книги из ГПНТБ / Слэйгл Д. Искусственный интеллект. Подход на основе эвристического программирования
.pdfО Т Ы С К А Н И Е Л И Н Е Й Н Ы Х О Ц Е Н И В А Ю Щ И Х Ф У Н К Ц И Й |
231 |
В качестве нашего вектора коэффициентов выбираем наи лучшее решение С системы m уравнений, полученное применением метода наименьших квадратов: C-Xt = 1. Обоснование правдоподобия состоит просто в том, что при С-Хг , приблизительно равном + 1 , это произведение стремится к положительным значениям, а, следовательно, С будет обладать низкой погрешностью.
Релаксационный алгоритм. Этот хорошо известный алгоритм описывается в ряде работ, в том числе в книге Нильсона (1965). При использовании этого алгоритма один или большее число раз рассматриваются по отдель
ности все XL, |
причем время от времени вносятся |
исправ |
|||
ления в |
вектор коэффициентов С. Первоначально |
С — |
|||
= (О, 0, |
0). На каждом шаге s рассматривается |
неко |
|||
торое Х(. |
Если для текущего С не появляется |
ошибка, |
|||
т. е. С-Хі |
> |
0, то в С не вносятся |
исправления. |
Если же |
|
имеет место ошибка, т. е. С- Хг < |
0, в С вносятся |
исправ |
ления. Исправление состоит в добавлении к текущему
вектору |
С приращения |
АС = K-Xit где К > |
0. Оказа |
лось, что желательно |
выбирать /<" обратно |
пропорцио |
|
нальным |
п (см. статью |
К. Мея, 1964). |
|
Множество векторов X,- называется линейно разде лимым тогда и только тогда, когда существует вектор С с нулевой погрешностью. Если множество векторов X,- линейно разделимо, существует такое целое s, что с по мощью релаксационного алгоритма в s шагов определяет ся вектор коэффициентов с нулевой погрешностью. Эта теорема доказывалась не один раз (см., например, Нильсон, 1965). Теорема остается справедливой даже в том случае, когда Хі не нормализовано и не приведено к еди нице. Полученный вектор С зависит от величин векторов X,-. Однако как бы ни были различны величины векторов Х(, всегда будет получаться вектор коэффициентов с ну левой погрешностью.
Релаксационный алгоритм может применяться и тогда, когда множество векторов X, не является линейно раз делимым. Однако в этом случае все X,- должны быть нормализованы и нормированы к единице. Полученный вектор коэффициентов не обязательно будет оптималь ным. Обоснование правдоподобия этого алгоритма со стоит в следующем: поскольку он приводит к вектору
232 Г Л А ВА 11
коэффициентов с нулевой погрешностью для линейно
разделимого множества векторов Xh |
может оказаться, |
что он; приведет к хорошему вектору |
коэффициентов и |
тогда, когда множество векторов XL не является линей но разделимым.
Б. Эфрон (1964) проанализировал возможность при менения такого алгоритма в случае неразделимых мно жеств .
Усредняющий релаксационный алгоритм. Этот алго ритм также требует, чтобы каждое Xt было нормализо вано и нормировано к единице.
Если множество векторов Хс не является линейно разделимым, вектор коэффициентов, полученный с по мощью описанного в предыдущем подразделе релакса ционного алгоритма, может очень сильно изменяться при попытке устранения сначала одной, а затем другой ошиб ки. При использовании более обоснованной процедуры Р. Дуды (1968) вектор коэффициентов выбирается как среднее значение полученного с помощью релаксацион ного алгоритма вектора С.
Алгоритм локальной минимизации. Коэффициенты, по лученные применением неоптимального алгоритма, обыч но могут быть улучшены с помощью локальной миними зации. Она состоит в постепенном изменении вектора С в направлении уменьшения погрешности, пока не дости гается локальный минимум. Предполагается, что достиг нутый таким образом локальный минимум не будет зна чительно превышать глобальный.
