Семантическая сеть является одной из моделей представления знаний. Основное преимущество этой модели - в соответствии современным представлениям об организации долговременной памяти человека.

Концептуальный поиск на основе семантических сетей привнёс элементы искусственного интеллекта в информационно- поисковые системы и дал начало построению интеллектуальных поисковых систем.

Рис.1.2. Структурная схема поисковой системы фирмы Эвскалибур

Большой интерес к работе с семантическими сетями проявляют разработчики систем взаимодействия на естественных языках.

Наиболее часто в семантических сетях используются следующие отношения:

•"часть-целое" ("класс-подкласс", "элемент-множество" и т.п.);

•функциональные связи (обычно глаголы "производит",

"влияет"...);

•количественные (больше, меньше, равно...);

•пространственные (далеко от, близко от, за, под, над...);

•временные (раньше, позже, в течение...);

•атрибутивные связи (иметь свойство, иметь значение...);

•логические связи (и, или, не) и др.

Проблема поиска решения в базе знаний типа семантической сети сводится к задаче поиска фрагмента сети, соответствующего некоторой подсети, соответствующей поставленному вопросу.

Разработчики интеллектуальных поисковых систем, использующих семантические сети, увеличивают их интеллектуальные возможности , интегрируя в них экспертные системы, системы поведенческого анализа, нейросетевые технологии, эволюционные методы, основанные на генетических алгоритмах.

Потенциальными областями применения искусственных нейронных сетей являются те, где традиционные вычисления трудоемки или физически неадекватны (т.е. не отражают или плохо отражают реальные физические процессы и объекты). Актуальность применения нейронных сетей многократно возрастает тогда, когда появляется необходимость решения

плохо формализованных задач.

Типовые задачи, решаемые с помощью нейронных сетей и

нейрокомпьютеров следующие :

•автоматизация процесса классификации;

•автоматизация прогнозирования;

•автоматизация процесса предсказания;

•автоматизация процесса принятия решений;

•управление;

•кодирование и декодирование информации;

•аппроксимация сложных зависимостей и др.

Эволюционный подход (эволюционное моделирование)

Эволюционное моделирование использует признаки теории Дарвина для построения интеллектуальных систем.

Это построение искусственного интеллекта путем применения эволюционных алгоритмов обучения к начальной модели.

Основной тезис этого подхода - заменить процесс моделирования сложного объекта моделированием его эволюции. Он направлен на применение механизмов естественной эволюции при синтезе сложных систем обработки информации.

Для эволюционного моделирования разработаны различные вычислительные эволюционные алгоритмы, такие как Эволюционное Программирование, Генетические Алгоритмы, Эволюционные Стратегии, Генетическое программирование, а также вычислительные системы, которые могут быть классифицированы как Искусственная Жизнь (Artificial Life). В качестве начальной модели может быть взята как логическая модель, так и нейромодель, а также другие модели.

Имитационный подход

Это построение искусственного интеллекта путем моделирования процессов восприятия, мышления и реакции объекта (человека), как «чёрного ящика» на основе спецификации входных и выходных данных.

При таком подходе не важно, что у него и у модели внутри и как он функционирует, главное, чтобы модель в аналогичных ситуациях вела себя точно так же.

На практике очень четкой границы между этими подходами нет. Очень часто встречаются смешанные системы, где часть работы выполняется по одному типу, а часть по другому.

Лекция 2

Нейросетевые

технологии

структурного

моделирования систем искусственного интеллекта. Многослойный

Рассматриваемые вопросы:

1.Параметры, характеризующие алгоритм работы нейрона.

2.Классификация нейронных сетей.

3.Методы обучения нейронных сетей.

4.Нейронные сети прямого распространения. Перцептрон Розенблата. Многослойный перцептрон.

5.Методики обучения нейронной сети типа многослойный перцептрон.

6.Пошаговое описание алгоритма обратного распространения ошибки.

7.Виды алгоритмов обучения нейронных сетей.