WWW.DISS.SELUK.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА
(Авторефераты, диссертации, методички, учебные программы, монографии)

 

Pages:     | 1 | 2 || 4 |

«ТРЕМБАЧ В.М. РЕШЕНИЕ ЗАДАЧ УПРАВЛЕНИЯ В ОРГАНИЗАЦИОННОТЕХНИЧЕСКИХ СИСТЕМАХ С ИСПОЛЬЗОВАНИЕМ ЭВОЛЮЦИОНИРУЮЩИХ ЗНАНИЙ Монография МОСКВА 2010 1 УДК 519.68.02 ББК 65 с 51 Т 318 РЕЦЕНЗЕНТЫ: Г.Н. ...»

-- [ Страница 3 ] --

Трембач В.М. Представление сложных связей в описаниях предметной 20.

области для решения задач целенаправленного поведения. // В кн. КИИ Двенадцатая национальная конференция по искусственному интеллекту с международным участием. Сборник научных трудов в 4-х томах.

Т.4., М.: Физматлит, 2010, с. 194-202.

Трембач В.М. Методы формирования, использования и анализа баз 21.

знаний //Экономика, статистика и информатика, - Вестник УМО, № 4, 2010, с. 145- Трембач В.М., Формирование и использование моделей компетенций 22.

обучающихся на основе эволюционирующих знаний,//Научнопрактический журнал «Открытое образование», МЭСИ, №6(77), 2009, с.

12- Трембач В.М. Построение и использование моделей компетенций на 23.

основе эволюционирующих знаний // XII-я научно- практическая конференция "Реинжиниринг бизнес-процессов на основе современных информационных технологий. Системы управления знаниями": Сборник научных трудов / Моск. госуд. ун-т экономики, статистики и информатики - М., 2009, с. 298-302.

Трембач В.М. Применение интеллектуальных технологий к формированию компетенций обучающихся //Искусственный интеллект и принятие решений. - 2008.- №2. С. 34-54.

Трембач В.М. Методы представления эволюционирующих знаний, 25.

обеспечения и оценки их соответствия действительности. // В кн. КИИ Одиннадцатая национальная конференция по искусственному интеллекту с международным участием. Сборник научных трудов в 3-х томах.

Т.3., М.: Физматлит, 2008, с. 315-322.

Трембач В.М. Компьютерные методы представления и формирования 26.

знаний для синтеза планов решений // Новости искусственного интеллекта.

2005. - № 3, стр. 51-62.

Турчин В.Ф. Феномен науки: Кибернетический подход к эволюции.

27.

Изд. 2-е - М.: ЭТС. - 2000.

28. Ohsuga S., Yamauchi H. Multi-layer logic - a predicate logic including data structure as knowledge representation language.- New generation computing, Vol.3,-NO.4,-1985 -c.451-485.

29. V.N.Vagin,E.Yu.Golovina Knowledge Model in Semiotic System.- Seventh Internation Conference Artificial Intelligence and Information-Control Systems of Robots AIICSR'97. Second Workshop on Appli ed Semiotics. September 15,1997 Smolenice Castle, Slovakia,р.61- Глава 4. Методы использования эволюционирующих знаний для решения задач управления в ОТС 4.1. Обучение Одной из важных особенностей систем, использующих знания, является их способность к обучению. Благодаря этим способностям системы смогут изменяться при взаимодействии с окружающим миром, а также в процессе приобретения опыта на основе своих внутренних состояний и действий. В работе [33] обучение определяется, как «…любое изменение в системе, приводящее к улучшению решения задачи при ее повторном предъявлении или к решению другой задачи на основе тех же данных». Формирование представлений знаний о реальном мире имеет важное значение для эффективного решения различных задач и реализуется с помощью двух функций: получения информации об организации процессов и ее систематизации (структурирования). Большинство практических подходов к структуризации данных предполагает участие эксперта, что связано с динамичностью и неполнотой данных используемых для решения задач. При формировании закономерностей могут учитываться оценки сходства (полезности) рассматриваемых и существующих моделей сущностей через обобщенную близость (комбинацию близостей, вычисленных на множестве частичных описаний). В настоящее время существует много направлений решения этой задачи, среди которых, в качестве основных, можно отметить [11,13,15,23]:

основанные на символьном представлении знаний, информации;

на основе взвешенных связей;

использующие принципы генетики или эволюционного моделирование;

интегрированный подход к обучению.

Ниже рассматриваются используемые подходы к обучению на основе символьного представления действительности. В рамках этого направления происходит явное представление в кибернетической системе знаний об области определения задачи. В ходе функционирования, накапливая свой опыт, обучаемая система строит или модифицирует выражение на формальном языке и сохраняет полученные знания для дальнейшего использования. Подходы в данном направлении строятся на предположении, что основное влияние на поведение системы оказывают знания об области определения в их явном представлении.

Классификация понятий. В основу большинства рассматриваемых систем заложено индуктивное формирование понятий [5], которое сводится к выделению конъюнкций значений признаков в положительной (отрицательной) выборке примеров или в отдельных их частях. Результатом анализа обучающей выборки L, содержащей объекты, заданные явным набором признаков, является ряд понятий. В самом простом случае каждому из значений признаков объектов (примеров) выборки ставится в соответствие переменная, принимающая значение "1" или "0", в зависимости от того, имеет или не имеет объект данное значение признака. С учетом этого объект может быть описан логическими выражениями, имеющими значение "1" для всех положительных объектов этого понятия и значение "0" - для отрицательных объектов [5].

Простейшим понятием является конъюнктивное понятие, описываемое конъюнкцией значений признаков, т.е. выражением вида, где Sij - j-е значение i- го признака.

Под простым понятием понимается понятие вида ij только значения признаков положительных объектов. Например, (S11S12)(S22S23S27).

В конъюнктивных понятиях с исключающими признаками, кроме значений признаков положительных объектов присутствуют значения признаков, которыми отличаются отрицательные объекты от положительных.

Простое понятие с исключающими признаками в качестве дизъюнктов могут содержать значения того или иного признака, взятого с отрицанием.

Алгоритм формирования конъюнктивных понятий. Предложен Пеннипэкером (Pennypacker) [10,40,44]. В основу алгоритма положены психологические эксперименты Брунера, Гуднау и Остина (Bruner) [24].

Брунер и его коллеги описывают стратегию, которая применяется некоторыми испытуемыми в процессе формирования понятий. Она состоит из следующих шагов.

1. Начинать с положительного примера, т.е. с объекта, содержащего все значения, определяющие понятия. Запомнить в качестве гипотезы эти значения по каждому из признаков.

2. Изменять гипотезу только тогда, когда представлен пример положительного объекта понятия, отличающийся от гипотезы. Формировать новую гипотезу, которая включает в себя только те значения признаков, которые являются общими, как для предыдущей гипотезы, так и для данного примера.

Такие действия продолжаются до того момента, пока не будут проанализированы все примеры обучающей выборки.

Алгоритм формирования простых понятий. Предложен Виндекнехтом и программно реализован Шнедикером [44]. Идея данного алгоритма состоит в следующем [5]:

В процессе обучения при вводе положительных объектов обучающей выборки строится последовательность множеств K, K 1, K 2,.. K m, в которой каждое последующее множество образуется из предыдущего путем изъятия значений признаков, входящих в описание очередного положительного объекта. Через K обозначено множество всех значений признаков.

Аналогичная последовательность K, K1, K 2,.. K n формируется при вводе отрицательных объектов. Если через V(K) обозначить объем простого понятия, построенного из значений признаков, составляющих множество К, то условие окончания работы алгоритма определяется получением множеств K m и K n, для которых V ( K m ) = X 2 и V ( K n ) = X 1, где X1 и Х2 соответственно множества всех положительных и отрицательных объектов.

Алгоритм Кочена [10]. По методу Кочена понятия строятся в виде дизъюнкций конъюнкций значений признаков. Понятие формируется путем последовательного анализа объектов обучающей выборки, в процессе которого очередной объект сопоставляется со всеми предыдущими объектами и понятием, построенным к моменту его ввода.

В случае если понятие, построенное к моменту ввода объекта, не обеспечивает его правильное распознавание, осуществляется корректировка понятия. Алгоритм корректировки имеет следующий вид.

1. Для нового положительного объекта делается попытка отыскать в уже построенном понятии конъюнкцию, которую можно было бы изменить путем исключения одного или нескольких значений признаков так, чтобы новый объект распознавался правильно и не нарушалось распознавание предыдущих объектов.

2. Для нового отрицательного объекта делается попытка отыскать в уже построенном понятии конъюнкцию, которую можно было бы изменить путем добавления одного значения признака так, чтобы новый объект распознавался правильно и не нарушалось распознавание предыдущих объектов.

Если для нового положительного объекта п.1 невыполним, то к понятию через знак дизъюнкции добавляется новая конъюнкция, обеспечивающая правильное распознавание нового объекта и не нарушающая распознавание предыдущих объектов.

Если для нового отрицательного объекта п.2 невыполним, то все конъюнкции, за счет которых новый объект распознается неправильно, разбиваются на две части, каждая из которых образуется путем добавления к исходной конъюнкции значения признака, обеспечивающего правильное распознавание нового объекта.

Алгоритм Бонгарда. Понятие отыскивается в форме дизъюнкции конъюнкций переменных или их отрицаний [1]. При отборе признаков (отдельных конъюнкций переменных или их отрицаний) выполняются следующие требования действия.

1. Сформированное понятие должно содержать небольшое число конъюнкций, соединенных связкой "или".

2. При отборе конъюнкций вводится некоторый порог Р, характеризующий число объектов, охваченных выбранной конъюнкцией. Если при заданном пороге Р не удается построить понятие, разделяющее объекты обучающей выборки на положительные и отрицательные, то значение Р уменьшается, что эквивалентно готовности удовольствоваться более "длинными" понятиями.

3. Конъюнкция, характеризующая объекты одного класса, не должна удовлетворять ни одному объекту другого класса.

4. Один из важнейших критериев отбора конъюнкций связан с проверкой степени независимости разных признаков.

В результате работы алгоритма, учитывающего перечисленные критерии, образуется описание класса объектов, состоящее из двух таблиц. Одна из таблиц содержит признаки, входящие в описание всех положительных объектов обучающей выборки, другая - признаки, не принадлежащие ни одному из положительных объектов. На этапе распознавания объект считается положительным, если его описание содержит хотя бы один признак первой таблицы и ни одного признака второй.

Алгоритм Ханта. Использование данного алгоритма предполагает выполнение следующих действий [22].

1. На первом шаге предпринимается попытка отыскать среди, объектов обучающей выборки значение признака или группу значений признаков, присутствующих в описаниях всех положительных объектов и не встречающихся ни в одном из описаний отрицательных объектов. Если такую группу значений признаков отыскать удается, работа алгоритма оканчивается и в качестве выделенного понятия берется конъюнкция всех значений признаков, входящих в группу.

2. В случае отрицательного исхода действий п. I делается попытка выполнить такую же процедуру для отрицательных объектов. Если удается найти группу значений признаков, общую для всех отрицательных объектов и не встречающуюся ни в одном из описаний положительных объектов, работа алгоритма оканчивается и в качестве выделенного понятия берется отрицание конъюнкции всех значений признаков, входящих в группу.