Выводы. Хотя было предложено несколько алгорит мов вычисления коэффициентов для проблемы т,п-мер- ного полупространства, среди них не было алгоритма вычисления оптимальных коэффициентов для более чем двух измерений и множеств, не являющихся линейно раз делимыми. Решение проблемы т.п-мерного полупрост ранства имеет большое значение, потому что это реше ние может найти применение в задачах распознавания образцов, в теории полезности, при автоматическом рефе рировании, в игровых задачах, в области международных отношений, в вопросах купли — продажи, а также при оценке персонала и программ вычислительных машин. Ввиду большого значения этой проблемы следует уделить
О Т Ы С К А Н И Е Л И Н Е Й Н Ы Х О Ц Е Н И В А Ю Щ И Х Ф У Н К Ц И И |
233 |
больше внимания разработке других алгоритмов. Эти алгоритмы, равно как и алгоритмы, изложенные в этой главе, следовало бы подвергнуть теоретическому, а если понадобится, и экспериментальному сравнению.
УПРАЖНЕНИЯ
1. Докажите, что любая проблема лг,л-мерного полупрост ранства может быть преобразована в проблему /л,я-мериой оценки.
2. Является ли вектор коэффициентов С, полученный приме нением алгоритма выигрыша— проигрыша к решению проблемы полупространства, независимым от величины векторов X/?
3. Допустим, что программа ЭВМ применяет алгоритм сум мирования нормализованных нормированных векторов к уже нор
мализованным |
|
нормированным |
векторам; |
|
|
|
|
|
|
|||||||||||
|
а) |
Если сложение пары чисел длится 2 микросекунды, |
сколь |
|||||||||||||||||
|
ко времени потребуется для нахождения решения проблемы |
|||||||||||||||||||
|
21,5-мерного полупространства? |
|
|
|
|
t, |
|
|
||||||||||||
|
б) |
Если |
сложение |
пары |
чисел |
занимает |
время |
сколько |
||||||||||||
|
времени |
потребуется |
|
для |
нахождения |
решения |
проблемы |
|||||||||||||
|
лі,л-мерного |
полупространства? |
вектора С |
|
|
|
|
|||||||||||||
4. |
а) |
|
Какова |
частота |
ошибок |
для |
на |
фиг. |
11.2? |
|||||||||||
|
б) |
Является |
ли |
вектор |
С |
оптимальным? |
|
|
|
|
|
|||||||||
|
в) Если для проблемы 5,2-мерной оценки, которая приво |
|||||||||||||||||||
|
дится к описанной в разд. |
11.1 и изображенной на фиг. |
11.2 |
|||||||||||||||||
|
проблеме |
полупространства, |
признаки |
нормализованы, то |
||||||||||||||||
|
что |
представляет |
собой |
новая проблема |
полупространства |
|||||||||||||||
|
в |
пространстве |
Z? |
|
|
|
|
|
|
|
|
|
|
|
|
|||||
5. |
а) |
|
Найдите |
вектор коэффициентов, получаемый примене |
||||||||||||||||
|
нием алгоритма коэффициентов корреляции к той проблеме |
|||||||||||||||||||
|
полупространства в пространстве Z, которая является от |
|||||||||||||||||||
|
ветом к |
упражнению |
4в. |
|
|
|
|
|
|
|
|
|
||||||||
|
б) |
Какова |
его |
погрешность? |
|
|
|
|
|
|
|
|
||||||||
|
в) |
Является |
ли |
он |
оптимальным? |
|
|
|
|
|
|
|||||||||
|
г) |
Найдите |
соответствующее |
решение |
изображенной |
на |
||||||||||||||
|
фиг. |
11.2 |
проблемы |
полупространства. |
|
|
|
|
|
|||||||||||
|
д) |
Найдите |
соответствующее |
решение |
первоначальной проб |
|||||||||||||||
|
лемы 5,2-мерной оценки. |
|
|
|
|
|
|
|
|
|
||||||||||
|
е) |
Какова |
погрешность |
оценка? |
|
|
|
|
|
|
|
|||||||||
6. |
Пронормируйте |
векторы |
полупространства |
в |
пространст |
|||||||||||||||
ве 2, |
являющиеся |
ответом |
|
к |
упражнению |
4в. |
|
|
|
|
|
|||||||||
7. |
а) |
Пользуясь ответом |
к |
