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 Р_min до Р_max , сеть не может дать на выходе та­кого сигнала. Поэтому перед обучением нейросети осуществляется следующее преобразование данных:

=(b-a)(P- Р_min)/( Р_max - Р_min)+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)(Р_тax - Р_тin)/(b-a) + Р_тin . 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 Н_i, а оценку всего обучающего множества через Н_ом. Простейший способ получения Н_ом из H_i - простая сумма. При этом вектор градиента вычисляется очень просто:

Н_ом =Н_i ,

 Н_ом=(Н_i)=  Н_i .

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