3. Если действия, выполняемые в п.2, оказывается безрезультатными, выделяется значение признака, нам более часто встречающееся в описаниях положительных объектов.

4. Обучающая выборка разбивается на две подвыборки:

1) состоящую из всех объектов, которые содержат значение признака, отобранное в п.З;

2) состоящую из остальных объектов. В случае, если среди полученных подвыборок имеется подвыборки, содержащие как положительные, так и отрицательные объекты, для них повторяются действия, начиная с п. 1.

Работа алгоритма оканчивается, если не остается ни одной подвыборки, которая бы содержала и положительные, и отрицательные объекты.

Процесс формирования понятий по описанному алгоритму может быть представлен "деревом" последовательных решений, по которому можно восстановить логическую структуру понятий.

Алгоритм Гладуна. Система формирования понятий Гладуна [3,4,5] основывается на растущих пирамидальных сетях (РПС). РПС состоит из рецепторов, воспринимающих значения признаков объектов и ассоциативных элементов, которые отражают взаимосвязь значений признаков объектов обучающей выборки. Каждый рецептор соответствует одному значению признака. Ассоциативный элемент производит выходной сигнал, если в течение определенного интервала времени поступают сигналы на все его входы. Восприятие объекта осуществляется путем одновременной подачи значений признаков на входы рецепторов [3,4].

Каждому элементу сети ставятся в соответствие два числа К и М: К число возбуждений этого элемента при восприятии всех положительных объектов обучающей выборки; М - число рецепторов, связанных с теми элементами РПС, от которых имеются пути к данному элементу.

В процессе обучения в РПС выделяются специальные элементы, с помощью которых в дальнейшем осуществляется распознавание объектов из объема понятия. Их называют положительными или отрицательными контрольными элементами данного понятия. В результате восприятия положительных и отрицательных объектов обучающей выборки алгоритмом строится понятие о множестве положительных объектов. Образуемые понятия содержат отличительные признаки отрицательных объектов, т.е.

принадлежат к классу понятий с исключающими признаками.

Понятие, которое создается в результате выполнения алгоритма, отображено в структуре РПС, Для его использования в режиме экзамена, т.е. для проверки с помощью сформированного понятия принадлежности произвольного объекта объему этого понятия, необходимо сохранить сеть, построенную в процессе обучения.

Системы индуктивного обучения для изучения понятий начинают свою работу с набора положительных (частично) отрицательных примеров целевого класса [11,13]. В результате обучения должно сформироваться общее определение, делающее возможным распознавание, в дальнейшем, примеров целевого класса. Данный подход и разработанная на его основе программа представлены в работе [45]. Программа позволяет строить определения структурных понятий, описывая их составные части. На вход программы подается последовательность положительных и отрицательных примеров понятия структуры, которые удовлетворяют определенным условиям или почти удовлетворяют им. "Почти удовлетворительными" считаются экземпляры, которым для принадлежности к целевому понятию не хватает одного свойства или отношения. Такие экземпляры позволяют программе выделять свойства, которые можно использовать для исключения отрицательных примеров из целевого понятия. В программе понятия представляются в виде семантической сети, которая обучается с помощью поступающих на вход примеров, уточняя описание кандидата на роль описания верного понятия, с помощью операций обобщения (замена имени узла или связи более общим понятием) и специализации (добавления связей между узлами семантической сети). Эти операции задают пространство возможных определений понятия. Программа [45] осуществляет поиск экстремума на основе поступающих примеров (экземпляров). Программа не отслеживает маршрут поиска и ее производительность сильно зависит от порядка предъявления экземпляров понятия. Неудачный порядок может завести программу в тупик пространства поиска.

Для исключения такой ситуации необходимо формировать последовательность примеров, способствующую изучению данного понятия. Получается, что алгоритмы индуктивного обучения для изучения понятий зависят от качества обучающих примеров.

Обучение на основе поиска в пространстве версий [34, 36] представляет индуктивное обучение, основанное на том, что операция обобщения упорядочивает понятия в пространстве поиска. Полученный порядок используется для выбора направления поиска. При определении пространства понятий типичными операциями являются обобщение и специализация. Для машинного обучения, в качестве основных операций обобщения, используются:

замена конкретных значений переменными; исключение условий из конъюнктивных выражений; добавление в выражение операции дизъюнкции; замена свойств родительским объектом в соответствии с иерархией классов. В терминах теории множеств операция обобщения может быть представлена следующим образом: Пусть R и D – множество предложений, удовлетворяющих выражениям r и d из теории предикатов, соответственно. Выражение r является более общим, чем d тогда, если RD. Существует несколько алгоритмов поиска в пространстве понятий, которые основываются на понятии пространства версий, которое является множеством всех доступных описаний понятия. Каждая версия представляется как обучающий пример. Известные алгоритмы поиска в пространстве версий сужают пространство версий с появлением новых примеров. Одни алгоритмы сужают пространство версий в направлении от частного к общему, другие – от общего к частному. Кроме этих, основополагающих подходов, существуют алгоритмы их объединяющие. Алгоритм, реализующий двунаправленный поиск [11,13,36] называется алгоритмом исключения кандидата. Обучение заключается в обнаружении в обучающих данных закономерностей. Использование двух множеств понятий-кандидатов R и D (R – множество максимально общих понятий кандидатов, а D – множество максимально конкретных понятий кандидатов) позволяет этому алгоритму проводить специализацию множества R и обобщение множества D до тех пор, пока они не сведутся к целевому понятию.

Алгоритм ID3 представляет собой [11,13,41] индуктивный алгоритм построения дерева решений, обеспечивающий изучение понятий на примерах.

Он выполняет обобщение за счет поиска закономерностей в обучающих данных. Для алгоритма ID3 понятия представляются в виде дерева решений, что позволяет классифицировать объект путем проверки значения определенных свойств. Каждый внутренний узел дерева решений представляет некоторое свойство и каждому значению этого свойства соответствует ветвь дерева, а узлы-листья отражают результаты классификации. Сформированное дерево решений позволяет классифицировать объект, тип которого неизвестен. С этой целью, для каждого внутреннего узла, проверяется значение соответствующего свойства для рассматриваемого объекта и осуществляется переход по соответствующей ветви. Каждое свойство может рассматриваться с позиций его вклада в процесс классификации объектов. Классификация завершается при достижении конечного узла, указывающего на класс объекта.

Использование индуктивного порога. Проблема сложности процесса обучения во многом связана с проблемой выбора наилучшего варианта обобщения на основе обучающих данных. Одним из решений этой проблемы является применение критерия отбора, называемого индуктивным порогом, который позволяет, в ходе обучения, обобщать информацию эвристически. С этой целью учитываются те аспекты, которые с большей вероятностью окажутся полезными в будущем. Индуктивный порог может использоваться во всех методах обучения, в задачах обучения с большими пространствами поиска. В машинном обучении [11] используются различные типы порогов:

конъюнктивные пороги – ограничивают возможности обучения конъюнкцией литералов [35]; ограничения на количество дизъюнктов – повышают выразительность представления примеров; векторы признаков – позволяют описывать объекты через наборы свойств, значения которых различны для разных объектов [11,13,41]; хорновские выражения – налагают ограничения на форму вывода, используемую при автоматических рассуждениях. Следует отметить, что помимо синтаксических порогов, при описании области определения используются априорные знания о ней, которые и обеспечивают эффективные ограничения (пороги).

Обучение на основе объяснения строится на несколько иной концепции, чем рассмотренные подходы и алгоритмы. В представленных алгоритмах индуктивного обучения выполняется обобщение путем поиска закономерностей в предлагаемых примерах (входных данных). Они основаны на подобии, т.к. обобщение для них является функцией подобия для обучающих примеров. В свою очередь, пороги в этих алгоритмах являются синтаксическими ограничениями на форму представления моделей действительности (знаний). Они не предполагают строгих ограничений для семантики области определения. Кроме того, при использовании алгоритмов, основанных на подобии, требуются большие объемы обучающих примеров.

В реальных задачах на любом множестве примеров можно построить неограниченно много обобщений, большинство из которых окажутся непригодными. Выходом из такой ситуации является использование априорных знаний, в качестве семантических порогов, области определения.

Одним из подходов к использованию знаний в обучении является обучение на основе объяснения, где явное представление теоретических знаний об области определения используется для построения пояснений к обучающим примерам. Уточнение, удаление шума в обучающих данных выполняется за счет обобщения пояснений к примерам, а не самих примеров. В алгоритме MetaDENDRAL [7,11,13], который формирует правила для массспектрографического анализа данных, применяемые программой DENDRAL, использованы преимущества теоретической интерпретации обучающих примеров. В другом алгоритме EBL [11,26] входными данными являются:

целевое понятие, которое будет формироваться обучаемой системой;

обучающий пример из множества, подаваемых на вход, экземпляров понятия;

знания об области определения в виде правил или фактов, объясняющих принадлежность примера целевому понятию;

средства описания формы, принимаемой определением понятия.

В этом случае алгоритм EBL позволяет выучить правила в рамках дедуктивного замыкания существующих сведений об области определения, а обучающий пример фокусирует внимание обучаемой системы на существенных аспектах области определения задачи. При таком подходе алгоритм EBL используется для ускорения обучения или реструктуризации базы знаний, но он не позволяет изучить никакой новой информации. Он извлекает неявную информацию из набора правил и делает ее явно. В "чистом" виде [11] алгоритм EBL позволяет выполнять только дедуктивное обучение.

Метод обоснования по аналогии позволяет более гибко использовать имеющиеся знания. В основе этого метода заложены следующие предпосылки [11,27,28,29,30]. Если две ситуации сходны в некотором отношении, то весьма вероятно, что они окажутся сходными и в других проявлениях.

Следует учитывать, что метод аналогии не является строгим и в этом смысле он подобен индукции, а в работе [42] аналогия определяется как индукции на основе единственного примера. В этом случае, свойства одного объекта прогнозируются на основе информации о втором. Аналогия очень полезна для применения новых знаний к новым ситуациям. В отличие от рассмотренных систем формирования понятий, использующих индуктивный метод, Рейтманом была разработана программа "Аргус", которая применима лишь к задачам на аналогию типа A:B::C: (W, X, Y или Z).

Данное выражение означает, что отношение А к B равно по определению соотношению С к одному из символов: W, X, Y или Z.

К данному разделу условно может быть отнесена система формирования понятий Саймона и Котовского [43]. Их исследование связано с изучением того, как человек формирует понятие для последоват е л ь н ы х о б р а з о в т и п а a t b a t a a t b a t - и л и u r t u s t u t t u -, где "-" означает пропущенный символ, который должен быть восстановлен после нахождения понятия. В результате работы программы п о с л е д о ва те л ьн о с т ь a t b a t a a t b a t -разбивается на трех-буквенные периоды: atb ata atb at -, а понятие формируется так: "внутри каждого периода после букв a и t чередуются буквы b и a в качестве последней буквы".

В общем случае обоснование по аналогии включает следующие этапы [11, стр 412]:

1. Поиск потенциального источника аналогии и выделение свойств цели и источника, обеспечивающих правдоподобие аналогии.

2. Развитие (Уточнение). В обнаруженном источнике выделяются дополнительные свойства и отношения.

3. Отображение и логический вывод. Предполагается отображение атрибутов источника в область определения цели.

4. Подтверждение. Проверяется корректность отображения и, при необходимости, оно модифицируется.

