с.

  20. Хант Э. Искусственный интеллект: Пер. с англ. / Под ред. В.Л. Стефанюка. — М.: Мир, 1978. — 558 с.

  21. Частиков А.П., Гаврилова Т.А., Белов Д.Л. Разработка экспертных систем. Среда CLIPS. — СПб.: БХВ-Петербург, 2003. — 608 с.

  22. Экспертные системы. Принципы работы и примеры: Пер с англ. / Под ред. Р. Форсайта. — М.: Радио и связь, 1987. — 224 с.

  23. Aleksander I., Morton H. An Introduction to Neural Computing. — London: Chapman&Hall, 1990.

  24. Narendra K.S., Parthasarathy K. Identification and control of dynamical systems using neural networks // IEEE Trans. on Neur. Net. — 1990. — Vol. 1. — № 1. — P. 4–27.

СОДЕРЖАНИЕ


Предисловие 3

1. Концепция интеллектуальной поддержки процессов

принятия решений

1.1. Трудноформализуемые и неформальные этапы принятия решений 7

1.2. Цели и средства интеллектуальной поддержки процессов

принятия решений 10

Вопросы для самоконтроля 11

2. Искусственный интеллект как научное направление 12

2.1. Искусственный интеллект: концепция, возможности,

методы реализации 12

2.2. Фундаментальное направление в искусственном интеллекте 16

Вопросы для самоконтроля 20

3. Системы, основанные на знаниях, в качестве средств интеллектуальной поддержки процессов принятия решений 21

3.1. Понятия интеллектуальной и экспертной систем 21

3.2. Системы, основанные на знаниях 23

Вопросы и задания для самоконтроля 30

4. Модели представления знаний 31

4.1. Данные и знания как категории информационного

обеспечения задач 31

4.2. Логические модели представления знаний, основанные

на исчислениях 33

4.3. Сетевые модели представления знаний 35

4.4. Представление знаний в виде набора продукционных правил 36

Вопросы и задания для самоконтроля 38

5. Построение базы знаний 40

5.1. Исследование и описание предметной области 40

5.2. Организация модели представления и формализация знаний 43

5.3. Приобретение знаний 45

Вопросы и задания для самоконтроля 51
6. Механизмы интерпретации знаний 53

6.1. Интерпретация логических моделей представления знаний, основанных на исчислениях 53

6.2. Интерпретация знаний в экспертных системах продукционного типа 58

6.3. Иллюстративный пример построения макетной

системы, основанной на знаниях продукционного типа 64

Вопросы и задания для самоконтроля 69

7. Нейромодельный подход к построению интеллектуальных систем 70

7.1. Биологические основы нейромодельного подхода 70

7.2. Концепция искусственной нейронной сети 76

7.3. Классификация искусственных нейронных сетей 81

7.4. Персептроны 82

7.5. RBF-сеть 89

7.6. Сеть Хопфилда 92

7.7. Сеть Хемминга 93

7.8. Самоорганизующиеся нейронные сети Кохонена 95

Вопросы и задания для самоконтроля 100

8. Некоторые из приложений искусственных нейронных сетей 101

8.1. ИНС в вычислительных системах 101

8.2. Структурный синтез цифровых автоматов в нейросетевом

базисе 106

8.3. ИНС в системах автоматического управления 112

Вопросы и задания для самоконтроля 119

9. Гибридные средства интеллектуальной поддержки процессов

принятия решений 120

9.1. Концепция гибридной системы интеллектуальной

поддержки 120

9.2. Архитектура оболочки гибридной системы интеллектуальной поддержки 121

Вопросы и задания для самоконтроля 125

Список литературы 126

Павел Дмитриевич Басалин

Константин Васильевич Безрук

Марина Вячеславовна Радаева



МОДЕЛИ И МЕТОДЫ ИНТЕЛЛЕКТУАЛЬНОЙ

ПОДДЕРЖКИ ПРОЦЕССОВ ПРИНЯТИЯ РЕШЕНИЙ
Учебное пособие

Формат 6084 1/16. Бумага офсетная. Печать офсетная.

Уч.-изд. л. 8,3. Усл. печ. л. 7,6. Тираж 200 экз. Заказ 262.
Издательство Нижегородского госуниверситета им. Н.И. Лобачевского

603950, Н. Новгород, пр. Гагарина, 23.


Редакционно-издательское управление (РИУ)

Нижегородского госуниверситета им. Н.И. Лобачевского.



603950, Н. Новгород, пр. Гагарина, 23.



Каталог: assets -> docs
docs -> Общие положения основные интерактивные методы
docs -> Что такое деятельностный подход в образовании? А. А. Леонтьев
docs -> Системы обработки документов. Основные компоненты
docs -> Добро пожаловать в ассоциацию emma!
docs -> Добро пожаловать в ассоциацию emma
docs -> Дистанционное обучение через Интернет
docs -> Прикладные аспекты построения систем на основе документооборота
docs -> Программа актуальна для топ-менеджеров, менеджеров среднего звена. Для всех, кто желает повысить свою эффективность в бизнесе


Поделитесь с Вашими друзьями:
1   2   3   4   5   6   7


База данных защищена авторским правом ©psihdocs.ru 2017
обратиться к администрации

    Главная страница