Стр. 18 - СИСТЕМЫ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА И ПРИНЯТИЯ РЕШЕНИЙ

[

Введите текст]

Содержание

16

СИСТЕМЫИСКУССТВЕННОГО ИНТЕЛЛЕКТА И ПРИНЯТИЯ РЕШЕНИЙ.

ОПТИМИЗАЦИЯ БАЗ ЗНАНИЙ НЕЧЕТКИХ ЭКСПЕРТНЫХ СИСТЕМ

Примерами систем, в которых используется эволюционное программи-

рование,

являются

программный

продукт

PolyAnalyst

(

MegaputerIntelligenceInc., США), а также каркасы приложений ECJ, EO,

Open BEAGLE и AForge.NET.

4.

Нейронные сети

Нейросетевые методы условно можно отнести к области Datamining. Эти

методы позволяют успешно решать многие задачи прогноза, задачи нахождения

зависимости одних переменных от других, но найденные зависимости не пред-

ставляются в ясном для понимания человеком виде. Построенная модель, как

правило, не имеет четкой интерпретации. В настоящее время разрабатываются

алгоритмы, которые могут транслировать модель нейронной сети в набор более

легко воспринимаемых правил. Такую надстройку над технологиями нейронной

сети предлагают некоторые оригинальные продукты

[26]

.

В

частности,

данному

направлению

посвящены

труды

А. Н. Горбаня,В. Г. Царегородцева. Значительное число работ собрано в

[19]

(

отметим статьи В. Г. Царегородцева "Производство полуэмпирических знаний

из таблиц данных с помощью обучаемых искусственных нейронных сетей",

В. Г. Царегородцева и Н. А. Погребной "Нейросетевые методы обработки ин-

формации в задачах прогноза климатических характеристик и лесораститель-

ных свойств ландшафтных зон"). Авторы предлагают с помощью так называе-

мой процедуры контрастирования упрощать сеть, последовательно удаляя ма-

лозначимые нейроны и синапсы, приводя параметры нейросети к небольшому

набору выделенных значений. В результате должна получиться логически про-

зрачная сеть, проанализировав которую, эксперт сможет сформулировать набор

продукционных правил, описывающих решение задачи. Несмотря на явную вы-

году от процедуры контрастирования (ускорение работы обученной сети из-за

упрощения ее структуры, выявление значимых входных сигналов), возможность

вербализации сети остается значительно ограниченной. Данный этап (вербали-

зация знаний) описан авторами подхода только для случая, когда веса синапсов

принимают исключительно максимальные и минимальные значения, что харак-

терно для очень простых задач. В большинстве случаев параметры обученной

сети принимают произвольные значения из возможного диапазона. При этом че-

ловеку крайне затруднительно дать логическую интерпретацию нелинейному

преобразованию взвешенной суммы входных сигналов, реализуемому стандарт-

ным нейроном.

Другой подход основан на реализации стандартных логических элементов с

помощью искусственных нейронов (полученные сети называются логическими

нейросетями и могут быть представлены в виде матрицы Штейнбуха). Данному

направлению посвящены работы В. Г. Щетинина, А. Б. Барского

[3]

. Получае-

мые в результате этого подхода системы оперируют четкими правилами, что ог-

раничивает их универсальность (нечеткие выводы возможны при использовании