ДонНТУ   Портал магістрів

Реферат за темою випускної роботи



Вступ

В останні роки інтенсивно розвиваються гібридні інтелектуальні системи, що дозволяють використовувати переваги традиційних засобів і методів штучного інтелекту, і, в той же час, що долають деякі їх недоліки, здатні вирішувати завдання, нерозв'язані окремими методами штучного інтелекту. Гібридні інтелектуальні системи дозволяють більш ефективно сполучати формалізовані та неформалізовані знання за рахунок інтеграції традиційних засобів штучного інтелекту.

Така різноманітність інтелектуальних систем визначається необхідністю формалізації різноманітних даних і знань, але не завжди процес формалізації можна успішно виконати для даних і знань будь-якого виду. Ось чому в останні роки стали інтенсивно розвиватися гібридні інтелектуальні системи (один з видів багатокомпонентних інтелектуальних систем) – вони дозволяють використовувати переваги традиційних засобів штучного інтелекту, і в той же час долають деякі їхні недоліки, здатні вирішувати завдання, нерозв'язані окремими методами штучного інтелекту. Гібридні інтелектуальні системи дозволили більш ефективно сполучати формалізовані та неформалізовані знання за рахунок інтеграції традиційних засобів штучного інтелекту [1].

Опис предметної області

За минулий час були створені різні види систем штучного інтелекту, такі як експертні системи, нечіткі системи, системи підтримки прийняття рішень, штучні нейронні мережі, системи планування руху роботів, генетичні алгоритми.

Разом з тим, незважаючи на активні дослідження у цій області, все ще залишаються не повністю вирішеними багато проблем, пов'язаних з розробкою методів і алгоритмів синтезу інтелектуальних системи інтерпретації результатів її роботи для конкретних програм, недостатньо опрацьовані питання інтеграції різних інформаційних технологій та особливості їх реалізації в інтелектуальних системах з метою підвищення ефективності вирішуються за її допомогою тяжко формалізованих завдань [2].

Використання гібридних інтелектуальних систем особливо ефективно в медицині, банківській справі, при розпізнаванні образів, при виявленні несправностей в технічних системах і т.д., тобто в тих галузях, де доводиться мати справу як з чіткими, так і з нечіткими знаннями.

Актуальність завдання

Аргументацію почнемо від предметної області. Складні практичні завдання вирішуються зараз системами підтримки прийняття рішень: колегіями Міністерств, порадами головних конструкторів та іншими заходами, принципова особливість яких – колективна оцінка, прогнозування наслідків і прийняття рішень на основі інтеграції вузькопрофесійних знань і комбінування думок фахівців особою, яка приймає рішення. З урахуванням цієї особливості гібриди можуть стати одним з основних інструментів не тільки аналізу ефективності феномена СППР, а й синтезу адекватних йому моделей.

Другий аргумент пов'язаний з проблемним середовищем СППР і виходить з того, що ... більшість завдань реального світу занадто складні для будь-якого одного методу обробки, застосованого в ізоляції ... такі завдання добре представлені у фінансових додатках, автоматизованому виробництві, управлінні та обробці природною мовою [3] і виникають скрізь, де ми маємо справу з функціонуванням систем, залежних від багатьох різнорідних змінних.

Якщо аргументувати ГІС з позицій теорії систем, то спочатку в штучному інтелекті, принцип системного підходу був порушений [4]. Жоден з методів не може, та й не повинен претендувати на універсальність. Переваги одних уявлень компенсують слабкі сторони інших за рахунок взаємодії частин цілого і дають нову, інтегративну властивість якісно нової сутності – ГІС.

Розглянуті аргументи говорять про перспективність гібридних інтелектуальних систем, як з точки зору підвищення релевантності моделей оригіналам, так і скорочення термінів створення проектів інформаційних систем.

Об'єкт дослідження: методи побудови гібридних інтелектуальних систем.

Предмет дослідження: практична реалізація алгоритму побудови гібридних інтелектуальних систем.

