Модели инс
Нейронные сети формируются из нейронов, имеющих единую уникальную структуру, но модели структур сетей существенно различаются. По этой причине обобщенная методология трансляции знаний для всех сетей невозможна. Однако такая методология осуществима для отдельной категории нейронной сети.
Можно выделить три категории моделей. К первой относятся модель для оптимизации, такие как системы Хопфилда, ко второй - неуправляемые модели распознавания образов, такие как неокогнитрон. Третья категория - это модели feed forward, реализующие алгоритм backpro-pagation.
Оптимизационные системы.
Модели ИНС для оптимизации оценивают все возможные решения задачи, основываясь на энергетической критериальной функции, специально разработанной для конкретной области применения. Решение с оптимальной энергией на выходе выбирается в качестве оптимального ответа при текущих входных параметрах задачи. Модель Хопфилда -прекрасный пример этого подхода (рис. 3). Являясь аддитивной моделью, она комбинирует индивидуальные входные сигналы нейрона для определения общей его активности. Полученное значение затем пропускается через выходную функцию, определения выходного значения.
Оптимизационные сети - основная форма нейронных сетей, так как они определяют решение задачи в исчерпывающей форме. С точки зрения интерпретируемости знаний, символьная интерпретация оптимального решения (и, возможно, вторичных решений) обеспечивала бы пользователя знаниями о том, как сеть определила оптимальное решение. Это может быть легко достигнуто путем декомпозиции энергетической функции в символьную форму и анализа решений, сделанных каждым нейроном.
Рассмотрим, например, задачу о планировании маршрута, в которой робот, находящийся вне помещения, должен переместиться из точки А в точку В по кратчайшему маршруту (с наименьшим сопротивлением). В модели Хопфилда будет создана энергетическая функция, где сопротивление определяется как изменение быстрым (например, подъем или спуск с холма). Если бы входные сигналы содержали информацию о высоте в каждой (х, у) точке карты территории, модель Хопфилда оценивала бы затем все возможные выходные сигналы и выбрала бы оптимальный маршрут. Вместо того, чтобы иметь дело с объемной задачей хранения всех возможных решений задачи, могла быть сгенерирована символьная функция для отображения того, почему принято решение по перемещению из одной точки в следующую.
Неуправляемые системы распознавания образов.
Неуправляемое распознавание образов было успешно осуществлено в нескольких нейронных сетях, наиболее значительно - в модели неокогнитрона. Неокогнитрон состоит из последовательности чередующихся плоскостей и имеет фокус внимания сначала на признаках, а затем на контексте обнаруженных признаков (рис. 4). Например, в зрительной системе первые плоскости признаков будут определять, присутствуют ли образы сегментов прямых линий и угловых точек. Затем ассоциативные контекстные плоскости пытаются определить, указывают ли линейные и угловые участки на присутствие ограниченного замкнутого объекта. Этот чередующийся процесс абстрагирования передается на каждый уровень сети.
В противоположность модели Хопфилда, в которой разработчик предоставляет знания в форме энергетической функции, сети распознавания образов обучаются на примерах объектов, являющихся экземплярами различных классов, которые должны быть распознаны. Автоматическое обучение, которое демонстрируют эти системы, основано на согласовании весов их внутренних связей как результате тестирования.
При трансляции знаний в сети распознавания образов можно было бы использовать контекстную информацию признаков, описываемую нейронными кластерами и весами их внутренних связей. Если исходить из предыдущего примера, то правило, делающее вывод о существовании ограниченного замкнутого объекта при условии существования четырех непересекающихся углов и прямых линий, становится правилом гораздо более высокого порядка, чем правило уровня данных. Так как при этом все еще остается необходимым программирование функций для оценки некоторых элементов, то все еще нужны алгоритмы извлечения данных. Если уровень разбиения нейронной сети, извлекающей эту информацию, низок, может быть применена гибридная система из экспертной системы и нейронной сети.