упражнению 6, найдите вектор коэф |
||||||||||||||||
|
фициентов, |
получаемый |
с |
помощью |
алгоритма |
суммирова |
||||||||||||||
|
ния |
нормализованных |
|
нормированных векторов. |
|
|
||||||||||||||
|
б) |
Какова |
|
его |
погрешность? |
|
|
|
|
|
|
|
||||||||
|
в) |
Является |
ли |
он |
оптимальным? |
|
|
|
|
|
|
|||||||||
|
г) |
Найдите |
соответствующее |
решение |
изображенной |
на |
||||||||||||||
|
фнг. 11.2 проблемы полупространства. |
|
|
|
|
|
||||||||||||||
|
д) |
Найдите |
соответствующее |
решение |
первоначальной |
про |
||||||||||||||
|
блемы |
5,2-мерной |
оценки. |
|
|
|
|
|
|
|
|
234 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Г Л А В А |
11 |
|
|
е) |
Какова |
для |
него |
погрешность |
оценки? |
|
|
|
|
|
||||||||||
8. |
а) |
Пользуясь, |
ответом |
к |
упражнению |
6, |
найдите |
вектор |
|||||||||||||
|
коэффициентов |
|
с |
помощью |
релаксационного |
алгоритма, |
|||||||||||||||
|
действующего |
в |
два |
|
шага (с k |
= |
0,5). |
|
|
|
|
|
|||||||||
|
б) |
Какова |
его |
погрешность? |
|
|
|
|
|
|
|
|
|
||||||||
|
в) |
Является |
ли |
он |
|
оптимальным? |
|
|
|
|
|
|
|
||||||||
|
г) |
Найдите |
|
соответствующее |
решение |
изображенной |
на |
||||||||||||||
|
фиг. 11.2 проблемы полупространства. |
|
|
|
|
|
|||||||||||||||
|
д) |
Найдите соответствующее решение первоначальной проб |
|||||||||||||||||||
|
лемы |
5,2-мерной |
оценки. |
|
|
|
|
|
|
|
|
|
|
||||||||
|
е) |
Какова |
погрешность |
оценки? |
|
|
|
|
|
|
|
|
|||||||||
9. |
а) |
Какова |
|
погрешность |
приведенного на фиг. 11.3 ре |
||||||||||||||||
|
шения |
проблемы распознавания |
образов? |
|
|
|
|
|
|||||||||||||
|
б) |
Является |
ли |
это |
решение |
оптимальным? |
|
|
|
||||||||||||
|
й) Пользуясь изложенным при доказательстве теоремы 2 |
||||||||||||||||||||
|
алгоритмом, |
покажите |
на |
численном |
примере, |
как |
может |
||||||||||||||
|
быть преобразована |
данная |
в разд. 11.1 и изображенная |
на |
|||||||||||||||||
|
фиг. |
11.3 проблема |
7,2-мерных |
образов в |
проблему |
7,3-мер |
|||||||||||||||
|
ного |
полупространства. |
|
|
|
|
|
|
|
|
|
|
|
||||||||
|
г) Если после этого нормализовать признаки, какова будет |
||||||||||||||||||||
|
новая |
проблема |
полупространства |
в |
пространстве Z? |
|
|||||||||||||||
10. |
а) |
Найдите |
вектор |
коэффициентов, |
применяя |
алгоритм |
|||||||||||||||
|
коэффициентов |
корреляции |
к |
проблеме |
полупространства |
||||||||||||||||
|
в |
пространстве Z, являющейся ответом к упражнению 9г. |
|||||||||||||||||||
|
б) |
Какова |
его |
погрешность? |
|
|
|
|
|
|
|
|
|
||||||||
|
в) Найдите соответствующее решение этой проблемы полу |
||||||||||||||||||||
|
пространства без нормализации признаков, т. е. решение |
||||||||||||||||||||
|
проблемы полупространства, являющееся ответом к упраж |
||||||||||||||||||||
|
нению |
9в. |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
|
г) |
Найдите соответствующее решение первоначальной про |
|||||||||||||||||||
|
блемы |
7,2-мерных |
объектов. |
|
|
|
|
|
|
|
|
|
|||||||||
|
П . Пронормируйте векторы полупространства в простран |
||||||||||||||||||||
стве Z, являющиеся ответом к упражнению 9г. |
|
|
|
|
|
||||||||||||||||
12. |
а) Пользуясь ответом к упражнению И , найдите вектор |
||||||||||||||||||||
|
коэффициентов |
с |
помощью |
алгоритма |
суммирования |
норма |
|||||||||||||||
|
лизованных |
нормированных .векторов. |
|
|