Теоретична частина реалізації

Для того, щоб реалізувати метод побудови гібридної інтелектуальної системи, необхідно розглянути основні поняття, проаналізувати існуючі методи і виділити серед них ті, які є більш ефективними і потребують подальшого доопрацювання.

Основні поняття, гібриди та інтеграція знань

Початок гібридів можна шукати в стародавніх легендах про походження роду людського або в більш давніх роботах вчених-генетиків, проте і в тому і в іншому випадках мають справу з похідними від батьків сутностями, що грають у сучасній науці і еволюції цивілізації величезне і все зростаюче значення. Це значення визначається, перш за все, привабливістю вже доведеною вченими-генетиками для живої природи можливістю цілеспрямованого конструювання об'єктів на рівні генотипу, що багато в чому визначає їх властивості на рівні фенотипу. Таке конструювання – тонка, довга і трудомістка робота – називається гібридизацією.

З середини 1960-х років генетична парадигма використовується геологією для вивчення гібридних гірських порід, лінгвістикою для дослідження гібридних мов з генетичною неоднорідністю лексики, технічними науками – обчислювальною технікою, а також наукою про управління в гібридних системах і гібридних інтелектуальних системах.

Гібридна система – записана на математичній мові комбінація двох автономних методів, один з яких має переваги в моделюванні безперервних процесів, а інший – дискретних. Безперервна динаміка ГС задається зазвичай диференціальними рівняннями, а дискретна управляється цифровим автоматом з кінцевою кількістю станів [5].

Для поліпшення моделі були розроблені гібридні системи L.Tavernini, A. Nerode і W. Kohn, а також J. Antsaklis, J. Stiver, M. Lemmon, що використовують тільки автономне перемикання. У моделі A. Back, J. Guckenheimer, M. Myer є автономне переключення і скачки. Модель R. Brockett і A. Nerode і W. Kohn покращує модель L.Tavernini, A. Nerode.

Розвитком гібридних систем у бік багатокомпонентності і зв'язності слід вважати, наприклад, модель комутованих і координованих компонент – гібридних автоматів.

Наступна група моделей відрізняється від розглянутих істотно слабшими вимогами до формалізмів, що розширює клас систем, доступних дослідженню в класичній математиці і computer science.

Г.С. Осиповим запропоновані інтегровані динамічні системи, засновані на знаннях, яки природним чином поєднують різні парадигми моделювання та дозволяють внести семантику предметної області у формалізми В.Н. Вагіна. А.П. Єремєєвим розроблена семіотична система логіко-лінгвістичного типу, В.Б.Тарасовим – нечітка еволюційна багатоагентна система, Ю.Р. Валькман ввів літочислення моделей, а Г.В. Рибіна – формалізм інтегрованої експертної системи.

Гібридні інтелектуальні системи були анонсовані в 1990-1995 рр. в роботах L. Medsker і по суті збігаються з інтелектуальними гібридними системами, гібридними інтегрованими системами, гібридними інтелектуальними адаптивними системами. Поява терміну інтелектуальні в поєднанні з гібридними системами означає інтеграцію аналітичних та статистичних уявлень з евристичними знаннями, що використовуються в штучному інтелекті – в експертних і нечітких системах, в генетичних алгоритмах, в штучних нейронних мережах і ін.

Класифікації гібридних інтелектуальних систем

Відомі п'ять класифікацій ГІС. Досліджуючи ІНС і ЕС, L. Medsker в 1990-1995рр. запропонував описувати рівень їх інтеграції, використовуючи поняття автономних, трансформаційних, слабо і сильнозв'язаних, а також повністю інтегрованих моделей [6-7].

S. Goonatilake і S. Khebbalв 1992-1995 рр. розширили інтегровані автономні моделі нечіткими системами, генетичними алгоритмами і запропонували три класи гібридів: функціонально-замінних, внутрісвязанних і поліморфічних. Зв'язаність автори трактують аналогічно з L. Medsker, а поліморфізм розуміють як емуляцію гібридом кілька методів. До поліморфічних відносять, наприклад, нейронечіткі гібриди.