5. Обучение. Сохранение полученных знаний в форме, обеспечивающей их дальнейшее использование.

Данные этапы присутствуют в теории структурного отображения [11, стр 413] позволяет решить проблему поиска полезных аналогий и обеспечивает правдоподобную модель понимания аналогий человеком. Узким местом является необходимость разделения выразительных, глубоких аналогий и поверхностных. Теория структурного отображения реализована и протестирована во многих областях определения, но она еще далека от полной теории аналогии, т.к. не решает проблему поиска источника аналогии [11].

Обучение без учителя в научной области. Рассмотренные алгоритмы индуктивного обучения предполагают наличие внешнего источника "правильной" классификации обучающих данных и относятся к категории "обучение с учителем". Другая категория – "обучение без учителя" не предполагает наличия внешнего источника "правильной" классификации – "учителя".

При обучении без учителя формирование понятий происходит в самой обучаемой системе. Хорошим примером обучения без учителя, в человеческом обществе, является наука [13,39]. В этой области знания не поступают от "учителя", а строятся гипотезы, затем проводятся объясняющие их наблюдения, потом оцениваются эти гипотезы и в итоге они тестируются с помощью разработанных экспериментов. Наиболее успешной среди систем, позволяющих "открывать" новые знания, является программа AM [11,25,31], которая выводит интересные, а иногда и оригинальные, понятия в математике, основываясь на теории множеств, операциях по созданию новых знаний путем модификации и комбинирования существующих понятий, а также наборе эвристик для выявления "интересных" понятий. Программа АМ смогла "открыть" натуральные числа, модифицируя свое представление о "множествах с повторяющимися элементам", например (a, a, b, c, c). В ходе операции специализации для определения такого множества, в котором содержатся только элементы одного типа, и возникла аналогия с натуральными числами. После формирования нового понятия программа АМ оценивает его "интересность" используя для этого эвристики. Простые числа оказались интересными. Такое заключение было выведено на основе частоты их появления. Несмотря на сделанные "открытия" программа АМ не смогла продвинуться дальше элементарной теории чисел. Выяснилось, что своим успехом программа обязана языку представления математических понятий. Еще одним недостатком программы АМ является ее неспособность "учиться учиться", т.е. в процессе приобретения математических знаний она не выводит новых эвристик, что сказывается на качестве поиска при увеличении математической сложности задач. Это не позволяет программе достичь глубокого понимания математики.

Научная деятельность – важная область исследования, но в ней пока получены очень незначительные результаты. Фундаментальной проблемой обучения без учителя, при решении которой был достигнут серьезный прогресс, является изучение категорий [11]. В работе [37] отмечено, что формирование категорий является основой научных исследований.

Алгоритмы концептуальной кластеризации для своей работы требуют набор неупорядоченных, неклассифицированных экземпляров (объектов) и средства измерения подобия объектов. Итогом работы алгоритмов является организация объектов в классы, удовлетворяющие некоторому стандарту качества, например на основе максимального сходства объектов каждого класса. Одним из первых подходов к решению задачи кластеризации является числовая таксономия. Применяя метрику подобия, типичные алгоритмы кластеризации строят эти классы по принципу "снизу вверх" [11]. В результате работы такого алгоритма строится бинарное дерево, листья которого соответствуют экземплярам, а внутренние узлы представляют собой кластеры более общего вида. Недостатками данного подхода является то, что не учитываются цели, базовые знания, не обеспечивается осмысленное семантическое обоснование сформированных категорий. Кластер представляется перечислением всех его элементов и нельзя получить содержательные определения или общие правила описания семантики категории, которые можно было бы использовать для классификации как известных, так и неизвестных представителей данной категории.

При концептуальной кластеризации возможно решить эти проблемы за счет применения методов машинного обучения для создания общих определений и использования базовых знаний при формировании этих категорий.

Примером реализации такого подхода является система CLUSTER/2 [33]. В этой программе для представления категорий используются базовые знания в форме языковых порогов. Для кластеризации в системе формируются k категорий на базе k опорных объектов (k представляет собой параметр, задаваемый пользователем). Программа оценивает полученные кластеры, выбирает новые опорные объекты и повторяет этот процесс до тех пор, пока не будет достигнут критерий качества.

Программа COB-WEB. В алгоритмах кластеризации и в алгоритмах обучения с учителем, типа ID3, категории определяются в терминах необходимых и достаточных условий принадлежности этим категориям. Условия представляются наборами признаков, свойственными каждому элементу категории и отличными от признаков другой категории [2,11]. Человеческие категории не всегда соответствуют данному подходу и обладают большей гибкостью и разветвленной структурой. Человеческие категории определяются сложной системой сходства между элементами и для них может не существовать свойств, общих для всех элементов класса. Кроме того, в человеческой категории не все уровни человеческой таксономии одинаково важны, в них присутствуют категории базового уровня, представляющие собой классификацию, которая чаще всего используется для описания объектов в терминах, изученных с раннего детства, на уровне, в некотором смысле охватывающем наиболее фундаментальные свойства объекта [11].

В системе COB-WEB [28] учитываются категории базового уровня и степень принадлежности элемента соответствующей категории, реализован инкрементальный алгоритм обучения, не требующий представления всех обучающих примеров до начала обучения. Новые данные обучаемая система получает со временем, для чего она должна строить полезные определения понятий на основе исходных данных и обновлять их по новой информации. В системе COB-WEB реализовано вероятностное представление категорий, что позволяет принадлежность категории определять не набором значений каждого свойства объекта, а вероятностью появления значения P(qi=dijgk) – это условная вероятность, с которой свойство qi принимает значение dij, если объект относится к категории gk. В итоге получается, что для каждой категории в иерархии определены вероятности вхождения всех значений каждого свойства, что важно для категоризации новых элементов и актуализации имеющихся. При поступлении нового экземпляра модификация категорий осуществляется с применением критерия полезности категории, который был определен при исследовании человеческой категоризации и учитывающий влияние категорий базового уровня, других аспектов структуры человеческих категорий. Критерий полезности категории максимизирует вероятность того, что два объекта из одной категории обладают одинаковыми свойствами, и низкую вероятность наличия этих свойств у объектов из других категорий.

Обучение с подкреплением аналогично обучению человека при взаимодействии с реальным миром. При этом реальный мир является "учителем", который, обеспечивает обратную связь на действия человека. Обратная связь на действия человека не всегда проявляется сразу и в явной форме. Результаты человеческой активности, его воздействия на реальный мир проявляются, обычно, через некоторое время.

Итогом обучения с подкреплением является вычислительный алгоритм перехода от ситуации к действиям, максимизирующим вознаграждение.

Субъекту (решателю, интеллектуальному агенту) не даются указания о том, что делать. Агент (интеллектуальный) на основе своего опыта узнает, какие его действия приводят к наибольшему вознаграждению. Его деятельность определяется не только текущим результатом, но и последующей деятельностью и случайными вознаграждениями. Используемые метод "проб и ошибок" и подкреплении с задержкой составляют основу обучения с подкреплением. Оно связано с действиями объекта в окружающей среде и откликом этой среды. Методы, реализующие такой подход, относятся к методу обучения с подкреплением. На основе этих методов агент обучается сам с помощью проб, ошибок и обратной связи. Он определяет оптимальную политику для достижения цели во внешней среде.

В обучении с подкреплением выделяются четыре составляющих [11,13]:

1. Политика (стратегия), определяющая выбор агента и способ его деятельности в заданное время. Может выступать результатом поиска, анализа или планирования и задаваться правилами вывода или таблицами.

2. Функция вознаграждения, задающая отношение состояние-цель для рассматриваемой задачи в рассматриваемый момент времени и определяющая отображение каждого действия в меру вознаграждения (определяющую степень эффективности действия для достижения цели).

3. Функция полезности (ценности) определяет величину вознаграждения, на которое может рассчитывать система, продолжая действовать из этого состояния и задает долговременную перспективность состояния среды.

4. Модель внешней среды представляет собой механизм реализации аспектов поведения внешней среды и позволяет оценить результаты возможных действий без их реального выполнения.

Задача обучения с подкреплением дает возможность использовать наблюдаемые вознаграждения для формирования, в процессе обучения, оптимальной стратегии для данной среды [13]. Для многих проблемных областей задач реальной сложности обучение с подкреплением является единственным осуществимым способом, с помощью которого можно провести обучение для дальнейшего высокопроизводительного целенаправленного поведения.

В рамках обучения с подкреплением выделяется ряд направлений, обеспечивающих достижение целей обучения при различных обстоятельствах.

Для пассивного обучения стратегия (политика) не меняются. Основной задачей является определение с помощью обучения ценности (полезности) состояния, а иногда даже модели среды. При активном обучении стратегия не задается и необходимо самостоятельное принятие решения о том, какие действия следует предпринять. В ходе обучения исследуется среда, определяется ее модель и функция полезности. Определение функции полезности возможно различными способами. Например, с использованием разностей между полезностями соседних состояний модели среды. Или на основе Q-обучения, где предусматривается определение некоторого представления "действиестоимость" вместо определения полезностей. При определении Q-функции с помощью обучения не требуется модель ни для обучения, ни для выбора действия. По этой причине Q-обучение является безмодельным методом.

При больших пространствах состояний возрастают затраты на определение функции полезности и Q-функции с помощью обучения. В таких случаях используется приближенное функциональное представление для обобщения сведений о состояниях. Еще немаловажное значение имеют методы поиска стратегии. Они применяются для представления стратегии с целью улучшить ее с учетом наблюдаемой производительности. Изменчивость производительности в стохастической проблемной области представляет собой серьезную проблему [13].

4.2. Классификация задачи обучения В настоящее время существует множество подходов к классификации задач обучения. Авторы работ [1,3,7,10,11,13,15,16,23] рассматривают, в качестве основных, следующие подходы к решению задач обучения:

основанные на символьном представлении действительности;

на основе взвешенных связей;

использующие эволюционные модели;

интегрированный подход к решению задач обучения.

При символьном представлении действительности знания и информация о проблемной области задаются в явном виде. Сущности и взаимосвязи между ними в области их определения представляются наборами символов.

Алгоритмы обучения, использующие символьное представление, обеспечивают возможность корректного обобщения, которое тоже можно выразить в терминах этих символов. Алгоритмы символьного обучения включают несколько важных позиций [11]. Первая позиция содержит данные и цели задачи обучения. Вторая позиция связана с представлением получаемых знаний.

Третья позиция включает набор операций. Четвертая позиция отражает пространство понятий. Пятая позиция связана с организацией эвристического поиска.

Цель обучения и имеющиеся данные являются одной из главных характеристик обучения. Так, в рассмотренных ранее задачах индуктивного обучения входные данные представлялись набором положительных/отрицательных примеров целевого класса, а целью являлось формирование общего определения, позволяющего в дальнейшем распознавать ситуации (прецеденты) данного класса.

В задачах обучения могут использоваться многие представления знаний.

При обучении классификации объектов реального мира, например, могут использоваться выражения из теории предикатов, фреймы, объекты, деревья решений и др. Планы решения могут представляться последовательностями выполняемых действий, треугольными таблицами, а эвристики – правилами вывода.

Для достижения цели обучения необходимо уметь оперировать представлениями. Наиболее используемыми операциями над символьными представлениями являются обобщение и специализация.