|
|
|
||||||||||||||
|
б) |
Какова |
его |
погрешность? |
|
|
|
|
|
|
|
|
|
||||||||
|
в) |
Найдите соответствующее решение проблемы полупрост |
|||||||||||||||||||
|
ранства без |
|
нормализации |
признаков, |
т. е. решение |
пробле |
|||||||||||||||
|
мы полупространства, являющееся ответом к упражнению 9в. |
||||||||||||||||||||
|
г) |
Найдите |
|
соответствующее решение |
первоначальной проб |
||||||||||||||||
|
лемы |
7,2-мерных |
объектов. |
|
|
|
|
|
|
|
|
|
|||||||||
13. |
а) |
Пользуясь |
ответом |
к |
упражнению 11, |
найдите |
вектор |
||||||||||||||
|
коэффициентов |
|
с |
помощью |
релаксационного |
алгоритма, |
|||||||||||||||
|
действующего |
в |
два |
шага |
(с |
k = |
0,5). |
|
|
|
|
|
|||||||||
|
б) |
Какова |
|
его |
погрешность? |
|
|
|
|
|
|
|
|
|
|||||||
|
в) Найдите соответствующее решение проблемы полупрост |
||||||||||||||||||||
|
ранства без нормализации, т. е. пользуясь ответом к упраж |
||||||||||||||||||||
|
нению |
9в. |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
|
г) |
Найдите соответствующее решение первоначальной про |
|||||||||||||||||||
|
блемы |
7,2-мерных |
|
объектов. |
|
|
|
|
|
|
|
|
|
О Т Ы С К А Н И Е Л И Н Е Й Н Ы Х О Ц Е Н И В А Ю Щ И Х |
Ф У Н К Ц И Й |
|
|
235 |
||||||||||||
Л И Т Е Р А Т У Р А |
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
A b r a m s o n |
N . , B r a v e r |
m a n |
D., |
«Learning |
to Recognize |
|||||||||||
Patterns in a Random Environment», IRE |
Trans. |
Inform. |
|
Theory, |
||||||||||||
IT-8, |
S58- |
S63 |
(1962). |
|
|
|
|
|
|
|
|
|
|
|
||
A n d e r s о n |
T. |
VV. |
An |
Introduction |
to |
Multivariate Statistical |
||||||||||
Analysis, John Wiley, New York, 1958; русский перевод см. |
||||||||||||||||
Андерсон Т. Введение в многомерный статистический |
анализ, |
|||||||||||||||
Физматгнз, |
1963. |
|
|
|
|
|
|
|
|
|
|
|
|
|||
D u d a |
R. О., «Linear Machines and Markov Processes», |
Proc. |
||||||||||||||
IEEE |
Workshop on Pattern Recognition, Dorado, Puerto |
Rico, |
||||||||||||||
Oct. |
1966. |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
E f r o n |
В . , |
«The |
Perceptor |
Correction |
Procedure |
in |
Nonseparable |
|||||||||
Situations», |
Tech. Docum. Rep. RADC-RDR-63-533, Information |
|||||||||||||||
Processing Branch, Rome Air Develop. Center, Res. a. Technol. |
||||||||||||||||
Div. Air |
Force |
Systems Command, Griffiss |
Air |
Force Base, New |
||||||||||||
York, |
Febr. |
1964. |
|
|
|
|
|
|
|
|
|
|
|
|
||
F e i g e n b a u m |
E., |
F e l d m a n |
J. |
(eds.), |
«Computers |
and |
||||||||||
Thoughts, |
|
McGraw-Hill Book Company, |
|
New |
York, |
1963; |
||||||||||
русский перевод: «Вычислительные машины и мышление», сб. |
||||||||||||||||
под ред. Э. Фейгенбаума |
и Дж . Фельдмана, |
изд-во «Мир», 1967. |
||||||||||||||
F i s h e r |
R. A., «The Use |
of |
Multiple Measurements |
in Taxonomic |
||||||||||||
Problems», см. Contributions to Mathematical Statistics, John |
||||||||||||||||
Wiley, New |
York, |
1950, |
pp. 32, |
179—82, |
188. |
|
|
|
|
|||||||
H i g h l e y m a n |
W. |
H . , |
«Linear |
Decision |
Functions with |
|
Appli |
|||||||||
cation |
to |
Pattern |
Récognition», |
Proc. |
IRE, |
|
1501—1514 |
|
(1962); |
|||||||
русский |
перевод: |
Хайлиман, Линейные |
решающие |
функции |
||||||||||||
и их |
применение |
для распознавания |
образов, |
ТИРИ, |
том 49, |
№1, \962,- стр. 1567—1580.