M. Hilario в 1995 р. розрізняє уніфіковані коннекціоністскі моделі, а також трансляційні і функціональні гібриди. Останній клас, по суті, збігається з функціонально-замінними гібридами S.Goonatilake і S.Khebbal.

R. Sun в 1996 р. у рамках символьно–коннекціоністской інтеграції узагальнив гібриди в класи одно і багатомодульних архітектур. Перші – це спроба об'єднати уніфікацію і трансляцію в сенсі M. Hilario з автономними і трансформаційними моделями L. Medsker. Нововведення – грануляція, що розбиває гібриди на два класи – крупно і дрібнозернистих об'єктів.

S. Wermter та ін в 1999 р. [8] розрізняють уніфіковані, трансформаційні та модульні гібриди, зміщуючи акценти на модульну природу гібридів в рамках інтеграції ІНС і ЕС.

З огляду класифікацій видно, що, маючи багато спільного, вони ідентифікують п'ять стратегій розробки ГіІС (рис. 1): автономні моделі, трансформаційні, слабо пов'язані, сильно пов'язані і повністю інтегровані моделі.

Пример

Рисунок 1 - Моделі гібридних інтелектуальних систем

Міждисциплінарний напрямок «Гібридні інтелектуальні системи» об'єднує вчених і фахівців, які досліджують придатність не одного, а декількох методів, як правило, з різних класів, до вирішення завдань управління та проектування [9].

Проблематика гібридних інтелектуальних систем

Автономні моделі містять незалежні програмні компоненти. Незважаючи на очевидну вирожденність інтеграції знань у цьому випадку, розробка автономних моделей актуальна і має кілька цілей. По-перше, такі моделі надають спосіб порівняння можливостей вирішення задачі двома або більше методами, що призводить до адекватності моделі. По-друге, автономні моделі можуть використовуватися для швидкого створення початкового прототипу, після чого розробляються програми, що вимагають вже більшого часу. Автономні моделі мають і істотний недолік – вони не можуть допомагати один одному при оновленні інформації. Всі повинні модифікуватися одночасно.

Трансформаційні моделі схожі на автономні, тому що кінцевий результат розробки – незалежна, невзаємодіючими з іншими частинами модель. Основна відмінність – модель починає працювати як один тип системи, а закінчує як інший. Приклад такого додатка – підтримка прийняття маркетингових рішень. Тут штучна нейронна мережа розробляється, щоб ідентифікувати динаміку змін та зв'язку даних про продажі. Результат ІНС передається в експертну систему, щоб досліджувати ринок і локалізувати рекламовані ресурси. У цьому прикладі нейромережа використана для швидкого розуміння складної ситуації з великим обсягом даних, узагальнення та виявлення помилок. Експертна система застосована як остаточний вирішувач, що працює з перевіреними знаннями і дає пояснення за бажанням користувача. У цьому випадку говорять, що нейромережа трансформована в експертну систему. Трансформаційні моделі швидко створюються і вимагають менших витрат. Є й проблеми – створення інструменту перетворення однієї моделі в іншу і модифікацій моделі, порівнянних за обсягом з розробкою спочатку.

Слабозв'язані моделі. Це перша реальна форма інтеграції, коли програми декомпозуються на компоненти, що зв'язуються через файли даних. Класифікація таких моделей розглянута нижче.

Ланцюговий гібрид використовує як складові частини дві функціонально завершені компоненти: головний процесор і пре чи постпроцесор. Приклад – система відображення дихальних ритмів хворих у клініці [10], в якій нейромережа класифікує стан дихання для подальшої обробки продукційною експертною системою.

Підлеглий гібрид також використовує компоненти, одна з них, підпорядкована, включена в іншу, діючу як головний вирішувач завдання. Приклад – система LAM для проектування віконного скла. З трьох завдань визначення міцності, сонячної специфікації, звукових якостей останні дві моделювалися гібридом експертної системи (головний процесор) – ІНС.

