ДонНТУ   Портал магистров

Реферат по теме выпускной работы



Введение

В последние годы интенсивно развиваются гибридные интеллектуальные системы, позволяющие использовать преимущества традиционных средств и методов искусственного интеллекта, и, в то же время, преодолевающие некоторые их недостатки, способные решать задачи, нерешаемые отдельными методами искусственного интеллекта. Гибридные интеллектуальные системы позволяют более эффективно соединять формализуемые и неформализуемые знания за счет интеграции традиционных средств искусственного интеллекта.

Такое разнообразие интеллектуальных систем определяется необходимостью формализации разнообразных данных и знаний, причем не всегда процесс формализации можно успешно выполнить для данных и знаний любого вида. Вот почему в последние годы стали интенсивно развиваться гибридные интеллектуальные системы (один из видов многокомпонентных интеллектуальных систем) – позволяющие использовать преимущества традиционных средств искусственного интеллекта, и в то же время преодолевающие некоторые их недостатки, способные решать задачи, нерешаемые отдельными методами искусственного интеллекта. Гибридные интеллектуальные системы позволили более эффективно соединять формализуемые и неформализуемые знания за счет интеграции традиционных средств искусственного интеллекта [1].


Описание предметной области

За прошедшее время были созданы различные виды систем искусственного интеллекта, такие как экспертные системы, нечеткие системы, системы поддержки принятия решений, искусственные нейронные сети, системы планирования движения роботов, генетические алгоритмы.

Вместе с тем, несмотря на активные исследования в этой области, все еще остаются не полностью решенными многие проблемы, связанные с разработкой методов и алгоритмов синтеза интеллектуальных систем и интерпретации результатов ее работы для конкретных приложений, недостаточно проработаны вопросы интеграции различных информационных технологий и особенности их реализации в интеллектуальных системах с целью повышения эффективности решаемых с ее помощью трудно формализуемых задач [2].

Использование гибридных интеллектуальных систем особенно эффективно в медицине, банковском деле, при распознавании образов, при обнаружении неисправностей в технических системах и т.д., то есть в тех отраслях, где приходится иметь дело как с четкими, так и с нечеткими знаниями.


Актуальность задачи

Аргументацию начнем от предметной области. Сложные практические задачи решаются сейчас системами поддержки принятия решений: коллегиями Министерств, советами главных конструкторов и другими мероприятиями, принципиальная особенность которых – коллективная выработка, оценка, прогнозирование последствий и принятие решений на основе интеграции узкопрофессиональных знаний и комбинирования мнений специалистов лицом, принимающим решения. С учетом этой особенности гибриды могут стать одним из основных инструментов не только анализа эффективности феномена СППР, но и синтеза адекватных ему моделей.

Второй аргумент связан с проблемной средой СППР и исходит из того, что … большинство задач реального мира слишком сложны для какого-либо одного метода обработки, примененного в изоляции…такие задачи хорошо представлены в финансовых приложениях, автоматизированном производстве, управлении и обработке естественного языка [3] и возникают везде, где мы имеем дело с функционированием систем, зависящим от многих разнородных переменных.

Если аргументировать ГИС с позиций теории систем, то изначально в искусственном интеллекте, принцип системного подхода был нарушен [4]. Ни один из методов не может, да и не должен претендовать на универсальность. Преимущества одних представлений компенсируют слабые стороны других за счет взаимодействия частей целого и дадут новое, интегративное свойство качественно новой сущности – ГИС.

Рассмотренные аргументы говорят о перспективности гибридных интеллектуальных систем, как с точки зрения повышения релевантности моделей оригиналам, так и сокращения сроков создания проектов информационных систем.

Объект исследования: методы построения гибридных интеллектуальных систем.

Предмет исследования: практические реализация алгоритма построения гибридных интеллектуальных систем.

Теоретическая часть реализации

Для того, чтобы реализовать метод построения гибридной интеллектуальной системы, необходимо изучить основные понятия, проанализировать существующие методы и выделить среди них те, которые являются более эффективными и нуждаются в дальнейшей доработке.