К |
о f о r d J. S., |
G г о n e г |
G. |
F., «The Use of an |
Adaptive |
Thre |
||||||||||||||
|
shold |
Element |
to Design a Linear Optimal |
Pattern |
Classifiers, |
|||||||||||||||
|
IEEE |
|
Trans. |
Inform. |
|
Theory, |
IT-12,.42— |
50 |
(1966). |
|
|
|
|
|||||||
M a y s |
С. |
H . , |
«Effects |
of |
Adaptation Parameters |
on |
Convergence |
|||||||||||||
|
Time |
and Tolerance for Adaptive Threshold |
Elements, |
|
IEEE |
|||||||||||||||
|
Trans. |
Electron. |
Computers, |
465—468, |
Aug. |
(1964). |
|
|
|
|||||||||||
N |
i l s s o n |
N. J., |
«Learning Machines», McGraw-Hill, |
New |
York, |
|||||||||||||||
|
1965; |
русский |
перевод: |
Нильсон |
H . Д ж . , Обучающиеся |
маши |
||||||||||||||
|
ны, |
изд-во |
«Мир», |
1967. |
|
|
|
|
|
|
|
|
|
|
||||||
S a m u e l |
|
A. |
L . , |
«Some Studies in Machine Learning |
Using |
the |
||||||||||||||
|
Game |
of Checkers», |
|
IBM |
|
J. |
Res. |
Develop., |
8, |
№ |
3, 210—229 |
|||||||||
|
(1959); |
русский |
перевод |
|
см. |
в |
сб. «Вычислительные |
машины и |
||||||||||||
|
мышление», |
изд-во |
«Мир», |
1967. |
|
|
|
|
|
|
|
|
||||||||
S a m u e l |
|
A. |
L . , |
«Some Studies in Machine Learning |
Using |
the |
||||||||||||||
|
Game |
of |
Checkers, |
I I , Recent |
Progress)), IBM |
J. |
Res. |
Develop.. |
||||||||||||
|
11, |
№ |
6 |
(1967). |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
S u p p e s |
P., |
W a l s h |
К., |
«A |
Nonlinear |
Model |
for |
the |
Experi |
|||||||||||
|
mental |
Measurement |
of |
Utility», |
Behavioral |
Sei., |
July |
(1959). |
||||||||||||
W i d г о w |
В., |
H |
о f f M E., |
«Adaptive Switching |
Circuits», |
1960 |
||||||||||||||
|
WESCON Conv. Record, |
|
pt. |
4, |
pp. 96—140, |
1960. |
|
|
|
|
12 Элементарная программа
для восприятия и запоминания (ЕРАМ)
Эдвард Фейгенбаум и Герберт Саймон (1961, 1963, 1964) написали программу, получившую название ЕРАМ (Elementary Perceiver And Memorïzer — Элементарная Программа для Восприятия и Запоминания). В этой
программе воплощена выдвинутая ее создателями |
тео |
рия ассоциативной памяти и вербального обучения |
чело |
века. В данной главе мы опишем ЕРАМ-П — усовершенст вованный вариант первоначальной программы.
Проводились эксперименты по обучению программы ЕРАМ механическому запоминанию. Мы не будем здесь касаться так называемых экспериментов по последова тельной антиципации, а опишем лишь эксперименты по парной ассоциации. В этих экспериментах испытуемый механически запоминает несколько ассоциированных пар, состоящих из стимула и ответа. С программой ЕРАМ проводились три типа экспериментов по изучению пар ной ассоциации. В экспериментах первого типа каждый стимул представляет собой произнесенное слово (вводи мое в машину в закодированном виде), а каждый ответ — указание (в закодированном виде) і-га ассоциированный объект. В экспериментах второго типа каждый стимул представляет собой напечатанное слово, а каждый от вет — произнесенное слово. В экспериментах третьего типа каждый стимул и каждый ответ представляют собой напечатанные бессмысленные слоги. Бессмысленный слог является не имеющим значения трехбуквенным сочета нием (например, TOC1 ), состоящим из согласной, за ко торой следует гласная, а за ней снова согласная.