Пространство возможных определений понятий во многом определяются языком представления и набором операций. Это пространство должно выделяться обучаемой системой и его сложность во многом определяет сложность задачи обучения. Для больших пространств поиска должны учитываться направление и порядок поиска, которые определяются на основе обучающих данных и эвристик.

предполагается явное использования символьного представления в задаче обучения. Интеллектуальные свойства этих систем обеспечиваются взаимодействием простых компонентов (моделей сущностей, биологических или искусственных нейронов) и настройкой связей между ними в процессе обучения или адаптации. Данные системы являются распределенными.

Информация в них обрабатывается параллельно. Например, в искусственных нейронных сетях все нейроны одного слоя одновременно и независимо друг от друга получают и преобразуют входные данные. В нейросетевых моделях формировании входных данных и интерпретации выходных значений. В настоящее время результаты исследований искусственных нейронных сетей стали основой инженерного направления по разработке и применению нейрокомпьютерных систем.

Другим примером приобретения знаний (решений новых задач), с использованием взвешенных связей, является алгоритм муравья [8]. В основе этого алгоритма - умение муравьев находить пищу на большом расстоянии от муравейника и возвращаться обратно. Муравьи, выделяя ферменты во время перемещения, изменяют окружающую среду, обеспечивают коммуникацию, а также отыскивают обратный путь к муравейнику. В ходе своей деятельности муравьи находят самый оптимальный путь, между муравейником и внешними точками. Чем больше муравьев используют один и тот же путь, тем выше концентрация фермента на этом пути. Впоследствии муравьи выбирают пути с более высокой концентрацией фермента.

Алгоритм муравья может быть представлен следующим образом. Пусть внешняя среда для муравьев представляет собой двухмерную сеть, состоящую из узлов (точки с пищей и муравейник) и дуг между узлами (каждая дуга - это возможный путь для муравья). Каждая дуга имеет вес, который интерпретируется как расстояние между двумя узлами, соединенными данной дугой. Граф двунаправленный, поэтому муравей может перемещаться по дуге в любом направлении.

Программный муравей - агент является является частью большой системы (колонии муравьев) и используется для решения каких-либо проблем. Он руководствуется набором простых правил, при выборе пути в графе. Муравей поддерживает список узлов которые он уже посетил, поэтому он должен проходить через каждый узел только один раз. Узлы в списке "текущего путешествия" располагаются в том порядке, в котором они посещались. С помощью этого списка определяется расстояние между узлами. В алгоритме муравья агент оставляет фермент на дугах сети после завершения путешествия (настоящий муравей это делает во время перемещения).

Для решения задачи по алгоритму муравья создается популяция муравьев (агентов), которые равномерно распределяются между узлами, чтобы все узлы имели одинаковые шансы стать отпраной точкой. В ходе движения муравья ему приходится определять дуги, покоторым он еще не проходил. Пройденный путь муравья отображается, когда он посетит все узлы сети, и подсчитывается длина пути. Для каждой пройденной дуги определяется количество фермента, оставленного на ней (количество фермента на все путешествие для каждого муравья есть константа, которая обновляется по завершению путешествия). Это позволяет оценивать пройденный путь - короткий путь характеризуется высокой концентрацией фермента, а длинный путь - более низкой. После этого увеличивается количество фермента вдоль пройденного муравьем пути. Кроме того вводится процедура испарения фермента, для постепенного удаления дуг, которые входят в худшие пути в сети.

После того как закончился обход всех узлов сети, для всех дуг определено количество фермента и выполнена процедура испарения фермента на всех гранях, алгоритм запускается повторно. Список узлов, которые посетил муравей очищается, а длина пути обнуляется. Муравьиагенты перемещаются по сети выбираю грани с более высокой концентрацией фермента. В итоге будет сформирован лучший путь.

применением эволюционных моделей могут использоваться генетические алгоритмы, генетическое программирование, обучающиеся классификаторы, эволюционное программирование, искусственная жизнь [8,11,13].

Экспериментальматематические Интеллектуальиндуктивного Рис. 4.1. Междисциплинарный зарактер машинного обучения В контексте решения задач управления в ОТС с использованием эволюционирующих знаний, особое внимание уделяется методам машинного обучения, основанным на символьном представлении информации и знаний. К настоящему времени известны и широко используются различные подходы и методы в системах машинного обучения. Машинное обучение является мультидисциплинарным направлением ИИ и находится на стыке математической статистики, методов оптимизации, классических математических дисциплин, методов индуктивного обучения, как альтернативы статическим подходам, извлечением информации, интеллектуальным анализом данных, экспериментальных методов. В основе машинного обучения, использующего символьное представление информации и знаний, применяется множество прецедентов (примеров, ситуаций, объектов), для каждого из которых подобраны соответствующие данные, являющиеся их описанием. Множество прецедентов, используемых для обучения, представляют собой обучающую выборку.

Для классификации подходов и методов машинного обучения существует множество подходов. Автором, для классификации систем машинного обучения, в качестве основных, рассмотрены следующие признаки: способы описания ситуаций (прецедентов), наличие модели мира, используемая функция оценки, используемый показатель функции оценки, способ получения отклика, поведение системы машинного обучения, фактор времени в обучении, степень контроля обучения.

Способы описания прецедентов. В соответствии с этим признаком могут выделяться системы, использующие: признаковое описание; временные ряды; сигналы; изображения; видеоряды; тексты; попарные отношения сходства, интенсивности, взаимодействия. Формат обучающего примера, для выбора способа описания ситуации (прецедента) представлен на рис.4.2.

Наличие модели мира. При частичной наблюдаемости реального мира целесообразно отслеживать ту часть мира, которая будет восприниматься в требуемый момент. Иными словами, должно поддерживаться внутреннее состояние системы обучения, отражающее некоторые из ненаблюдаемых аспектов текущего состояния. Для решения этой задачи необходимы знания, позволяющие определить информацию о том, как реальный мир изменяется независимо от системы с машинным обучением. К этим знаниям следует добавить те, которые могут сформировать информацию о том, как влияют на мир собственные действия кибернетической системы с обучением. Знания о том, как для кибернетической системы с обучением устроен и работает реальный мир и являются моделью мира, а кибернетические системы, использующие такую модель, называются кибернетическими системами, основанными на модели.

описание ситуации используемый п по-е р N - описание ситуации исп ользуемый й по- м е р NО б уч а ю щ и п р и казатель оц енка использов ания показаописание ситуации исп ользуемый показатель оц енка использов ания показаописание ситуации используемый показательн и е с и т уа ц и и и с п о л ь з уе м ы й показа- п и с а о п и с а оц енка использов ания с п о с о б описание сит уации используемый опоказатель оц енка использов ания показания оцен ка использования способа описания казатель оц енка использов ания показаРис. 4.2. Формат входного примера обучения для выбора способа описания Один из вариантов содержания обучающего примера для задачи выбора модели мира, показан на рис. 4.3.

Используемая функция оценки. Машинное обучение может проводиться как для повышения эффективности действия агента (кибернетической системы, так и повышения эффективности деятельности кибернетической системы (агента) в условиях окружающей среды. Для первого случая применяется функция вознаграждения, которая может определяться сразу после выполненного действия, а для второго – функция полезности, которая может быть определена только спустя некоторое время. В ходе обучения система должна научиться для каждого обучающего примера выбирать какой из рассмотренных случаев имеет место и, что будет в этом случае определяться:

функция вознаграждения или функция полезности. Содержание примера для такой задачи имеет вид, представленный на рис. 4.4.

описание сит уации ис пользуемый описание сит уации ис пользуемый описание с и т уа ц иуациио л ь зисапользуемыйа оценка и спользования модели мира Рис. 4.3. Формат входного примера обучения Используемый показатель функции оценки. Любая из выбранных функций оценивается одним или группой показателей из множества возможных.

Содержание примера для задачи определения показателя функции вознаграждения или полезности представлено на рис. 4.5.

для выбора модели мира описание ситуации и спользуемыйе р N - описание ситуации и спользуемырй м е р N показат ель оц енка исполь зования попоказат ель сит уации изования по- й показат ель оц енка исполь зования попоказат ель сит уации и спользуемы й показат ельф ун оциенка исполь зования попользования Рис. 4.4. Формат входного примера обучения для выбора функции оценки Способ получения отклика. Значение показателя оценочной функции может получаться различными способами, которые определяются различными факторами: требованиями к достоверности и/или точности источника оценки в определенных ситуациях; природой источника оценки – компьютерные системы, эксперты, смешанная; способом формирования значения показателя – измерения, расчеты, моделирование, результаты эксперимента, экспертиза специалистов, логический вывод. Порядок формирования исходных данных для задачи определения способа получения отклика, выполняется по той же схеме, что и для предыдущих задач.

Поведение системы машинного обучения. Машинное обучение может проводиться с использованием заранее заготовленного множества примеров, последовательность которых, в ходе обучения, не меняется. В этом случае наблюдается пассивное обучение. Но могут возникать ситуации, когда системе необходимо уметь самой формировать последовательность обучающих примеров, самостоятельно назначать следующую исследуемую ситуацию, на которой станет известен верный ответ. Такая система машинного обучения демонстрирует активное обучение.

описание ситуации ис пользуемый м е р N показат ель оц енка использования поописание ситуации ис пользуемый показат ель оц енка использования поописание сит уации ис пользуемый показат ель оц енка использования поописание сит уации ис пользуемый Рис. 4.5. Формат входного примера обучения для выбора показателя функции оценки Фактор времени в обучении. (Off/Online обучение). Обучение может быть как с учителем, так и без учителя. При динамическом обучении обучающие примеры поступают потоком и необходимо в реальном времени принимать решение по каждому примеру и одновременно дорабатывать (актуализировать) модель зависимости (знания) с учетом новых ситуаций.

Степень контроля обучения. Выделяются методы контролируемого обучения, методы неконтролируемого обучения и методы частичного обучения.

Контролируемое обучение или обучение с учителем является наиболее распространенным. Каждый обучающий пример содержит описание ситуации (объекта) и ответ. По таким примерам определяется функциональная зависимость ответов от описаний ситуаций и строится алгоритм, формирующий для каждой ситуации правильный ответ. Качество построенных алгоритмов (выявленных знаний) определяется как средняя ошибка ответов, выданных алгоритмом, по всем объектам выборки.

Неконтролируемое обучение или обучение без учителя, заключается в том, что обучающие примеры не содержат ответы. Задача обучения состоит в извлечении полезной информации, при отсутствии корректно классифицированных обучающих данных, и формирование категорий или концептуальная кластеризация. Задача кластеризации состоит в том, чтобы сгруппировать ситуации (объекты) в классы. Качество кластеризации может определяться как отношение средних межкластерных и внутрикластерных расстояний. Еще одной из задач неконтролируемого обучения является поиск ассоциативных правил. Обучающая выборка, в этом случае, представляется множеством признаковых описаний. Необходимо найти такие наборы признаков, и такие значения этих признаков, которые особенно часто (неслучайно часто) встречаются в признаковых описаниях ситуаций (объектов).

Частичное обучение является интеграцией методов обучения с учителем и без учителя. Каждый пример обучающей выборки представляет собой пару «описание ситуации, ответ», но ответы известны только для части примеров.