Метапроцессорний гібрид включає метапроцессор і функціональні компоненти. Приклад – символічна метапроцесія у системі ALVINN [11] для управління автономними літальними апаратами, в якій рішення «нейромережі - водія» надсилаються на оцінку «продукційній системі – експерту».

Сопроцесорний гібрид – використовує при вирішенні завдання компоненти, рівні партнери. Кожна може передавати інформацію кожної, взаємодіяти, обробляючи підзадачі однієї і тієї ж задачі.

Слабозв'язані моделі простіші для розробки та допускають застосування комерційних програм, що знижують тягар програмування. Час на експлуатацію скорочено через простоту інтерфейсів файлів даних, однак збільшена ціна комунікації і знижена продуктивність гібридів.

Сильнозв'язані моделі. Класи слабо та сильно зв'язаних гібридів мають значне перекриття. Однак останні використовують обмін інформацією через резидентні структури пам'яті, наприклад, Data Dynamic Exchange (DDE), на відміну від обміну через зовнішні файли даних в слабозв'язаних моделях. Це покращує інтерактивні можливості і дає більш високу продуктивність. Тут використовуються стежуючи методи розробки: дошка оголошень, метафора кур'єрів та ін. сильнозв'язані гібриди мають низькі комунікаційні витрати і більш високу продуктивність у порівнянні з слабо зв'язаними моделями. Тим не менше, ці моделі мають три принципові обмеження: складність розробки та підтримки зростає як наслідок зовнішнього інтерфейсу даних; сильна зв'язаність страждає від зайвого накопичення даних; перевірка адекватності утруднена.

Розглянуті вище слабо і сильно зв'язані моделі в силу того, що їх склад і структура багато в чому залежать від розв'язуваної задачі, прийнято називати, слідуючи класифікації M. Helario, ще й функціональними ГіІС.

Повністю інтегровані моделі спільно використовують загальні структури даних і подання знань, а взаємозв'язок між компонентами досягається за допомогою подвійної природи структур. Тут можна виділити нейромережі, засновані на знаннях, наприклад, KBANN (Knowledge Based Artificial Network) і KBCNN (Knowledge Based Conceptua lNeural Network), в яких нейронам зіставлені символьні еквіваленти та створено алгоритми вилучення правил умова – дія [12]. Інший шлях – коннекціоністскі експертні системи, наприклад, MACIE (Matrix Controlled Inference Engine), спільно використовують вузли мережі і символи експертної системи, коли входи виходи нейронів штучної нейронної мережі одночасно чіткі лінгвістичні змінні в лівих частинах продукційних правил. Третій варіант повної інтеграції – нечіткі нейромережі, в яких створюється гібрид, за структурою схожий на ІНС і який реалізує одночасно нейро і нечіткі обчислення.

Переваги повної інтеграції – надійність, збільшення швидкості обробки, адаптація, узагальнення, зниження шуму, аргументація і логічна дедукція - те, чого в сумі не знайти ні в одному автономному методі [13].

Таким чином, з розглянутого вище ясно, що гібрид в комп'ютерній науці – це система з двох або більше інтегрованих підсистем з різними мовами подання та методами пошуку рішень.

Плановані практичні результати

На основі всього вище сказаного була створена модель гібридної інтелектуальної мультиагентної навчальної системи, яка організовується як спільнота взаємодіючих колективів агентів. Склад пропонованої підсистеми оцінки компетенцій наведено покроково на рис.2.