Основные понятия, гибриды и интеграция знаний

Начала гибридов можно искать в древних легендах о происхождении рода человеческого или в более поздних работах ученых-генетиков, однако и в том и другом случаях имеют дело с производными от родителей сущностями, играющими в современной науке и эволюции цивилизации огромное и все возрастающее значение. Это значение определяется, прежде всего, привлекательностью уже доказанной учеными-генетиками для живой природы возможностью целенаправленного конструирования объектов на уровне генотипа, что во многом определяет их свойства на уровне фенотипа. Такое конструирование – тонкая, долгая и трудоемкая работа – называется гибридизацией.

С средины 1960-х годов генетическая парадигма используется геологией для изучения гибридных горных пород, лингвистикой для исследования гибридных языков с генетической неоднородностью лексики, техническими науками – вычислительной техникой, а также наукой об управлении в гибридных системах и гибридных интеллектуальных системах.

Гибридная система – записанная на математическом языке комбинация двух автономных методов, один из которых имеет преимущества в моделировании непрерывных процессов, а другой – дискретных. Непрерывная динамика ГС задается обычно дифференциальными уравнениями, а дискретная управляется цифровым автоматом с конечным количеством состояний [5].

Для улучшения модели были разработаны гибридные системы L.Tavernini, A. Nerode и W. Kohn, а также J. Antsaklis, J. Stiver, M. Lemmon, использующие только автономное переключение. В модели A. Back, J. Guckenheimer, M. Myer есть автономное переключение и скачки. Модель R. Brockett и A. Nerode и W. Kohn улучшает модель L.Tavernini, A. Nerode.

Развитием гибридных систем в сторону многокомпонентности и связности следует считать, например, модель коммутируемых и координируемых компонент – гибридных автоматов.

Следующая группа моделей отличается от рассмотренных существенно более слабыми требованиями к формализмам, что расширяет класс систем, доступных исследованию в классической математике и computer science.

Г.С. Осиповым предложены интегрированные динамические системы, основанные на знаниях, естественным образом сочетающие различные парадигмы моделирования и позволяющие внести семантику предметной области в формализмы и . В.Н. Вагиным и А.П. Еремеевым разработана семиотическая система логико-лингвистического типа, В.Б.Тарасовым – нечеткая эволюционная многоагентная система, Ю.Р. Валькман ввел исчисление моделей, а Г.В. Рыбина – формализм интегрированной экспертной системы.

Гибридные интеллектуальные системы были анонсированы в 1990-1995 гг. в работах L. Medsker и по существу совпадают с интеллектуальными гибридными системами, гибридными интегрированными системами, гибридными интеллектуальными адаптивными системами. Появление термина интеллектуальные в сочетании с гибридными системами означает интеграцию аналитических и статистических представлений с эвристическими знаниями, используемых в искусственном интеллекте – в экспертных и нечетких системах, в генетических алгоритмах, в искусственных нейронных сетях и др.

Классификации гибридных интеллектуальных систем

Известны пять классификаций ГИС. Исследуя ИНС и ЭС, L. Medsker в 1990-1995гг. предложил описывать уровень их интеграции, используя понятия автономных, трансформационных, слабо и сильносвязанных, а также полностью интегрированных моделей [6-7].

S. Goonatilake и S. Khebbalв 1992-1995 гг. расширили интегрируемые автономные модели нечеткими системами, генетическими алгоритмами и предложили три класса гибридов: функционально – заменяемых, внутрисвязанных и полиморфических. Связанность авторы трактуют аналогично L. Medsker, а полиморфизм понимают как эмуляцию гибридом несколько методов. К полиморфическим относятся, например, нейронечеткие гибриды.

M. Hilario в 1995 г. различает унифицированные коннекционистские модели, а также трансляционные и функциональные гибриды. Последний класс, по существу, совпадает с функционально–заменяемыми гибридами S.Goonatilake и S.Khebbal.

R. Sun в 1996 г. в рамках символьно-коннекционистской интеграции обобщил гибриды в классы одно и многомодульных архитектур. Первые – это попытка объединить унификацию и трансляцию в смысле M. Hilario с автономными и трансформационными моделями L. Medsker. Нововведение - грануляция, разбивающая гибриды на два класса – крупно и мелкозернистых объектов.

S. Wermter и др. в 1999 г. [8] различают унифицированные, трансформационные и модульные гибриды, смещая акценты на модульную природу гибридов в рамках интеграции ИНС и ЭС.