1 Все бессмысленные (и осмысленные) слова оригинала заме нены при переводе соответственно на бессмысленные (осмысленные) в русском языке трехбуквенные сочетания. — Прим. перев.
П Р О Г Р А М М А Д Л Я В О С П Р И Я Т И Я И З А П О М И Н А Н И Я (ЕРАМ) |
237 |
Для изучения парной ассоциации экспериментатор выбирает ряд пар «стимул — ответ». После этого он предъявляет один из этих стимулов испытуемому, кото рый пытается выдать ассоциированный со стимулом от вет. Затем экспериментатор сообщает испытуемому свой ассоциированный ответ и предъявляет ему другой сти мул. Этот цикл продолжается до тех пор, пока все стиму лы не будут предъявлены испытуемому в точности по одному разу. На этом первая серия завершается. В сле дующей серии стимулы предлагаются в ином (случайно выбранном) порядке. Серии продолжаются, пока экспери ментатор не прервет их. Обычно они прерываются тогда, когда испытуемый в течение всей серии выдает только правильные ответы.
В табл. 12.1 и 12.2 показаны два вымышленных «миниэксперимента». Ниже будет показано, каким образом ЕРАМ может выполнять в этих экспериментах роль испы туемого. В эксперименте, отраженном в табл. 12.1, экспе
риментатор выбрал две |
пары «стимул — ответ»: |
ДАС — |
Ж И К и ПИН — ЖУР- |
В первой серии первым |
предъяв |
ленным испытуемому стимулом был ДАС — это |
значит, |
что испытуемый видит напечатанный бессмысленный слог ДАС. Испытуемый не отвечает. Ему сообщается ответ — ЖИК . Практически это означает, что испытуемому пока зывается напечатанный слог ЖИК . Вторым стимулом является ПИН, на что испытуемый отвечает ЖИК . Это неправильно, и ему сообщается ответ ЖУРВо второй серии первым стимулом является ПИН, на что испытуе мый отвечает правильным ответом Ж У Р ; подтверждается ответ ЖУРСледующим стимулом является ДАС, на который испытуемый отвечает неправильно — ЖУР; со общается правильный ответ ЖИК . В третьей серии испы туемый правильно отвечает на оба стимула и экспери мент прекращается.
В эксперименте, представленном в табл. 12.2, экспе риментатор выбрал три пары «стимул — ответ». Каждый стимул — напечатанное слово, состоящее из трех про писных букв, а каждый ответ — произнесенное слово. Устные варианты напечатанных слов САД, ЛЕД, САН представлены соответственно как сат, льот, сан. Будем говорить, что в этой задаче каждый стимул представлен
238 |
|
|
|
ГЛАВА 12 |
|
Таблица |
12.1. |
Вымышленный эксперимент с использованием |
|||
бессмысленных |
слогов |
|
|
||
Номер |
серии |
Предложенный |
Реакция |
Сообщаемая |
|
стимул |
испытуемого |
реакция |
|||
|
|
||||
1 |
|
ДАС |
|
ж и к |
|
2 |
|
ПИН |
ж и к |
Ж У Р |
|
|
ПИН |
Ж У Р |
Ж У Р |
||
|
|
ДАС |
Ж У Р |
ж и к |
|
3 |
|
ДАС |
ж и к |
ж и к |
|
|
|
ПИН |
Ж У Р |
Ж У Р |
|
Таблица |
12.2 . |
Вымышленный |
эксперимент по «чтению |
||
вслух» |
|
|
|
|
|
|
|
Предложешіыі! |
Реакция |
Сообщаемая |
|
Номер |
серии |
стимул |
испытуемого |
реакция |
|
1 |
|
САД |
|
сат |
|
|
|
Л Е Д |
сат |
льот |
|
|
|
САН |
сат |
сан |
|
|
|
Л Е Д |
льот |
льот |
|
2 |
|
САН |
сан |
сам |
|
|
|
САД |
сат |
сат |
алфавитной характеристикой, а каждая реакция — фоне матической характеристикой. В силу очевидных причин мы подобную задачу будем называть «чтением вслух», или алфавитно-фонемной задачей. В первой серии пер вым стимулом является САД. Испытуемый на него не отвечает. Экспериментатор сообщает ответ «сат», т. е. произносит слово САД. Вторым стимулом является ЛЕД,
и испытуемый |
неправильно отвечает «сат». Сообщает |
ся ответ «льот» и т. д. |
|
12.1. ПРОГРАММА |
ЕРАМ |
ЕРАМ состоит из исполнительной программы, про граммы ответов и программы обучения. Программа отве тов вырабатывает ответы на стимулы. Программа обуче-
П Р О Г Р А М М А Д Л Я В О С П Р И Я Т И Я И З А П О М И Н А Н И Я (ЕРАМ) |
239 |
ния предназначена для обучения различению и ассоцииро ванию стимулов и ответов. Исполнительная программа применяет соответствующим образом программу ответов и программу обучения, она же отвечает за все детали, например за выдачу на печать ответов. Исполнительная программа больше не будет упоминаться, ибо основной интерес для нас здесь представляют программы ответов и обучения. Обе эти программы будут сначала описаны в общем, а потом более подробно разъяснены на примерах.