4.3. Постановка задачи обучения В общем виде модель обучения может быть представлена следующим образом. Имеются:

описывающих ситуации реального мира и поступающих на вход системы обучения – множество входных сигналов XL = (x1, x2, …, xn);

соответствующее множество выходов YL = (y1, y2, …, yn);

искомое отображение (классификация, интерпретация) L (L XL YL), являющееся истинным и известное только учителю. Данное отображение осуществляет преобразование набора входных признаков в выходное значение XL YL;

множество отображений {fL} F из некоторого класса F (fL: XL YL), которые строятся системой в процессе обучения;

критерий обучения QL = QL (L, fL), отражающий степень близости классификации (интерпретации) fL, сформированной системой в ходе обучения, к истинной классификации (интерпретации) известной учителю L.

В соответствии с заданными обозначениями задача обучения L может быть представлена следующей пятеркой:

Существует множество подходов к представлению и решению задач обучения в различных областях. Наибольшее распространение методы обучения получили в рамках исследований по распознаванию образов.

Формальная модель обучения новым понятиям L, с использованием интегрированного метода представления знаний, может быть представлена следующим образом.

Имеются:

примеры ситуаций в виде наборов признаков, поступающих на вход системы обучения (подсистемы обучения системы управления базой знаний) – множество признаков активизации концептов (ПАК) (вершин классификатора, понятий) множество концептов (формируемых вершин классификатора) которые могут соответствовать предъявляемым примерам ситуаций где {gi} – множество формируемых понятий, NG – максимально возможное число вершин классификатора;

множество связей от активизированных вершин (концептов), которые должны обеспечить активность той вершины классификатора, которая наиболее (идеально) соответствует предъявляемой ситуации где G – множество связей от активированных вершин к формируемой, которые наиболее соответствуют рассматриваемой ситуации;

множество связей от активизированных вершин к формируемой, которые сформированы системой критерий успешности обучения QL = QL (G, RG), отражающий степень близости распознавания с помощью связей RG, сформированных системой в ходе обучения, к распознаванию с помощью связей наиболее (идеально) соответствующих рассматриваемой ситуации L.

В этом случае задача обучения L может быть формально представлена как некоторая оптимизационная модель, определяемая пятеркой Вводится понятие алгоритма А, решающего задачу обучения L, а также понятие алгоритмической сложности С(А,n) алгоритма А в зависимости от размерности задачи n.

Требуется найти такой А*, для которого С(А*,n) min.

Наиболее распространенным является обучение по примерам. Задаются примеры (обучающая последовательность) Необходимо сформировать такое множество связей r* RL (найти такую классификацию), которое бы по возможности приближалось к множеству связей наиболее (идеально) соответствующих рассматриваемой ситуации L (классификации учителя) и минимизировала используемый критерий качества обучения QL = QL (G, RG), на обучающей и проверочной выборке ПАК = ПАКL ПАКпров, где ПАКпров – проверочная выборка.

Математическая модель задачи обучения в этой постановке имеет вид:

Общая постановка задачи обучения может быть представлена следующим образом.

Имеется конечного множества ситуаций (объектов, концептов) с некоторыми данными – описаниями. Совокупность всех описаний ситуаций (прецедентов) представляет обучающую выборку. Требуется по заданной обучающей выборке выявить общие зависимости, закономерности, взаимосвязи, свойственные не только заданной обучающей выборке, но и всем ситуациям (объектам, прецедентам), которые еще не наблюдались.

Для описания ситуаций часто используется признаковое описание, представляющее собой совокупность k показателей, которые измеряются для всех ситуаций. Решение задачи начинается с выбора модели восстанавливаемой зависимости. Для оценки, насколько хорошо модель описывает наблюдаемые ситуации, вводится функционал качества. С помощью вычислительных процедур ведется настройка модели так, чтобы функционал качества, для используемой обучающей выборки, принимал оптимальное значение.

4.4. Агентно-ориентированная архитектура системы, реализующей интегрированный метод обучения Для современных организационно-технических систем важным является сохранение и повсеместное использование опыта своей деятельности и опыта работы других успешных ОТС. Компании, организации, предприятия, учреждения (ОТС) функционируют успешно, когда все взаимосвязанные действия понятны и управляются системно, а решения в отношении текущих операций и запланированных улучшений принимаются на основе достоверной информации, которая отражает опыт лучшей практики и мнение заинтересованных сторон.

осуществляться различными способами [2,12]. Основными из них являются компьютерные методы обучения на примерах, методы извлечения знаний из текущей деятельности, добавление сформированных фрагментов знаний к имеющимся.

Методы обучения на примерах могут представляться как:

• обучение на примерах в виде решаемых ОТС задач;

• обучение на примерах решаемых задач другими организациями.

Добавление сформированных фрагментов знаний к имеющимся:

• добавление сформированного опыта компании при объединении (слиянии, покупке) компаний. Опыт представляется как знания, накопленные в процессе предшествующей деятельности компании (организации);

• распространение (тиражирование) опыта успешной компании (ОТС);

• реализация совместных проектов. Решение совместных задач требует формирования проблемной области для этой задачи.

Проблемная область формируется из композиции источников знаний различных ОТС и становится тиражируемыми знаниями среди ОТС-участниц проекта.

Одной из сложных проблем работы со знаниями является выбор адекватной модели их представления. Для применения методов машинного обучения автором предлагается интегрированный метод, в основе которого заложены возможности представления структуры проблемной области и взаимодействия сущностей проблемной области друг с другом. Интегрированный метод представления знаний позволяет предметную область задавать множеством описаний ситуаций, объектов (сущностей) в виде описаний концептов.

Описания концептов представляются как множества вершин и взвешенных связей между ними. Каждая вершина описывается атрибутами представления сущности, которые совпадают с введенными в описание сущности ранее:

предусловие, постусловие, имена концептов нижнего уровня, имена концептов верхнего уровня, имена концептов-ассоциаций.

Приобретение знаний реализуется с помощью двух функций: получения информации извне и ее систематизации (структурирования). При формировании закономерностей могут учитываться оценки сходства (полезности) рассматриваемых и существующих моделей сущностей через обобщенную близость (комбинацию близостей, вычисленных на множестве частичных описаний).

При использовании интегрированной модели возможна одновременная обработка всех элементов рассматриваемого состояния. Формирование входных данных и интерпретация полученных результатов основываются на базовых элементарных понятиях, которые должны задаваться и интерпретироваться наиболее естественным образом. Кроме того создание новых знаний представляется как процесс формирования представления новой сущности (ситуации) [17,18,19,20].

Основные этапы создания представлений новых сущностей:

поступление информации о ситуации;

анализ поступившей информации;

формирование имени представления новой ситуации (концепта);

формирование или запрос оценки использования представления рассматриваемой ситуации;

усиление весов положительно оцененных связей и уменьшение весов отрицательно оцененных связей;

анализ весов связей в представлении новой сущности;

задание признака окончания формирования концепта для новой сущности.

Предполагается наличие и поддержание базы имен используемых концептов для сущностей (ситуаций), экспертных систем или внешних организационно-технических систем, способных оценивать эффективность сформированных концептов сущности (нового знания), подсистемы или службы формирующей имена для новых знаний (концептов). Граф «И-ИЛИ» для оценки использования нового представления действительности (сущности) представлен на рис. 4.6.

Использование различных источников знаний – экспертов, организаций - требует одинаковой интерпретации формируемых знаний, не зависящей от специфики источника знаний и используемых моделей представления знаний. Для решения такой задачи необходимо использовать эталонные понятия (концепты). Разумно использовать эталонные концепты для элементарных (базовых) ситуаций, которые позволяют представить любые ситуации (объекты), сформированные и используемые организацией в ходе своей деятельности. Тогда понятие (концепт), поступающее из другого, не стандартизованного источника, будет представлено в эталонном базисе и комплексировано с существующими знаниями за счет изменения весов связей. Это происходит путем представления стандартизованного понятия как обучающей выборки.

Рис. 4.6. Граф «И-ИЛИ» для оценки использования нового концепта Ввиду ряда особенностей решения многих классов задач управления в ОТС, сложно разрабатывать соответствующие информационные системы [21]. Сложность разработки связана с ограниченными возможностями использования традиционных архитектур, методов и средств разработки программного обеспечения. Возникла необходимость в новых подходах к проектированию и использованию современных информационных систем. Компоненты таких систем могут быть “большими”, “открытыми” системами, не полностью известными заранее, изменяющимися во времени, гетерогенными, реализоваться различными людьми, в разное время, с использованием различных средств и методов. Еще одной особенностью современных информационных систем, связанной с новыми областями решаемых задач, является их интеллектуальность. На рис. 4.7. представлена структура информационной системы, решающей задачи машинного обучения.

В информационной системе для машинного метода машинного обучения формирование новых знаний происходит следующим образом. При поступлении запроса на формирование новых знаний генерируется обучающая выборка. Содержание обучающей выборки во многом определяется целью обучения, политикой, способом описания прецедентов и др. После формирования входных данных для обучения проводится анализ имени создаваемого концепта. С этой целью просматривается база данных содержащая имена созданных концептов. Если концепт является новым, то для него формируется имя. Имя может содержать наборы символов и обеспечивать только уникальность, а может нести и семантическую нагрузку. Когда имя будет присвоено или выявлено наличие в базе данных подобного, происходит одна из важных стадий обучения – проверка нового знания в действии и оценка полученного результата. Оценка может проводиться различными способами, начиная от привлечения специалистов до использования экспертных систем.

Один из вариантов оценки, в виде концептуальной модели, представлен на рис. 4.6. Полученные результаты оценки используются для формирования нового концепта или актуализации, если он отрабатывается не впервые.

Формируемый концепт хранится в рабочей базе знаний и переносится в основную базу знаний после окончания обучения.

Формирование входных данных для обучения Формирование/актуализация Анализ процесса формирования Задание признаков окончания обучения Рис. 4.7. Информационная система для интегрированного метода машинного обучения.

Интеллектуальная информационная система, обеспечивающая решение различных задач в ОТС, должна уметь взаимодействовать с многими компонентами, организациями и сетевыми операторами без постоянного управления со стороны пользователей. Такие функциональные возможности требуют реализации динамического поведения, автономности и адаптации отдельных компонентов, использования методов, основанных на переговорах и кооперации, которые лежат в основе агентно-ориентированных систем [6,14,32,38].

Система машинного обучения на основе агентно-ориентированного подхода представлена на рис. 4.8. В качестве многоагентных систем (МАС) в этой структуре выделены:

-МАС формирования представлений ситуаций;

-МАС именования концептов;

- МАС применения сформированных концептов;

- МАС оценки применения концепта;

- МАС формирования/актуализации концептов;

- МАС баз знаний.

Многоагентная система формирования представлений ситуаций. В качестве основных задач, выполняемых данной МАС, выделяются:

– восприятие действительности в виде представления ситуации;

– прием от пользователя или формирование самостоятельно цели обучения или других исходных данных;

– формирование концепта для текущей ситуации.

Рис.4.8. Схема организации машинного обучения на основе агентноориентированного подхода.

Основная задача восприятия действительности состоит в формировании набора признаков и их текущих значений, соответствующих рассматриваемой ситуации. Для набора признаков рассматриваемой ситуации выделяется поле для имени концепта, соответствующего рассматриваемой ситуации. Для заполнения поля имени ситуации генерируется уникальный код и все это в заданном формате передается координатору многоагентной системы формирования представлений ситуаций. Структура агента, решающего данную задачу, показана на рис. 4.9. Как видно из рисунка задача формирования представлений о ситуациях является простой и ее решение вполне может справиться реактивный агент.

