Автор: Dr. Sudesh M. Duggal
Источник: https://doaj.org/article/16f18d8213bb497e93c472908e2291b3
Перевод статьи: Матях И.В.
Аннотация:
"Обучение" означает то, что система способна приспосабливаться к задаче, например, когда задача многократно выполняется, система будет выполнять ее более эффективно, чем в предыдущих попытках. Обучение системы может состоять из нейронных сетей, нечеткой логики, генетического обучения, самообучения экспертных систем, или сочетание любых или всех этих технологий. Эти системы способны из собственного поколения математических, логических, аналитических правил определить лучший выход, основанный на некоторых входных критериях или помощи пользователя. Некоторые из этих систем являются самообучающимися; другие требуют обучения и / или предыдущие знания для того, чтобы учиться. Системы обучения могут быть аппаратными средствами или на основе программного обеспечения, или сочетание того и другого. Сегодня существует много исследований, включающих в себя методы машинного обучения, которые продолжаются в области искусственного интеллекта. Целью данной работы является обсуждение стратегических приложений, преимущества и проблемы систем обучения, а затем исследование того, как эти технологии используются для разработки сложных стратегических решений.
Ключевые слова: системы обучения, нейронные сети, нечеткая логика, самообучение экспертных систем.
Стратегии обучения, как правило, попадают в одну из следующих пяти категорий: парадигмы (1) под руководством концепции обучения, (2) Концептуальная кластеризация, (3) аналитическое обучение, (4) генетические алгоритмы, и (5) Коннекшионистское обучение. (Дерге, 1992) под руководством концепции обучения как наиболее зрелая учебная парадигма, и не удивительно, что на ней основано большинство приложений. Основное различие между концептуальной кластеризацией и наблюдением за обучением в том, что концептуальные системы кластеризации должны признавать сходства между наборами обучения и объединить эти группы в соответствии с заранее установленными понятиями сходства. Аналитическое обучения пытается ускорить процесс обучения, путем совершенствования цели поиска. Генетические алгоритмы используют адаптивные методы поиска, основанные на концепции «выживания наиболее приспособленных». Коннекшионистское обучение развивалось из исследования "восприятия", и на основе нейронного обучения.
В этой статье рассматриваются четыре технологии обучения.Это нейронные сети, Fuzzy Logic, генетическое обучение и самообучающаяся экспертная система. Каждая из указанных выше технологий получеила быстрое признание по всему миру и все больше и больше приложений реализовано с использованием этих технологий.
Развитие нейронных сетей началось много лет назад, в попытке имитировать процесс человеческого мозга. Нейронные сети, как правило, требуют десятки, сотни или даже тысячи проходов из наборов данных, прежде чем точная классификация может быть достигнута. После того, как сеть обучается и "хорошие" результаты определяются, нейронная сеть, как правило, генерирует прогнозы для данных, которые сеть никогда не "видела" до этого.
У нейронных сетей есть дополнительное преимущество перед другим системами в том, что они терпимы к ошибкам. У нейронных сетей может быть узел неудачи и при этом они все еще производят “хороший” результат. Таблица 1 выше показывает, что нейронным сетям нужна база данных и экспертным системам нужен человеческий эксперт. Самообучающиеся экспертные системы будут также использовать базу данных, экспертные системы, основанные на случаях, также используют базу данных. Для них экспертная система требует интерфейс к хранению набора данных. Можно также иметь способность загрузить заявления, определенные предварительно обученные чистые параметры в нейронную сеть, устраняя необходимость повторить процесс обучения. Кроме того, самообучающиеся экспертные системы потребуют человеческого эксперта, но возможно только на начальных этапах, и затем контролировать процесс обучения. Нейронные сети использовались в сотнях приложений: помощь в управлении процессом, прогнозирование фондового рынка, прогнозирование продаж недвижимости, распознавание образов и т.д.
Нечеткая логика использует математические отношения, чтобы определить решение целевой проблемы. Однако, в отличие от обычных решений, которые приводят к одному точному решению проблемы, нечеткая логика позволяет некоторую терпимость между возможными решениями. Решение некоторых проблем определено как “группы членства" в операции; нечеткая логика используется вместе с основными правилами. Правила исследуют входные критерии, сравнивают это с желаемыми критериями и затем определяют ошибку, которая существует между входом и желаемой целью. Это может быть результат в решения между функциями членства. В этих случаях, область под кривой между функцией ошибок и функцией членства вычислена для обоих членств функции. Средняя точка (центр тяжести), как правило, вычисляется на накладывающихся областях, и используется для обратной связи в системе. Такой процесс называют “дефазификация”, и вычисление средней точки – всего один пример алгоритма, используемого для выполнения процесс дефацификации.
Классическая проблема, решенная нечетким логическим контроллером проблем сбалансирования перевернутого маятника. Одно такое решение использует внедрение аппаратных средств для дефазификации и база правил для управления (состоящяя только из 7 правил) нечеткого контроллера. Обратная связь с позиции датчика подается на контроллер, где вычисляется сигнал исправления и подается в сервомотор, который быстро исправляет положение основы, содержащей неуравновешенный маятник.
Нечеткие системы, хотя становятся чрезвычайно популярными в режиме системы управления реального времени, имеют преимущества преодоления шумных наборов данных, но их недостаток в том, что нельзя использовать в качестве инструмента с большой областью решения, особенно в тех областях, где терпимость не разрешена.
Генетическое изучение пытается развить модель проблемы, применяя возможные решения и целевую проблему. Определенный пользователями оценщик тогда определяет, как хорошо решение “соответствовало” целевой проблеме (отмечают, что оценщик – алгоритм), используя методы “естественного отбора”. Таким образом, если произведенному решению не хорошо соответствуют цель, оно убито. Если решение – подходящий вариант, оно выживает. Когда решение выживает, оно помещается в “генофонд’, подобный биологической генетике, куда помещены другие “хорошие” решения. Эти решения видоизменены и / или смешаны с другими “хорошими” решениями в попытке создать еще лучшие решения.
Большая часть самообучающихся экспертных систем контролируют системы обучения. Большинство самообучающихся экспертных систем получают свои правила, основанные на априорной информации. Система неоднократно предполагает и улучшает базу правил, в зависимости от того, были ли предположения в правильном или неправильном направлении. В конечном итоге база правил приспособлена таким образом, что логика вывода в состоянии обращаться со всеми ситуациями, представленными системе. Таким образом, адаптивный эксперт системы изменяют свое выполнение, основанное на прошлых опытах. В операции есть много методов, используемых, чтобы помочь экспертной системе в адаптации. Можно осуществить методы оптимизации для адаптация дерева решений (сокращение), контролировать гистограммы правил и различных выводов и приспособленные вероятности путей поиска решения соответственно, и т.д.
Преимущества такой системы очевидны – правила, у которых есть более высокая частота появления – первые правила, которые пробовались в поиске решения. Однако недостатки также явно очевидны: если у системы есть некоторые очень критические узлы, которые должны всегда обыскиваться сначала? Самообучающиеся системы могут быть очень рекурсивными – если никакая цель не достигнута, то существующие отношения успеха/неудачи могут быть непрерывно изменяемыми системой в попытке достигнуть очень вероятной цели. Большой успех самообучающиеся экспертные системы имеют во многих процессах управления и в промышленном применении, но эти системы, как правило, находится вместе с одной или более вышеупомянутыми технологиями, такими как нейронные сети, нечеткие логические системы или генетические алгоритмы.