Входной информацией в программу ответов являются характеристика ответов и стимул. Например, произнесен ное слово представлено фонематическими характеристи ками. Выходной информацией является ответ, ассоци ированный со стимулом и представленный требуемой ха рактеристикой. Программа эта состоит из следующих шагов, выполняемых по порядку.
A. Применить программу-дискриминатор для разли чения стимула на сети в соответствии с характеристикой стимула. Попытаться найти таким образом модель стимула.
Б. Если |
модель стимула не найдена, остановиться, |
не выдавая |
ответа. |
B. Найти сигнал, представленный соответствующей характеристикой (ответа), который хранится вместе с моделью стимула.
Г. Если такой сигнал не найден, остановиться, не выдавая ответа.
Д. Применить дискриминатор для различения сигна ла в сети соответственно требуемой характеристике. По пытаться найти таким образом модель ответа.
Е. Если такая модель не найдена, остановиться, не выдавая ответа.
Ж- Генерировать ответ непосредственно из его модели, Дискриминатор — это программа, различающая (клас сифицирующая) элементы дискриминационных сетей. Ди скриминационная сеть — это разновидность дерева клас
сификации или декодирующей схемы.
В ЕРАМ для каждой (сенсорной) характеристики за дачи имеется отдельная сеть. На фиг. 12.1 показана пара сетей — алфавитная сеть и фонематическая сеть. В каж дом некоиечном узле сети хранится программа «проверка». В каждом конечном узле сети содержится модельный спи-
240 |
ГЛАВА 12 |
( C - ,
Ф и г. 12.1. Програімма обучения после предъяв ления первого стимула «САД» и первой реакции «сат» строит эти алфавитную и фонематическую
сок (возможно, пустой), в котором может храниться сим волически выраженная информация. Если модельный список не пуст, то первый элемент его называется мо делью. Модель частично или полностью повторяет сти мул или ответ. Если в модельном списке имеются другие элементы, они называются сигналами. Все сигналы в модельном списке соответствуют различным характери стикам. Сигнал частично (а изредка и полностью) повто ряет ответ с этой характеристикой. Дискриминатор — это программа, которая берет элемент (стимул или сигнал) с данной характеристикой, классифицирует его в сети соответственно этой характеристике и вырабатывает ассо циированный с этим элементом модельный список. Ди скриминатор находит в верхнем узле сети программу про верки и применяет ее к этому элементу. Результат яв ляется сообщением для дискриминатора, где искать сле дующую программу проверки — в правой или в левой ветви. Дискриминатор выполняет найденную программу, и весь процесс повторяется, пока не достигается конеч
ный |
узел. В этом |
случае модельный список готов, так |
что |
дискриминатор |
завершает работу. |
Программа обучения состоит из двух программ: ди скриминационной программы обучения и ассоциативной программы обучения. Когда эксперимент начинается, дискриминационных сетей еще нет. Их строит дискрими национная программа обучения. Ассоциативная програм ма обучения строит ассоциации между стимулами и от ветами, сохраняя сигналы и модели стимулов.
Опишем теперь для иллюстрации возможное поведение ЕРАМ в качестве испытуемого в вымышленном миниэксперименте, отраженном в табл. 12.1 и 12.2. В представ-