Рис. 4.9. Структура реактивного агента, формирующего представление о ситуации Цель обучения может задаваться пользователем при переходе к решению задач другого класса или формироваться самостоятельно, при неоднородном потоке решаемых задач, либо при автономном функционировании кибернетической системы, для которой происходит обучение. В этом случае должен использоваться интеллектуальный агент, включающий базу знаний и механизм формирования цели обучения на основе анализа текущей ситуации и имеющихся знаний. Структура данного агента представлена на рис. 4.10.

Формирование концепта для рассматриваемой ситуации является преобразованием представления о ситуации в формат описания концепта, в соответствии с принятыми синтаксическими конструкциями. Для такой задачи вполне достаточно возможностей реактивного агента.

Многоагентная система именования концептов предназначена для поддержания базы имен существующих концептов и формирования имен для вновь сформированных концептов. Условием начала работы МАС является поступление координатору описания ситуации от многоагентной системы формирования представлений ситуаций. В описании ситуации содержится поле для имени концепта, содержащее сгенерированный номер ситуации.

Вместо номера ситуации должно быть записано имя концепта. Имя концепта может быть выбранным из базы имен концептов, при условии, что подобная ситуация (прецедент) ранее встречалась. Если ситуация проявляется впервые, то для соответствующего ей концепта формируется новое имя.

Рис. 4.10. Структура интеллектуального агента, задающего цель обучения Таким образом, в МАС именования концептов должны решаться следующие задачи:

– анализ представлений поступивших ситуаций и выявление знакомых ситуаций для именования их из базы имен;

– формирование имени для нового концептов и запись его в поле Решение задачи анализа представлений поступивших ситуаций с целью выявления знакомых ситуаций и именования их из базы данных имен концептов начинается с момента поступления от координатора многоагентной системы формирования представления ситуаций рассматриваемой ситуации. Включается в работу схема поиска концепта для обнаружения концепта, наиболее близкого к рассматриваемой ситуации.

Сборка И Представление ситуации Имя концепта Рис. 4.11. Структура реактивного агента для выявления знакомых ситуаций При обнаружении концепта, соответствующего рассматриваемой ситуации, в схеме поиска концепта вырабатывается управляющий сигнал для записи представления рассматриваемой ситуации. Одновременно из базы данных имен концептов поступает имя найденного концепта для записи в описание концепта. В итоге формируется описание концепта для рассматриваемой ситуации, которое передается координатору многоагентной системы, выполняющей именование концептов, соответствующих рассматриваемой ситуации.

Выполнение перечисленных действий обеспечивается реактивным агентом, выявляющим концепты соответствующие рассматриваемым ситуациям.

Структура реактивного агента, для выявления знакомых ситуаций, представлена на рис. 4.11.

Одновременно с поступлением от координатора многоагентной системы формирования представления ситуаций описания рассматриваемой ситуации, начинает работу и агент для именования новых ситуаций. Схема анализа содержимого базы данных имен концептов выявляет факт отсутствия концепта, соответствующего рассматриваемой ситуации. В случае отсутствия такого концепта формируется сигнал запуска генератора имен. После завершения процесса формирования имени концепта формируется сигнал разрешающий запись представления ситуации и сформированного для нее имени.

В итоге формируется описание концепта, которое передается координатору многоагентной системы, выполняющей именование концептов, для рассматриваемой ситуации. Структура реактивного агента, формирующего имена концептов для новых ситуаций, показана на рис. 4.12.

Сборка И Рис. 4.12. Структура реактивного агента для именования новых концептов Многоагентная система применения рассматриваемых концептов ориентирована на выполнение действий, связанных с апробацией (применением) рассматриваемых концептов. В качестве основных задач МАС выделяются:

– выбор способа применения (апробации) концепта на основе анализа набора параметров и концепта для рассматриваемой ситуации;

– применение концепта и формирование результатов апробации.

Выбор способа применения концепта осуществляется следующим образом (рис.4.13). От координатора МАС именования концептов поступает описание концепта. Включается механизм выбора способа применения, который на основе базы знаний агента, результатов анализа описания концепта и представления ситуации выбирает способ применения сформированного понятия.

Сборка И Имя концепта Метод применения Рис. 4.13. Структура интеллектуального агента для выбора способа применения концепта Название (идентификатор) выбранного способа применения концепта вместе с именем концепта образуют заявку на применение концепта, которая отправляется в общую память (доску объявления) координатора МАС применения концепта.

Интеллектуальный агент для применения концепта (рис. 4.14), обнаружив заявку, формирует последовательность действий и, взаимодействуя через координатор МАС применения рассматриваемых концептов с внешней средой (механизмами КС), обеспечивает применение концепта и фиксацию результата применения, который отправляется координатору МАС применения рассматриваемого концепта.

Заявка на применение концепта Формирование последовательности применения концепта Результаты применения концепта Рис. 4.14. Структура интеллектуального агента для применения концепта Многоагентная система оценки применения рассматриваемых концептов на основе анализа набора признаков о ситуации и результатов апробации концепта выбирает метод оценки применения концепта, проводит саму оценку и формирует результаты оценки в установленном формате. МАС решаются следующие задачи:

–выбор метода оценки на основе анализа представления ситуации и результатов апробации рассматриваемого концепта;

–оценка результатов апробации на основе выбранного метода оценки и представление результатов оценки в установленном формате Для выбора метода оценки применения концепта целесообразно использование интеллектуального агента, который должен содержать механизм выбора метода оценки применения концепта, базу знаний агента и учитывать результат применения концепта, а также представление ситуации, которой соответствует концепт (рис. 4.15). Выбор метода оценки осуществляется на основе экспертных знаний, которые хранятся в базе знаний агента, результатов применения концепта и дополнительных сведений о ситуации, соответствующей концепту. Выбранный метод оценки применения концепта вместе с результатом применения концепта составляют заявку на оценку применения концепта, которая передается координатору МАС оценки применения рассматриваемых концептов.

Сборка И Результат применения Метод оценки Заявка на оценку применения концепта рассматриваемых концептов Рис. 4.15. Структура интеллектуального агента для выбора метода оценки применения концепта Агент для оценки применения концепта постоянно отслеживает общую память координатора МАС оценки применения рассматриваемых концептов (доску объявлений МАС) и при появлении заявки на оценку применения концепта запрашивает ее в обработку. Для оценки применения концептов используется база знаний агента, содержащая знания экспертов по методам оценок и методик их применения. Для получения дополнительной информации об условиях применения концептов, экономической, технической, политической ситуации и т.д. существует постоянное взаимодействие с координатором МАС. Полученные результаты оценки применения концепта представляются в заданном формате и передаются координатору МАС оценки применения рассматриваемых концептов. Для решения рассмотренных задач применяется интеллектуальный агент, структура которого показана на рис.4.16.

Заявка на оценку применения концепта применения концепта Результаты оценки применения Рис. 4.16. Структура интеллектуального агента для оценки применения концепта и формирования полученных результатов Многоагентная система формирования/актуализации представлений рассматриваемых концептов выполняет действия связанные с формированием представлений о новых концептах или актуализацией уже существующих в формате базы знаний кибернетической системы.

МАС решаются следующие задачи:

–выбор метода – создания или актуализации, - на основе анализа содержимого базы знаний кибернетической системы и описания концепта;

–коррекция весовых коэффициентов в имеющемся представлении концепта (актуализация) или создание нового представления концепта с начальными значениями весовых коэффициентов.

Работа агента по выбору действий для создания или актуализации представления концепта происходит следующим образом. Анализируется содержимое базы знаний кибернетической системы (корпорации) на предмет наличия представления рассматриваемого концепта. В зависимости от наличия или отсутствия представления для рассматриваемого концепта выбираются действия для актуализации или создания представления, соответствующего рассматриваемому концепту (рис.4.17).

разрешения создания или Концепт Создание/Актуализация Заявка на Создание/Актуализацию Рис. 4.17. Структура интеллектуального агента для выбора создания или актуализации представления концепта в базе знаний кибернетической системы Выбор последовательности действий является сложной задачей, т.к.

сложно определить степень сходства, меры близости/схожести концептов, значимость оценки по каждому критерию и др. Поэтому в сложных случаях механизм выбора создания или актуализации концепта содержит свою базу знаний. Описание концепта, набор действий по созданию или актуализации представления концепта составляют заявку на Создание или Актуализацию концепта, которая передается координатору МАС создания/актуализации представления концепта в КС.

Агент, выполняющий коррекцию/создание представления концепта для кибернетической системы, работает следующим образом. Обнаружив поступление заявки на создание/актуализацию представления концепта в КС, он посылает координатору запрос на результаты оценки применения рассматриваемого концепта. В результате анализа заявки и результатов оценки применения концепта определяется знак и величина коррекции весов представления концепта (рис. 4.18).

Заявка на создание/актуализацию Определение знака и величины коррекции весов Коррекция весов в представлении Рис. 4.18. Структура агента для коррекции/создания представления концепта Созданное или актуализированное представление концепта для кибернетической системы отправляется координатору многоагентной системы создания/актуализации представления концепта в КС. Полученное представление концепта является одним из этапов эволюции содержимого базы знаний КС.

Сформированный/Актуализированный продолжения обучения Отправка представления концепта в рабочую базу знаний КС Рис. 4.19. Структура интеллектуального агента для выявления условий Основной целью эволюции знаний является наиболее полное их соответствие действительности. Отработка (изменение представлений концептов) любых отклонений может создать угрозу для принятия качественных решений. Поэтому вопросы, связанные с завершением обучения или его продолжением – являются сложными. Агенты, решающие данные задачи использую опыт экспертов для выявления завершения обучения, т.к. полученное представление концепта переносится в основную базу знаний и применяется для решения реальных задач без ограничений.

Структура агента, обрабатывающего представления концептов из рабочей базы знаний КС, представлена на рис. 4.19.

Сформированный/Актуализированный формирования концепта Отправка представления концепта в Рис. 4.20. Структура интеллектуального агента для выявления условий Для выявления представлений концептов, которые уже сформированы и наиболее полно соответствуют действительности, применяется интеллектуальный агент, структура которого представлена на рис. 4.20. Этот агент отвечает за протекание эволюции. Он также может быть разбит на обучающие блоки с целью выработки наилучшей стратегии получения соответствия действительности.

4.5.Решение задачи прогнозирования Метод прогнозирования многомерных процессов при интегрированном подходе к представлению ситуаций.

В общем случае задача прогнозирования процессов может быть представлена следующим образом.

Пусть имеется некоторый многомерный процесс где j == 1m;

выборка наблюдений о котором задана в виде матрицы наблюдений где в j–х столбцах, j = 1m, указаны признаки процесса, представляемого с помощью m – признаков, а в i-х строках хранятся описания состояний процесса, соответствующие моментам наблюдений. Требуется по данной выборке наблюдений S предсказать состояние процесса в момент времени (t+1), т.е.

найти sj(t+1), j = 1m.

Существует ряд методов для решения задач прогнозирования [Зайченко, Приложение ИИ]:

метод комплексирования аналогов, с использованием различных детерминированных моделей исследуемого объекта, нейросетевые методы, методы, основанные на знаниях и др.