Из обзора классификаций видно, что, имея много общего, они идентифицируют пять стратегий разработки ГиИС (рис. 1): автономные модели, трансформационные, слабо-связанные, сильно-связанные и полностью интегрированные модели.

Пример

Рисунок 1 – Модели гибридных интеллектуальных систем

Междисциплинарное направление «Гибридные интеллектуальные системы» объединяет ученых и специалистов, исследующих применимость не одного, а нескольких методов, как правило, из различных классов, к решению задач управления и проектирования [9].

Проблематика гибридных интеллектуальных систем

Автономные модели содержат независимые программные компоненты. Несмотря на очевидную вырожденность интеграции знаний в этом случае, разработка автономных моделей актуальна и имеет несколько целей. Во-первых, такие модели предоставляют способ сравнения возможностей решения задачи двумя или более методами, что приводит к адекватным моделям. Во-вторых, автономные модели могут использоваться для быстрого создания начального прототипа, после чего разрабатываются приложения, требующие уже большего времени. Автономные модели имеют и существенный недостаток – они не могут помогать друг другу при обновлении информации. Все должны модифицироваться одновременно.

Трансформационные модели похожи на автономные, так как конечный результат разработки – независимая, невзаимодействующая с другими частями модель. Основное отличие – модель начинает работать как один тип системы, а заканчивает как другой. Пример такого приложения – поддержка принятия маркетинговых решений. Здесь искусственная нейронная сеть разрабатывается, чтобы идентифицировать динамику изменений и связи данных о продажах. Результат ИНС передается в экспертную систему, чтобы исследовать рынок и локализовать рекламируемые ресурсы. В этом примере нейросеть использована для быстрого понимания сложной ситуации с большим объемом данных, обобщения и выявления ошибок. Экспертная система применена как окончательный решатель, работающий с проверенными знаниями и дающий объяснения по желанию пользователя. В этом случае говорят, что нейросеть трансформирована в экспертную систему. Трансформационные модели быстро создаются и требуют меньших затрат. Есть и проблемы – создание инструмента преобразования одной модели в другую и модификаций модели, сравнимых по объему с разработкой заново.

Слабосвязанные модели. Это первая реальная форма интеграции, когда приложения декомпозируются на компоненты, связываемые через файлы данных. Классификация таких моделей рассмотрена ниже.

Цепочный гибрид использует как составные части две функционально завершенные компоненты: главный процессор и пре или постпроцессор. Пример – система отображения дыхательных ритмов больных в клинике [10], в которой нейросеть классифицирует состояние дыхания для последующей обработки продукционной экспертной системой.

Подчиненный гибрид также использует компоненты, одна из них, подчиненная, включена в другую, действующую как главный решатель задачи. Пример – система LAM для проектирования оконного стекла. Из трех задач определения прочности, солнечной спецификации, звуковых качеств последние две моделировались гибридом экспертной системы (главный процессор) – ИНС.

Метапроцессорный гибрид включает метапроцессор и функциональные компоненты. Пример - символическая метапроцессия в системе ALVINN [11] для управления автономными летательными аппаратами, в которой решения «нейросети – водителя» посылаются на оценку «продукционной системе – эксперту».

Сопроцессорный гибрид – использует при решении задачи компоненты, равные партнеры. Каждая может передавать информацию каждой, взаимодействовать, обрабатывая подзадачи одной и той же задачи.

Слабосвязанные модели проще для разработки и допускают применение коммерческих программ, снижающих бремя программирования. Время на эксплуатацию сокращено из-за простоты интерфейсов файлов данных, однако увеличена цена коммуникации и снижена производительность гибридов.

Сильносвязанные модели. Классы слабо и сильносвязанных гибридов имеют значительное перекрытие. Однако последние используют обмен информацией через резидентные структуры памяти, например, DataDynamicExchange (DDE), в отличие от обмена через внешние файлы данных в слабо связанных моделях. Это улучшает интерактивные возможности и дает более высокую производительность. Здесь используются следящие методы разработки: доска объявлений, метафора курьеров и др. Сильносвязанные гибриды имеют низкие коммуникационные затраты и более высокую производительность по сравнению со слабо связанными моделями. Тем не менее, эти модели имеют три принципиальных ограничения: сложность разработки и поддержки возрастает как следствие внешнего интерфейса данных; cильная связанность страдает от излишнего накопления данных; проверка адекватности затруднена.

