4 Курс / переподы / анал / Конспект / Лекції ШІ / Лекція 5. Нечітка модель подання знань

Лекція 5. Нечітка модель подання знань.

Лекція 5

Тема: Нечітка модель подання знань

Мета: розглянути способи представлення нечіткої моделі подання знань, з’ясувати та зрозуміти зв’язок між біологічним нейроном та штучною нейронною мережею, розглянути механізм виведення знань.

Тип: теоретичне

Вид: формування умінь і навичок.

Форма навч. роботи: фронтальна.

Методи навчання: словесний.

Структура заняття:

І. Організаційний момент: привітання, перевірка відсутніх. (2 хв.)

ІІ. Актуалізація опорних знань: (10 хв.)

1. За допомогою яких моделей представляють знання у пам’яті системи? (мережна, фреймова, логічна, продукційна)

2. Яка модель називається мережною?

3. Як побудувати таку модель?

4. Якими способами можна представити фреймову модель?

5. Як записати продукцію?

ІІІ. Пояснення нового матеріалу (60-65 хв.)

Використана література:

1. М.М.Глибовець, О.В.Олецький «Штучний інтелект» - К.: Вид.дім «КМ Академія», 2002. – 366 с.

План

1. Нечітка модель подання знань.

2. Штучні нейронні мережі.

3. Виведення знань.

1. НЕЧІТКА МОДЕЛЬ (НМ) ПОДАННЯ ЗНАНЬ

НМ використовують для складних систем, для яких неможливе адекватне математичне моделювання, тобто виконується принцип несумісності („Складність системи і точність, із якою її можна проаналізувати мат. методами, у першому наближенні обернено пропорційні”, Заде, 1965). Замість мат. виразів використовуються якісні лінгвістичні характеристики, оцінки, нечіткі поняття.

Нечіткі знання – це знання, що подані у вигляді висловлювань у нечіткій логіці, або мають не тільки значення істинне і помилкове, але й інші проміжні значення.

Найчастіше використовують 5 значень: Н – низький (0, помилка), НС – нижче середнього, С – середній, ВС – вище за середнє, В – високий (1, істина).

В НМ знання можуть бути представлені 2 способами:

1. Нечіткими множинами (НМн);

2. Лінгвістичними змінними (ЛЗ).

НМн – це множина пар

де функція належності НМн , що відображає множину Х в одиничний відрізок [0,1]. Ступінь належності (конкретне значення функції належності для елементів ) - суб’єктивна міра того, наскільки елемент х відповідає поняттю зміст якого формалізується нечіткою множиною .

Нечіткість зображується трапецієвидним нечітким інтервалом:

де і - нижнє і верхнє значення нечіткого інтервалу; і - лівий і правий коефіцієнт нечіткості (довжина абсцис лівої і правої похилих частин трапеції); - висота нечіткого інтервалу.

Операції над НМн:

1. бінарна одержання мінімуму (логічного перетинання)

2. бінарна одержання максимуму (логічного об’єднання)

3. унарна одержання доповнення (запереченя)

Для трапеції видної форми операція перетинання має вигляд:

;

;

;

;

ЛЗ задається кортежем <A; T(A); P1; P2; Z>

де А - ім’я змінної, Т(А) – множина припустимих значень (терм-множина) змінної А; Р1 – набір синтаксичних правил породження похідних значень ЛЗ на основі значень, що входять до Т(А); Р2 – ділянка визначення значень ЛЗ; Z – набір семантичних значень для відображення ЛЗ у нечіткі множини Х.

Лінгвістичну модель можна створити природною або близькою до неї мовою у вигляді сукупності продукцій них правил ЯКЩО, ТО, що зв’язують вхідні та вихідні ЛЗ.

ЯКЩО Х₁ А_1,1 та ... Х_m А_1,m ТО, Y₁ С_1,1 та ... Y_m С_1,n

...

ЯКЩО Х₁ А_p,1 та ... Х_m А_p,m ТО, Y₁ С_p,1 та ... Y_m С_p,n

де m, n – кількість вхідних та вихідних ЛЗ,

p – кількість правил у лінгвістичній моделі,

А_k,іU_i С_k,jV_j конкретні лінгвістичні значення відповідних вхідних і вихідних змінних у складі k-ого правила

А_k,іU_i С_k,jV_j – множини припустимих лінгвістичних значень для кожної ЛЗ.

НМ подання знань у найбільшому ступені відповідає когнітивній моделі, орієнтованої на опис структури знань людини і дозволяє одержати якісне (нечисленне) розв’язання з малими затратами пам’яті при високій швидкодії.