Основу метода прогнозирования, при использовании интегрированного подхода к представлению знаний, составляет формирование и использование числовых коэффициентов значимости элементов описания сущностей. Этот подход базируется на следующей гипотезе. В описании текущей ситуации, состоящей из набора признаков-сущностей, рассматриваются элементы из списка имен сущностей-ассоциаций с их числовыми коэффициентами значимости. Из каждого списка, относящегося к одной сущности, выбираются наиболее значимые элементы. В зависимости от принятой стратегии, могут выбираться один или несколько элементов.

Для стратегии прогнозирования с выборкой одного, самого значимого элемента, ожидаемым будет состояние процесса, описываемое этими выбранными элементами. Такой подход оправдан в том случае, когда наборы признаков-сущностей коррелированны между собой и состояниями процесса.

Например, для решения задачи прогнозирования состояния взлетнопосадочной полосы (ВПП) имеется база знаний, в которой хранятся описания признаков-сущностей таких, как: "Осадки в виде дождя", "Температура воздуха падает ниже 0°С", "ВПП мокрая", "Вода замерзает". Фрагмент базы знаний, для решения задачи прогнозирования состояния ВПП, представлен на рис. 4.21.

В описании сущности "Осадки в виде дождя", в списке имен сущностей, ассоциирующихся с рассматриваемой в следующий (t+1) момент времени, наиболее значимым будет имя сущности "ВПП мокрая", а для сущности "Температура воздуха падает ниже 0°С", - "Вода замерзает". Следовательно, с некоторой долей уверенности, можно утверждать, что следующим состоянием взлетно-посадочной полосы будет состояние, обозначаемое такими сущностями-признаками, как "ВПП мокрая " и "Вода замерзает".

Формальная постановка задачи прогнозирования для этого метода представляется следующим образом. Пусть имеется процесс Р, состояния которого Si представляются наборами сущностей-признаков Cj в каждый i-й момент времени, где i = 1N. В итоге образуется обучающая выборка S = (Cj)i. Допустим, что {S1, S2, …, SN-1} наблюдаемые состояния, а SNпоследнее состояние процесса Р в момент времени t, которое описывается набором признаков-сущностей {(Cj)N-1}, j = 1m. Требуется определить состояние процесса в следующий момент времени (t+1), т.е. определить признаки-сущности {(Cj)N}, j = 1m, описывающие это состояние.

Суть метода состоит в следующем. Каждое состояние Si = {(Cj)i} используется как обучающий пример для актуализации списков имен ассоциаций признаков-сущностей Cj, j = 1 m. Состояние с номером i является правильным ответом для примера с номером (i-1). Для каждой сущности, из числа описывающих состояние (i-1), пересчитываются коэффициенты значимости для сущностей ассоциирующихся с рассматриваемой. Если в описании состояния Si присутствует сущностьассоциация с высшим коэффициентом значимости, то значение коэффициента увеличивается. Если сущность-ассоциация с высшим коэффициентом не присутствует в описании Si, то величина ее коэффициента значимости уменьшается и при этом увеличивается величина коэффициента значимости той сущности-ассоциации, которая в этом описании была. Если в описании состояния Si присутствует новая сущность-ассоциация, то она добавляется в список имен ассоциаций с соответствующими значениями коэффициентов значимости.

Точность прогноза может быть повышена рядом специальных процедур, связанных с усилением корреляции между состояниями и признаками за счет сужения размеров проблемной области.

Одной из процедур усиления корреляции между состояниями и признаками за счет сужения размеров проблемной области является процедура локализации контекста.

В данной работе под контекстом будет пониматься неизменяемая часть параметров, присутствующая в описании определенного множества (из двух и более) ситуаций (состояний).

Контекст может описываться 1, 2, 3, …, (m-1) параметрами, где m максимальное число параметров, описывающих ситуации (состояния) процесса. При описании контекста – CNTX, (m-1) параметрами, CNTX = {Cfi}, для ситуации Si = ({Cfi},Сv), где fi,vi (1,2, …, m) и fi vi, он будет определять условия перехода от состояния Si, задаваемого признакомсущностью Сvi при контексте CNTX = {Cfi}, к состоянию Si+1 задаваемого признаком-сущностью Сvi+1 при контексте CNTX = {Cfi+1}.

Теорема 4.1. Чем больше признаков-сущностей из числа m используется для описания контекста, тем точнее прогноз.

Имя концепта: Осадки в виде дождя;

Имя концепта: Температура воздуха падает ниже 0°С;

Имя концепта: ВПП мокрая;

Имя концепта: Вода замерзает;

Рис. 4.21. Фрагмент базы знаний, для решения задачи прогнозирования состояния ВПП стремлении числа признаков-сущностей, описывающих ситуацию Si, к (m-1), вероятность точности прогноза состояния Si+1 стремится к максимуму (к 1).

Доказательство. Пусть варианты переходов из рассматриваемого состояния Si в прогнозируемое состояние Si+1 – равновероятны, тогда изменение вероятности точности прогноза состояния Si+1, в зависимости от числа признаков-сущностей Cj, j (1,2, …, m), описывающих состояние Si, будет происходить так, как показано ниже в таблице 4.1.

описывающих контекст гноза _ _ _ Для случаев, когда варианты переходов из рассматриваемого состояния Si в прогнозируемое состояние Si+1 – не равновероятны, тогда изменение вероятности точности прогноза состояния Si+1, в зависимости от числа признаков-сущностей Cj, j (1,2, …, m), описывающих состояние Si, будет происходить по другим зависимостям, но все равно стремиться к максимуму, что и требовалось доказать.

Следствие. Для повышения вероятности точности прогноза состояния Si+1, необходимо конкретизировать (локализовать) контекст.

Контекст может быть локализован, как переносом признаков-сущностей из описания состояния Si в описание контекста для описания состояния Si, так и усложнением связей признаков с рассматриваемой ситуацией.

Основные этапы прогнозирования 1. Интерпретируется текущая ситуация. Находится соответствующая 2. Из описания найденной вершины выбираются имена всех связейотношений.

3. Из множества выбранных связей-отношений выбирается наиболее 4. В описании наиболее значимой связи из СПИМ_ВУ выбирается 5. Ситуация, соответствующая этой выбранной вершине будет наиболее вероятной после текущей.

6. Если нет одной вершины, то все вышеперечисленные действия выполняются для каждого признака.

По полученным (прогнозным) признакам распознается ожидаемое состояние.

Значимость связи определяется, например, как в алгоритме муравья, в соответствии с процедурой испарения фермента [8]:

где ij(t) – значимость связи для j-й связи-отношения из описания i-й сущности в текущий момент времени t;

ij(t-1) – значимость связи для j-й связи-отношения из описания i-й сущности в предыдущий момент времени (t-1);

- константа (коэффициент), принимающий значение от0 до 1;

i – имя рассматриваемой сущности.

j – имя связи-отношения из рассматриваемой сущности.

1. Если связь-отношение оказывается "верным", то значимость усиливается за счет укрепления силы связи Аij, которое осуществляется следующим образом:

где Аij (Т) - сила связи для j-й связи-отношения из описания i-й сущности для текущего события во время Т;

Аij (Т-1) - сила связи для j-й связи-отношения из описания i-й сущности для предыдущего события во время (Т-1);

+А – добавка значения силы при "верности" связи-отношения.

Если связь-отношение оказывается "не верным", то значимость понижается за счет снижения силы связи Аij, которое происходит следующим образом:

где Аij (Т) - сила связи для j-й связи-отношения из описания i-й сущности для текущего события во время Т;

Аij (Т-1) - сила связи для j-й связи-отношения из описания i-й сущности для предыдущего события во время (Т-1);

+А – добавка значения силы при "верности" связи-отношения.

2. Если верность происходит часто, то сила достигает максимума и начинает изменяться коэффициент (константа), за счет этого изменения, в данной ситуации, увеличивается период максимальной значимости связи. В итоге значимость может стать постоянно максимальной, что будет соответствовать незыблемости этой связи (знания).

3. Если значимость связи не является постоянно максимальной, то она со временем (рано или поздно) убывает.

4. Если связь снова используется, то значимость связи может снова возрасти до максимума.

5. При "неверности" связи:

– сначала снижается амплитуда ее значимости. Амплитуда может восстановить свое значение при следующем правильном исходе и это дает защиту от ложных оценок использования связи.

– если верность не подтверждается и дальше, то после снижения амплитуды до определенного уровня, например, при новых неверностях начинает изменяться коэффициент (константа), уменьшающий период, когда Атек Апор, и такая связь перестает быть аксиомой. Она становится переменной, а потом может и исчезнуть (имеется в виду возможность ее использования как верной).

Таким образом, сила связи зависит только от "верности" ее использования, а значимость от силы связи, частоты использования этой связи и времени от последнего использования.

Литература к главе 1. Бонгард М.Н. Проблемы узнавания, - М.: Наука, 1967, 320 с.

2. Гаврилова Т.А. Онтологический подход к управлению знаниями при разработке корпоративных информационных систем // Новости искусственного интеллекта. – 2003. - №2. – с. 24-29.

3. Гладун В.П. Растущие пирамидальные сети // Новости искусственного интеллекта. - 2004. - № 1. - с.30-40.

4. Гладун В.П. Планирование решений. - Киев: Наукова думка, 1987с.

5. Гладун В.П. Эвристический поиск в сложных средах. - Киев: Наукова думка, 1977с.

6. Городецкий В., Котенко И. Концептуальные основы стохастического моделирования в среде Интернет // Труды института системного анализа РАН, том 9: Фундаментальные основы информационных технологий и систем. – М.: УРСС, 2005.

7. Джексон Питер Введение в экспертные системы.: Пер. с англ.: Уч. Пос.

- М.: Издательский дом "Вильямс", 2001. - 624 с.

8. Джонс М.Т. Программирование искусственного интеллекта в приложениях / М. Тим Джонс; Пер. с англ. Осипов А.И. - М.: ДМК Пресс, 2004. - 312 с.

9. Дюк В., Самойленко А. Data Mining: уч.. курс. – СПб: Питер, 2001.

10. Ловицкий В.А. Система формирования понятий для объектов, заданных неявным набором признаков. - Проблемы бионики, Харьков, 1977, вып.

18, с 73-81.



Pages:     | 1 | 2 || 4 |


Похожие работы:

«А.Н. КОЛЕСНИЧЕНКО Международные транспортные отношения Никакие крепости не заменят путей сообщения. Петр Столыпин из речи на III Думе О стратегическом значении транспорта Общество сохранения литературного наследия Москва 2013 УДК 338.47+351.815 ББК 65.37-81+67.932.112 К60 Колесниченко, Анатолий Николаевич. Международные транспортные отношения / А.Н. Колесниченко. – М.: О-во сохранения лит. наследия, 2013. – 216 с.: ил. ISBN 978-5-902484-64-6. Агентство CIP РГБ Развитие производительных...»

«РОССИЙСКАЯ АКАДЕМИЯ НАУК ИНСТИТУТ ЛИНГВИСТИЧЕСКИХ ИССЛЕДОВАНИЙ Л. З. Сова АФРИКАНИСТИКА И ЭВОЛЮЦИОННАЯ ЛИНГВИСТИКА САНКТ-ПЕТЕРБУРГ 2008 Л. З. Сова. 1994 г. L. Z. Sova AFRICANISTICS AND EVOLUTIONAL LINGUISTICS ST.-PETERSBURG 2008 УДК ББК Л. З. Сова. Африканистика и эволюционная лингвистика // Отв. редактор В. А. Лившиц. СПб.: Издательство Политехнического университета, 2008. 397 с. ISBN В книге собраны опубликованные в разные годы статьи автора по африканскому языкознанию, которые являются...»