Рассмотренные выше слабо и сильно связанные модели в силу того, что их состав и структура во многом зависят от решаемой задачи, принято называть, следуя классификации M. Helario, еще и функциональными ГиИС.

Полностью интегрированные модели совместно используют общие структуры данных и представления знаний, а взаимосвязь между компонентами достигается посредством двойственной природы структур. Здесь можно выделить нейросети, основанные на знаниях, например, KBANN (Knowledge Based Artificial Network) и KBCNN (Knowledge Based Conceptual Neural Network), в которых нейронам сопоставлены символьные эквиваленты и созданы алгоритмы извлечения правил условие-действие [12]. Другой путь – коннекционистские экспертные системы, например, MACIE (Matrix Controlled Inference Engine), совместно использующие узлы сети и символы экспертной системы, когда входы-выходы нейронов искусственной нейронной сети одновременно четкие лингвистические переменные в левых частях продукционных правил. Третий вариант полной интеграции – нечеткие нейросети, в которых создается гибрид, по структуре похожий на ИНС и реализующий одновременно нейро и нечеткие вычисления.

Преимущества полной интеграции – надежность, увеличение скорости обработки, адаптация, обобщение, снижение шума, аргументация и логическая дедукция – то, чего в сумме не найти ни в одном автономном методе [13].

Таким образом, из рассмотренного выше ясно, что гибрид в компьютерной науке – это система из двух или более интегрированных подсистем с различными языками представления и методами поиска решений.

Предполагаемая научная новизна

На основе всего выше сказанного была создана модель гибридной интеллектуальной мультиагентной обучающей системы, которая организуется как сообщество взаимодействующих коллективов агентов. Состав предлагаемой подсистемы оценки компетенций приведен пошагово на рис.2.

Рисунок 2 (анимация – 26 кадров, 10 повторений) – Организация подсистемы оценки компетенций представленная пошагово

Подсистема оценки компетенций решает следующие задачи. При первом обращении к системе формируется профиль обучаемого и определяется его начальный уровень знаний на основе заполняемой им карты базовых компетенций для начала обучения. На этом этапе АМИКиДПО получает информацию от КАО. После завершения очередного этапа обучения или выборе обучаемым режима тестирования компетенций АМИКиДПО взаимодействует с АОНКО, который используя модель компетенций, устанавливает недостающую компетенцию для определения уровня знаний по данной компетенции. Для этого формируется индивидуальная траектория тестирования АФТК и АФИТТ, создается индивидуальная среда тестирования АИСТ и формируются эталонные оценки для тестов АФЭО. Для наполнения среды тестирования используются тестовые ресурсы РРТ.

Обучение может включать работу с основными учебными курсами (для формирования требуемых компетенций) и с дополнительно сформированными учебными курсами – для устранения выявленных пробелов, которые не позволяют студенту усвоить новый курс. Решение задачи формирования повторного индивидуального курса обучения может включать несколько шагов и выполняется КАО. На начальном шаге происходит сравнение требуемой (эталонной) компетенции с текущей (исходной) компетенцией обучаемого. При несовпадении формируется запрос к репозиторию, для поиска множества учебных объектов, изучение которых необходимо для формирования требуемой компетенции. После этапа обучения производится тестирование выбранной компетенции. По результатам тестирования формируется требуемое состояние для следующего шага планирования и т.д. Условием завершения планирования будет устранение различий между текущим и требуемым уровнями, для последнего шага планирования, компетенциями.

Для более качественной оценки знаний предполагается использовать онтологии [14] для требуемых компетенций и на их основе строить индивидуальные траектории обучения и тестирования.

Выводы

Гибридные интеллектуальные системы – новая и перспективная фундаментальная область междисциплинарных исследований, ориентированная на решение сложных практических задач с использованием интеграции знаний и синергизм. Основная идея состоит в отказе от попыток поиска и использования одного универсального инструмента для решения задачи и переходе к его конструированию, как комбинации методов искусственного интеллекта, исследования операций, теории принятия решений и системного анализа. При этом компьютер используется не как средство реализации известных методов, а как средство синтеза методов, релевантных динамичным по составу и структуре, неоднородным субъективным сущностям – сложным практическим задачам.