Рисунок 2 (анімація - 26 кадрів, 10 повторень) - Відображення функціональної схеми гібридної оптико-електронної системи

Підсистема оцінки компетенцій вирішує такі завдання. При першому зверненні до системи формується профіль учня, і визначається його початковий рівень знань на основі заповнюваної їм карти базових компетенцій для початку навчання. На цьому етапі АМЗКіДПУ отримує інформацію від КАУ. Після завершення чергового етапу навчання або виборі учнем режиму тестування компетенцій АМЗКіДПУ взаємодіє з АВКУ, який використовуючи модель компетенцій, встановлює відсутню компетенцію для визначення рівня знань з даної компетенції. Для цього формується індивідуальна траєкторія тестування АФПК і АФІТТ, створюється індивідуальна середа тестування АІСТ і формуються еталонні оцінки для тестів АФЕО. Для наповнення середовища тестування використовуються тестові ресурси РРТ.

Навчання може включати роботу з основними навчальними курсами (для формування необхідних компетенцій) і з додатково сформованими навчальними курсами - для усунення виявлених прогалин, які не дозволяють студенту засвоїти новий курс. Рішення задачі формування повторного індивідуального курсу навчання може включати кілька кроків і виконується КАУ. На початковому кроці відбувається порівняння необхідної (еталонної) компетенції з поточною (вихідною) компетенцією учня. При розбіжності формується запит до сховища, для пошуку множини навчальних об'єктів, вивчення яких необхідно для формування необхідної компетенції. Після етапу навчання проводиться тестування обраної компетенції. За результатами тестування формується необхідний стан для наступного кроку планування і т.д. Умовою завершення планування буде усунення відмінностей між поточним і потрібним рівнями, для останнього кроку планування, компетенціями.

Для більш якісної оцінки знань передбачається використовувати онтології [14] для необхідних компетенцій і на їх основі будувати індивідуальні траєкторії навчання і тестування.

Висновки

Гібридні інтелектуальні системи - нова і перспективна фундаментальна область міждисциплінарних досліджень, орієнтована на вирішення складних практичних завдань з використанням інтеграції знань і синергізм. Основна ідея полягає у відмові від спроб пошуку і використання одного універсального інструменту для вирішення завдання і переходу до його конструювання, як комбінації методів штучного інтелекту, дослідження операцій, теорії прийняття рішень та системного аналізу. При цьому комп'ютер використовується не як засіб реалізації відомих методів, а як засіб синтезу методів, релевантних динамічним за складом і структурою.

Узагальнені в роботі результати переконливо показують, що ГіІС принципово здатні вирішувати завдання, які неможливо моделювати в рамках якого-небудь одного методу, прискорюють створення інтелектуальних систем, в кілька разів знижують помилку прогнозу, покращують якість як тактичного, так і стратегічного планування.

Результати моделювання ГІС трьома підсистемами і інтегратором свідчать про можливість її створення в середовищі MatLab та достовірності отриманих рішень. Реалізація інтегратора у вигляді нейронної мережі Кохонена, навченою «без вчителя», переважніше при малому обсязі навчальної вибірки.

Досвідчена реалізація моделей ГІС з двома способами реалізації інтегратора (на базі багатошарової нейронної мережі та мережі Кохонена) демонструє універсальність і модульність структури, необхідність підбору параметрів системи, що залежить від обсягу та характеру вхідних та вихідних даних в конкретній предметній області.

Запропонована система може використовуватися для підвищення якості навчання на основі компітентностного підходу. Застосування репозиторію тестових ресурсів дозволить накопичувати тестові завдання для необхідних компетенцій і на їх основі будувати індивідуальні тести. Використання даної системи дозволить автоматично формувати послідовність надання навчального матеріалу - програму основного і повторного навчання, у відповідності з поточними компетенціями учня.

З метою скорочення вартості і термінів розробки ГІС для конкретної предметної області доцільно створення інструментального інтелектуального середовища її проектування (без використання MatLab), що забезпечує швидке створення прототипу ГІС на базі принципів CASE-технології.

Список літератури

  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.

Важливе зауваження

При написанні даного реферату магістерська робота ще не завершена. Остаточне завершення: січень 2014 року. Повний текст роботи та матеріали по темі можуть бути отримані у автора або його керівника після вказаної дати.