Инженерия знаний и рассуждения на знаниях.

Появились задачи, где невозможно было заранее разработать вычислительный алгоритм, т.е. алгоритма их решения. Возникла единственная возможность организации вычислительного процесса, при котором знания использовались бы в процессе вычислений.

«Инженерия знаний и рассуждения на знаниях» подразумевается исследования в области способов хранения, пополнения и обработки знаний и вывода на знаниях. Выводы на знаниях осуществляются с использованием средств логического вывода и механизмов приближенных и правдоподобных рассуждений как средств преодоления неопределенности во входной информации. Соответствующие прикладные программные системы получили название «интеллектуальных» или систем, ориентированных на обработку и использование знаний при решении невычислительных или интеллектуальных задач.

Целью процесса получения знаний является перенос компетентности экспертов на инженеров по знаниям с применением следующих стратегий.

Извлечение знаний – процедура взаимодействия эксперта с источником знаний, в результате которой становятся явными процесс рассуждений специалистов при принятии решения и структура их представлений о предметной области.

Приобретение знаний – процесс наполнения базы знаний экспертом с использованием специализированных программных средств.

Формирование знаний (машинное обучение) – процесс анализа данных и выявление скрытых закономерностей с использованием специального математического аппарата и программных средств.

При извлечении знаний из больших массивов данных применяются специальные методы, представляющие собой набор современных технологий, позволяющих извлекать из хранилищ данных новую информацию путем построения различных моделей. Результатом такого моделирования является поиск скрытых закономерностей (отношений) в данных, осуществляемый на основе классификации, регрессии, прогнозирования временных рядов, кластеризации, ассоциации, последовательности. При этом используются такие методы интеллектуального анализа данных как алгоритмы нечеткой логики, нейронные сети, генетические алгоритмы, эволюционное программирование, деревья решений и др.

Обработка нечеткой информации и нечеткий вывод.

Данный метод связан с оцениванием функции принадлежности элементов к множествам с помощью нечетких логических операторов. Такой подход не только ослабляет требования к точности данных в процессе построения модели, но и позволяет описать сложные системы с помощью лингвистических переменных, значения которых определяются на интуитивном уровне. При решении задач в моделировании, управлении, выработке решений нечеткая технология ведет к формированию лингвистических аргументов логических функций. Такие функции, описывающие реальные объекты, могут уточняться в процессе обучения по имеющимся данным.

Другой развивающийся подход состоит в формировании правил вывода непосредственно в процессе обучения, что определяет взаимное проникновение и соответствие нейронных моделей и систем, базирующихся на нечеткой логике. Лингвистические операторы, используемые в повседневном общении, и итерационный процесс обучения вместе приводят к логикоалгебраическим моделям вычислительного интеллекта.

Обработка нечеткой информации и нечеткий вывод – база для построения интеллектуальных программных систем, получивших название «нечетких систем». Данная технология давно применяются в различных интеллектуальных системах, однако наиболее широкое распространение нечеткие системы получили в области управления. Приоритет в разработке нечетких управляющих систем принадлежит японским исследователям. К настоящему времени разработаны общие принципы и основы методологии построения нечетких систем обработки информации и управления.

Недостатки нечеткой теории (с помощью операций нечеткой алгебры не всегда удается построить эффективные вычислительные процедуры на множестве нечетких величин) приводят к тому, что получают области подходящих значений, а не конкретные величины. Поэтому полученные результаты обработки нечеткой информации (и механизмы нечеткого вывода) необходимо проверять моделированием.

Нейросетевая обработка информации и нейрокомпьютеры.

В 40-х годах 20 века начались исследования по искусственным нейронным сетям, которые напоминали работу мозга (способность к обобщению воспринимаемой информации, к извлечению существенных свойств из зашумленных данных, к обучению и самообучению на основе собственного опыта функционирования и т.п.).

Можно указать два взаимно дополняющих и обогащающих направления исследований в области нейронного моделирования, ставящих перед собой различные цели:

1) понять функционирование нервной системы человека на уровне физиологии и психологии (нейробиологическое направление);

2) создать нейронные сети, выполняющие функции сходные с функциями мозга (прагматическое или «техническое» направление).

Развитие микроэлектроники, разработка принципиально новых физических принципов реализации элементов и фрагментов нейронных сетей активизировало исследования в области нейронной математики и в области архитектур нейрокомпьютеров.

Нейронные сети можно рассматривать как вычислительные системы, которые преобразуют информацию по образу процессов, происходящих в мозгу человека. Обрабатываемая информация имеет численный характер, что позволяет использовать нейронную сеть, например, в качестве модели объекта с совершенно неизвестными характеристиками. Другие типовые приложения нейронных сетей охватывают задачи распознавания, классификации, анализа и сжатия образов.

В теории управления это направление новой ИТ используется для построения нейронных регуляторов, способных к самообучению и адаптации.

Эволюционное моделирование.

Базой направления послужила теория эволюции Ч. Дарвина (естественный отбор).

Предметом исследований эволюционных процессов служат механизмы генерации популяций (многочисленных совокупностей особей определенного вида) и выживаемости этих популяций в условиях агрессивной внешней среды.

Ч. Дарвин: эволюция осуществляется при взаимодействии трёх повторяющихся процессов: отбор экземпляров популяции; амплификация (производство потомков); мутация.

Эти принципы используются при разработке генетических алгоритмов (ГА) – основы эволюционного моделирования технических систем.

ГА использует идею Ч. Дарвина об эволюции на основе принципа генерации, тестирования и отбора перспективных популяций. В этом случае воспроизводится хромосома в виде цепочки из нескольких позиций. Каждая позиция хромосомы – ген, в частном случае принимающий значение из алфавита (0, 1, *).

Особенности ГА, отличающие его от традиционных методов поиска оптимума:

1) в работе алгоритма используется кодирование множества параметров, а не сами параметры;

2) поиск осуществляется на основе популяции точек, а не точек пространства поиска;

3) в алгоритме применяются вероятностные, а не детерминированные правила поиска.

ГА – это мощная стратегия выхода из локальных оптимумов. Она основана на параллельной обработке множества альтернативных решений, с концентрацией поиска на наиболее перспективных из них. В неперспективных решениях производятся вероятностные изменения и такие решения снова подвергаются обработке.

ГА часто используются совместно с нейронными сетями. Они могут поддерживать нейронные сети или наоборот, либо оба метода взаимодействуют в рамках гибридной системы, предназначенной для решения конкретной задачи. ГА также применяются совместно с нечеткими системами. Г А вместе с эволюционной стратегией и эволюционным программированием служат основой эволюционного моделирования (эволюционные алгоритмы).

Большинство приложений эволюционных алгоритмов, и особенно ГА, касается решения задач функциональной и структурной оптимизации. Эволюционное моделирование применяется для оптимизации базы правил и параметров нечеткой системы (в частности, для уточнения результатов дефазификации – процесса перехода от лингвистических значений к конкретным значениям управляющих сигналов).

⇐ Предыдущая123

Поделиться: