- •1 Направления искусственного интеллекта и понятие иис – 2 ч. [1; 2; 9]
- •1.1 Основные направления искусственного интеллекта и их характеристика. (Гаврилова)
- •1.1.1 Основные направления искусственного интеллекта и их характеристика. (Андрейчикова)
- •1.2 Состояние работ в области экспертных систем и направлениям искусственного интеллекта. (Попов)
- •1.3 Понятие интеллектуальной информационной системы (иис). (Андрейчикова)
- •1.5 Классификация иис. (Андрейчикова)
- •2 Понятие экспертных систем. – 2 ч. [1; 2; 3; 9]
- •2.1 2.2 2.3 Экспертные системы (эс). Назначение экспертных систем. Формальные основы экспертных систем. (Попов)
- •Назначение экспертных систем
- •Формальные основы экспертных систем
- •3 Архитектура экспертных систем и этапы разработки - 2 ч. [2; 8; 9]
- •3.3 Этапы разработки экспертных систем. (Попов)
- •5 Методы и модели представления знаний. (Попов)
- •5.1 Формальная логическая модель представления знаний. (Попов)
- •5.2. Семантическая модель представления знаний. (Попов)
- •5.3 Фреймовая модель представления знаний. (Попов)
- •5.4 Продукционная модель представления знаний. (Попов)
- •5.6 Модель представления знаний: “прецеденты”.
- •5.5 Модель доски объявлений для представления знаний.
- •5.7 Гибридные модели представления знаний
- •6 Методы поиска решений в эс
- •7 Понятие и определение нечетких знаний – 2 ч. [3; 14]
- •7.1 Нечеткие знания
- •7.2 Понятие лингвистической переменной, определение ее значения
- •7.3 Понятие нечеткого множества
- •7.4 Определение нечеткого множества (через базовую шкалу и функцию принадлежности)
- •7.5 Понятие функции принадлежности
- •7.6 Операции с нечеткими знаниями
- •8 Стратегии получения знаний - 2 ч. [3]
- •8.1 Извлечение знаний из данных, приобретение знаний, формирование знаний. Теоретические аспекты извлечения знаний.
- •Теоретические аспекты извлечения знаний
- •Психологический аспект извлечения знаний
- •Лингвистический аспект извлечения знаний
- •Гносеологический аспект извлечения знаний
- •Теоретические аспекты структурирования знаний
- •Историческая справка
- •Иерархический подход
- •Традиционные методологии структурирования
- •Объектно-структурный подход (осп)
- •9 Проектирование экспертных систем - 2ч. [1; 3]
- •9.1 Этапы проектирования экспертной системы: идентификация, концептуализация, формализация, реализация, тестирование, опытная эксплуатация.
- •9.4 Технология проектирования и разработки промышленных эс.
- •9.5 Характеристика этапов разработки эс.
- •9.6 Технология быстрого прототипирования эс.
- •9.7 Характеристика стадий разработки прототипа эс.
- •10 Понятие нейроинформатики, история развития
- •Задача обучения нейронной сети на примерах.
- •12.1 Интерфейс вывода нейросетевого блока
- •12.2 Интерпретатор нейросетевого блока
- •12.3 Блок «Учитель» нейроимитатора
- •12.4 Блок «Оценка»
- •4.3.8. Конструктор нейронной сети
- •12.7 Блок «Констрастер»
- •4.3.9. Контрастер нейронной сети
- •42. Схема работы интеллектуального компонента прогнозирования временных рядов показателей.
- •44. Персептрон Розенблатта.
- •46.Карта самоорганизации Кохонена.
- •45 Многослойный перцептрон и его обучение
12.2 Интерпретатор нейросетевого блока
Заметим, что если привычный для человека способ представления входных данных непригоден для нейронной сети, то и формат ответов нейронной сети часто малопригоден для человека. Необходимо интерпретировать ответы нейронной сети. Интерпретация зависит от вида ответа. Так, если ответом нейронной сети является действительное число, то его, как правило, приходится масштабировать и сдвигать для попадания в нужный диапазон ответов. Если сеть используется как классификатор, то выбор интерпретаторов еще шире. Важность данного этапа иейросетевой обработки данных вызывает необходимость выделения интерпретатора ответа нейронной сети в отдельный компонент нейрокомпьютера. Особое значение имеет данный компонент при работе нейрокомпьютера в составе информационной системы предприятия. Интерпретатор ответа напрямую взаимодействует с пользователем, поэтому от того, как качественно будет организован интерфейс, зависит эффективность его работы. Кроме того, насущным становится применение современных информационных технологий мультимедиа.
Интерпретатор ответа напрямую взаимодействует с пользователем, поэтому от того, как качественно будет организован интерфейс, зависит эффективность его работы. Для информационных систем выделяются следующие блоки интерпретации: восстановление данных, семантическое представление, шкалирование, графическое, аудио-, видео-, мультимедиа - представление. Необходимо уделять также особое внимание разработке объяснительных компонентов и качественного синтаксиса и семантики выходного языка (рисунок 4.18). Разработка данных положений является перспективным направлением данной работы в области совершенствования человеке - машинных интерфейсов информационных систем.
Рассмотрим блок восстановления данных интерпретатора [41,110], Как было показано выше, ответ, выдаваемый нейронной сетью, как правило, является числом из диапазона [а,b]. Если ответ выдается несколькими нейронами, то на выходе сети мы имеем вектор, каждый компонент которого лежит в интервале [а,b]. Достаточно часто требуемая в качестве ответа величина лежит в другом диапазоне, например, при предсказании какого-либо показателя Р, который должен лежать в диапазоне от Рmin до Рmax , сеть не может дать на выходе такого сигнала. Поэтому перед обучением нейросети осуществляется следующее преобразование данных:
=(b-a)(P- Рmin)/( Рmax - Рmin)+a,
где Р - требуемое значение экономического показателя;
Pmin и Рmax - минимальное и максимальное значения показателей;
- ответ, который будем требовать от сети.
При интерпретации ответа необходимо проделать обратное преобразование. Если сеть выдала сигнал , то ответом является величина Р = (-а)(Ртax - Ртin)/(b-a) + Ртin . Таким образом, можно интерпретировать выдаваемый сетью сигнал как величину из любого, наперед заданного диапазона.
Если при составлении обучающего множества ответ на примеры определялся с некоторой погрешностью, то от сети следует требовать не точного воспроизведения ответа, а попадания в интервал заданной ширины. В этом случае интерпретатор ответа может выдать сообщение о правильности (попадания в интервал) ответа.
При построении искусственной нейронной сети особое место занимает оценка обучающего множества. Как уже отмечалось, обучение нейронной сети - это процесс минимизации в пространстве обучаемых параметров функции оценки. Большинство алгоритмов обучения используют способность нейронных сетей быстро вычислять вектор градиента функции оценки по обучаемым параметрам. Обозначим оценку отдельного примера через Нi, а оценку всего обучающего множества через Ном. Простейший способ получения Ном из Hi - простая сумма. При этом вектор градиента вычисляется очень просто:
Ном =Нi ,
Ном=(Нi)= Нi .
Таким образом, используя способность сети вычислять градиент функции оценки решения одного примера, можно получить градиент функции оценки всего обучающего множества.
Объяснительный компонент Важным при интерпретации является также проверка адекватности модели, определение ошибки обобщения. Для этого возможно применение метода наименьших квадратов, дисперсии, квадрата Евклидова расстояния, метрики Махаланобиса, метода наименьших квадратов. Особую роль занимает применение метода экспертных оценок для проверки адекватности модели.
Рисунок 4.18 - Функции интерпретации выходного сигнала нейросети