Обобщенные в работе результаты убедительно показывают, что ГиИС принципиально способны решать задачи, которые невозможно моделировать в рамках какого-либо одного метода, ускоряют создание интеллектуальных систем, в несколько раз снижают ошибку прогноза, улучшают качество как тактического, так и стратегического планирования.

Результаты моделирования ГИС тремя подсистемами и интегратором свидетельствуют о возможности её создания в среде MatLab и достоверности полученных решений. Реализация интегратора в виде нейронной сети Кохонена, обучаемой «без учителя», предпочтительнее при малом объёме обучающей выборки.

Опытная реализация моделей ГИС с двумя способами реализации интегратора (на базе многослойной нейронной сети и сети Кохонена) демонстрирует универсальность и модульность структуры, необходимость подбора параметров системы, зависящих от объёма и характера входных и выходных данных в конкретной предметной области.

Предложенная система может использоваться для повышения качества обучения на основе компетентностного подхода. Применение репозитория тестовых ресурсов позволит накапливать тестовые задания для требуемых компетенций и на их основе строить индивидуальные тесты. Использование данной системы позволит автоматически формировать последовательность предоставления учебного материала – программу основного и повторного обучения, в соответствии с текущими компетенциями обучаемого.

С целью сокращения стоимости и сроков разработки ГИС для конкретной предметной области целесообразно создание инструментальной интеллектуальной среды её проектирования (без использования MatLab), обеспечивающей быстрое создание прототипа ГИС на базе принципов CASE-технологии.

Список источников

  1. Гаврилов А.В. Гибридные интеллектуальные системы / А.В. Гаврилов – Новосибирск: НГТУ, 2003. – 168 с.
  2. Попов Э.В. Экспертные системы / Э.В. Попов – М.: Наука, 1987. – 450 с.
  3. Венда В.Ф. Системы гибридного интеллекта / В.Ф. Венда – М.: Машиностроение, 1990. - 282 с.
  4. Нильсон Н. Принципы искусственного интеллекта / Н. Нильсон – М.: Радио и связь, 1985. – 91 с.
  5. Ярушкина Н.Г. Основы теории нечетких и гибридных систем / Н.Г. Ярушкина – М.: Финансы и статистика, 2004. – 320 с.
  6. Medsker L.R. Hybrid Intelligent Systems / L.R. Medsker – Boston: Kluwer Academic Publishers, 1995. – 298 p.
  7. Клачек П.М., Корягин С.И. Гибридные адаптивные интеллектуальные системы / П.М. Клачек, С.И. Корягин, А.В. Колесников, Е.С. Минкова – Калининград: БФУ им. И. Канта, 2011. – 374 с.
  8. Wermter S., Sun R. Hybrid Neural Systems / S. Wermter, R. Sun – Heidelberg, Germany: Springer Verlag, 2000. – 102 р.
  9. Колесников А.В. Гибридные интеллектуальные системы: Теория и технология разработки / А.В. Колесников – СПБ: Изд-во СПбГТУ, 2001. – 711 с.
  10. Simon Н. А. Information processing models of cognition / Н. А. Simon // J. Amer. Soc. Information Science. – Sept. 1981. – 208 p.
  11. Gavrilov A.V. An architecture of neurocomputer for image recognition / A.V. Gavrilov // Neural Network World. – 1991. – N 1. – p. 59–60.
  12. Hopfild J.J. Neural networks and physical systems with emergent collective computational abilites / J.J. Hopfild // Proc. Nat. Acad. Sci. USA. – 1982. – p. 2554–2558.
  13. Колесников А. В., Кириков И. А. Методология и технология решения сложных задач методами функциональных гибридных интеллектуальных систем / А. В. Колесников, И. А. Кириков – М.: ИПИ РАН, 2007. – 387 с.
  14. Смирнов А.В. Онтологии искусственного интеллекта: способы построения и организации / А.В. Смирнов, М.П. Пашкин, Н.Г. Шилов, Т.В. Левашова // Новости искусственного интеллекта. – 2002. – № 1. – С. 3–13.

Важное замечание

При написании данного реферата магистерская работа еще не завершена. Окончательное завершение: январь 2014 года. Полный текст работы и материалы по теме могут быть получены у автора или его руководителя после указанной даты.