2. ШТУЧНІ НЕЙРОННІ МЕРЕЖІ (ШНМ)

Інтелектуальні системи на основі ШНМ дозволяють вирішувати проблеми розпізнавання образів, виконання прогнозів, оптимізації, асоціативній пам'яті і керування. ШНМ є електронними моделями нейронної структури мозку. Характеристики мозку, що відсутні в сучасних комп'ютерах:

• розподілене представлення інформації і паралельні обчислення;

• здатність до навчання і здатність до узагальнення;

• адаптивність;

• толерантність до помилок

• низьке енергоспоживання.

Перші спроби створити ШНМ були зроблені у 1943 р. В 1959 р. розробили перші дієздатні моделі ADALINE та MADALINE (Множинні Адаптивні Лінійні Елементи ), та перцептрон. Сьогодні дослідження скеровані на програмні та апаратні реалізації ШНМ. (Основні типи нейрочипів: цифровий, аналоговий, оптичний)

• БІОЛОГІЧНИЙ НЕЙРОН

Базовим елементом мозку людини є специфічні клітини-нейрони, що здатні запам'ятовувати, думати і застосовувати попередній досвід до кожної дії. Нейрон складається з тіла клітини - соми, і двох типів зовнішніх деревоподібних відгалужень: аксона і дендритів. Тіло клітини вміщує ядро, що містить інформацію про властивості нейрону, і плазму, яка продукує необхідні для нейрону матеріали. Нейрон отримує імпульси від інших нейронів через дендрити (приймачі) і передає сигнали, згенеровані тілом клітки, вздовж аксона (передавач), що наприкінці розгалужується на волокна. На закінченнях волокон знаходяться синапси. Синапс є функціональним вузлом між двома нейронами (волокно аксона одного нейрона і дендрит іншого). Кора головного мозку містить близько 10¹¹ нейронів, кожен з яких зв'язаний з 10³ - 10⁴ іншими, це приблизно від 10¹⁴ до 10¹⁵ взаємозв'язків.

• ШТУЧНИЙ НЕЙРОН

Базовий модуль ШНМ штучний нейрон моделює чотири основні функції природного нейрона. Вхідні сигнали x_n зважені ваговими коефіцієнтами з'єднання w_n додаються, проходять через передатну функцію, генерують результат і виводяться. Модифіко-вані входи передаються на суматор (сумування або знаходження середнього, найбільшого, наймен-шого, OR, AND). Інколи функція сумування ускладнюється додаван-ням функції активації, яка дозволяє суматору оперувати в часі.

В любому з цих випадків, вихід суматора надсилається у передатну функцію і скеровує весь ряд на дійсний вихід за допомогою певного алгоритму. В якості передатних функцій можуть бути використані сигмоїда, синус, гіперболічний тангенс та ін.

Після обробки сигналу, нейрон на виході має результат передатної функції, який надходить на входи інших нейронів або до зовнішнього з'єднання, як це передбачається структурою нейромережі.

• ШТУЧНА НЕЙРОМЕРЕЖА

Існуючі на даний час, ШНМ є групуванням штучних нейронів. Це групування обумовлено створенням з'єднаних між собою прошарків. Хоча існують ШНМ, які містять лише один прошарок, або навіть один елемент, більшість застосувань вимагають ШНМ, які містять як мінімум три нормальних типи прошарків - вхідний, прихований та вихідний. Прошарок вхідних нейронів отримує дані вхідних файлів або сенсорів. Вихідний прошарок пересилає інформацію безпосередньо до зовнішнього середовища. Між ними може бути багато прихованих прошарків, які містять нейрони у різноманітних зв'язаних структурах.

Напрямок зв'язку від одного нейрону до іншого є важливим аспектом нейромереж. У більшості мереж кожен нейрон прихованого прошарку отримує сигнали від всіх нейронів попереднього прошарку та звичайно від нейронів вхідного прошарку. Після виконання операцій над сигналами, нейрон передає свій вихід до всіх нейронів наступних прошарків, забезпечуючи шлях передачі вперед на вихід.

При зворотному зв'язку, вихід нейронів прошарку скеровується до нейронів попереднього прошарку.

Шлях, яким нейрони з'єднуються між собою має значний вплив на роботу мережі. Більшість пакетів професіональної розробки програмного забезпечення дозволяють користувачу додавати, вилучати та керувати з'єднаннями як завгодно.

Застосування нейромереж вимагає від розробника виконання ряду умов.

Ці умови включають:

• множину даних, що включає інформацію, яка може характеризувати проблему;

• відповідно встановлену за розміром множину даних для навчання і тестування мережі;

• розуміння базової природи проблеми, яка буде вирішена;

• вибір функції суматора, передатної функції та методів навчання;

• розуміння інструментальних засобів розробника;

• відповідна потужність обробки.

ІV. Підсумок заняття.

Підготуватися до самостійної роботи:

• Предмет і задачі штучного інтелекту.

• Когнітивні процеси.

• Класифікація та особливості знань.

• Моделі подання знань.

• Штучні нейронні мережі.

4