«Министерство образования науки Российской Федерации Российский университет дружбы народов А. В. ГАГАРИН ПРИРОДООРИЕНТИРОВАННАЯ ДЕЯТЕЛЬНОСТЬ УЧАЩИХСЯ КАК ВЕДУЩЕЕ УСЛОВИЕ ФОРМИРОВАНИЯ ЭКОЛОГИЧЕСКОГО СОЗНАНИЯ Монография Издание второе, доработанное и дополненное Москва Издательство Российского университета дружбы народов 2005 Утверждено ББК 74.58 РИС Ученого совета Г 12 Российского университета дружбы народов Работа выполнена при финансовой поддержке РГНФ (проект № 05-06-06214а) Н а у ч н ы е р е...»

«Межрегиональные исследования в общественных науках Министерство образования и науки Российской Федерации ИНОЦЕНТР (Информация. Наука. Образование) Институт имени Кеннана Центра Вудро Вильсона (США) Корпорация Карнеги в Нью-Йорке (США) Фонд Джона Д. и Кэтрин Т. МакАртуров (США) Данное издание осуществлено в рамках программы Межрегиональные исследования в общественных науках, реализуемой совместно Министерством образования и науки РФ, ИНОЦЕНТРом (Информация. Наука. Образование) и Институтом имени...»

«Министерство образования Республики Беларусь УЧРЕЖДЕНИЕ ОБРАЗОВАНИЯ ГРОДНЕНСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ ИМЕНИ ЯНКИ КУПАЛЫ И.И.Веленто ПРОБЛЕМЫ МАКРОПРАВОВОГО РЕГУЛИРОВАНИЯ ОТНОШЕНИЙ СОБСТВЕННОСТИ В РЕСПУБЛИКЕ БЕЛАРУСЬ И РОССИЙСКОЙ ФЕДЕРАЦИИ Монография Гродно 2003 УДК 347.2/.3 ББК 67.623 В27 Рецензенты: канд. юрид. наук, доц. В.Н. Годунов; д-р юрид. наук, проф. М.Г. Пронина. Научный консультант д-р юрид. наук, проф. А.А.Головко. Рекомендовано Советом гуманитарного факультета ГрГУ им....»

«Vinogradov_book.qxd 12.03.2008 22:02 Page 1 Одна из лучших книг по модернизации Китая в мировой синологии. Особенно привлекательно то обстоятельство, что автор рассматривает про цесс развития КНР в широком историческом и цивилизационном контексте В.Я. Портяков, доктор экономических наук, профессор, заместитель директора Института Дальнего Востока РАН Монография – первый опыт ответа на научный и интеллектуальный (а не политический) вызов краха коммунизма, чем принято считать пре кращение СССР...»

«Федеральное агентство по образованию Сибирский федеральный университет Институт естественных и гуманитарных наук Печатные работы профессора, доктора биологических наук Смирнова Марка Николаевича Аннотированный список Составитель и научный редактор канд. биол. наук, доцент А.Н. Зырянов Красноярск СФУ 2007 3 УДК 012:639.11:574 (1-925.11/16) От научного редактора ББК 28.0 П 31 Предлагаемый читателям аннотированный список печатных работ профессора, доктора биологических наук М.Н. Смирнова включает...»

«Камчатский государственный технический университет Профессорский клуб ЮНЕСКО (г. Владивосток) Е.К. Борисов, С.Г. Алимов, А.Г. Усов Л.Г. Лысак, Т.В. Крылова, Е.А. Степанова ЭКСПЕРИМЕНТАЛЬНАЯ ДИНАМИКА СООРУЖЕНИЙ. МОНИТОРИНГ ТРАНСПОРТНОЙ ВИБРАЦИИ Петропавловск-Камчатский 2007 УДК 624.131.551.4+699.841:519.246 ББК 38.58+38.112 Б82 Рецензенты: И.Б. Друзь, доктор технических наук, профессор Н.В. Земляная, доктор технических наук, профессор В.В. Юдин, доктор физико-математических наук, профессор,...»

«Министерство сельского хозяйства Российской Федерации Федеральное государственное образовательное учреждение высшего профессионального образования Мичуринский государственный аграрный университет А.Г. КУДРИН ФЕРМЕНТЫ КРОВИ И ПРОГНОЗИРОВАНИЕ ПРОДУКТИВНОСТИ МОЛОЧНОГО СКОТА Мичуринск - наукоград РФ 2006 PDF created with FinePrint pdfFactory Pro trial version www.pdffactory.com УДК 636.2. 082.24 : 591.111.05 Печатается по решению редакционно-издательского ББК 46.0–3:28.672 совета Мичуринского...»

«АКАДЕМИЯ НАУК РЕСПУБЛИКИ ТАДЖИКИСТАН Г.Н. Петров, Х.М. Ахмедов Комплексное использование водно-энергетических ресурсов трансграничных рек Центральной Азии. Современное состояние, проблемы и пути решения Душанбе – 2011 г. ББК – 40.62+ 31.5 УДК: 621.209:631.6:626.8 П – 30. Г.Н.Петров, Х.М.Ахмедов. Комплексное использование водно-энергетических ресурсов трансграничных рек Центральной Азии. Современное состояние, проблемы и пути решения. – Душанбе: Дониш, 2011. – 234 с. В книге рассматриваются...»

«Д.В. БАСТРЫКИН, А.И. ЕВСЕЙЧЕВ, Е.В. НИЖЕГОРОДОВ, Е.К. РУМЯНЦЕВ, А.Ю. СИЗИКИН, О.И. ТОРБИНА УПРАВЛЕНИЕ КАЧЕСТВОМ НА ПРОМЫШЛЕННОМ ПРЕДПРИЯТИИ МОСКВА ИЗДАТЕЛЬСТВО МАШИНОСТРОЕНИЕ-1 2006 Д.В. БАСТРЫКИН, А.И. ЕВСЕЙЧЕВ, Е.В. НИЖЕГОРОДОВ, Е.К. РУМЯНЦЕВ, А.Ю. СИЗИКИН, О.И. ТОРБИНА УПРАВЛЕНИЕ КАЧЕСТВОМ НА ПРОМЫШЛЕННОМ ПРЕДПРИЯТИИ Под научной редакцией доктора экономических наук, профессора Б.И. Герасимова МОСКВА ИЗДАТЕЛЬСТВО МАШИНОСТРОЕНИЕ-1 УДК 655.531. ББК У9(2)305. У Р е ц е н з е н т ы:...»

«МЕДИЦИНСКАЯ АКАДЕМИЯ ПОСЛЕДИПЛОМНОГО ОБРАЗОВАНИЯ В. В. Афанасьев, И. Ю. Лукьянова Особенности применения цитофлавина в современной клинической практике Санкт-Петербург 2010 Содержание ББК *** УДК *** Список сокращений.......................................... 4 Афанасьев В. В., Лукьянова И. Ю. Особенности применения ци тофлавина в современной клинической практике. — СПб., 2010. — 80 с. Введение.................................»

«Н.А. Березина РАСШИРЕНИЕ АССОРТИМЕНТА И ПОВЫШЕНИЕ КАЧЕСТВА РЖАНО-ПШЕНИЧНЫХ ХЛЕБОБУЛОЧНЫХ ИЗДЕЛИЙ С САХАРОСОДЕРЖАЩИМИ ДОБАВКАМИ МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКОЙ ФЕДЕРАЦИИ ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ БЮДЖЕТНОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ ВЫСШЕГО ПРОФЕССИОНАЛЬНОГО ОБРАЗОВАНИЯ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ - УЧЕБНО-НАУЧНО-ПРОИЗВОДСТВЕННЫЙ КОМПЛЕКС Н.А. Березина РАСШИРЕНИЕ АССОРТИМЕНТА И ПОВЫШЕНИЕ КАЧЕСТВА РЖАНО-ПШЕНИЧНЫХ ХЛЕБОБУЛОЧНЫХ ИЗДЕЛИЙ С САХАРОСОДЕРЖАЩИМИ ДОБАВКАМИ...»

«КАЗАХСТАНСКИЙ ИНСТИТУТ СТРАТЕГИЧЕСКИХ ИССЛЕДОВАНИЙ ПРИ ПРЕЗИДЕНТЕ РЕСПУБЛИКИ КАЗАХСТАН МУРАТ ЛАУМУЛИН ЦЕНТРАЛЬНАЯ АЗИЯ В ЗАРУБЕЖНОЙ ПОЛИТОЛОГИИ И МИРОВОЙ ГЕОПОЛИТИКЕ Том V Центральная Азия в XXI столетии Алматы – 2009 УДК 327 ББК 66.4 (0) Л 28 Рекомендовано к печати Ученым Советом Казахстанского института стратегических исследований при Президенте Республики Казахстан Научное издание Рецензенты: Доктор исторических наук, профессор Байзакова К.И. Доктор политических наук, профессор Сыроежкин...»

«Министерство здравоохранения Российской Федерации Тихоокеанский государственный медицинский университет В.А. Дубинкин А.А. Тушков Факторы агрессии и медицина катастроф Монография Владивосток Издательский дом Дальневосточного федерального университета 2013 1 УДК 327:614.8 ББК 66.4(0):68.69 Д79 Рецензенты: Куксов Г.М., начальник медико-санитарной части УФСБ России по Приморскому краю, полковник, кандидат медицинских наук; Партин А.П., главный врач Центра медицины катастроф Приморского края;...»

«ИННОВАЦИОННО-ОРИЕНТИРОВАННАЯ ПОДГОТОВКА ИНЖЕНЕРНЫХ, НАУЧНЫХ И НАУЧНО-ПЕДАГОГИЧЕСКИХ КАДРОВ С.И. ДВОРЕЦКИЙ, Е.И. МУРАТОВА, И.В. ФЁДОРОВ ИННОВАЦИОННО-ОРИЕНТИРОВАННАЯ ПОДГОТОВКА ИНЖЕНЕРНЫХ, НАУЧНЫХ И НАУЧНО-ПЕДАГОГИЧЕСКИХ КАДРОВ ИЗДАТЕЛЬСТВО ТГТУ Министерство образования и науки Российской Федерации ГОУ ВПО Тамбовский государственный технический университет С.И. ДВОРЕЦКИЙ, Е.И. МУРАТОВА, И.В. ФЁДОРОВ ИННОВАЦИОННО-ОРИЕНТИРОВАННАЯ ПОДГОТОВКА ИНЖЕНЕРНЫХ, НАУЧНЫХ И НАУЧНО-ПЕДАГОГИЧЕСКИХ КАДРОВ...»

«В.Н. Ш кунов Где волны Инзы плещут. Очерки истории Инзенского района Ульяновской области Ульяновск, 2012 УДК 908 (470) ББК 63.3 (2Рос=Ульян.) Ш 67 Рецензенты: доктор исторических наук, профессор И.А. Чуканов (Ульяновск) доктор исторических наук, профессор А.И. Репинецкий (Самара) Шкунов, В.Н. Ш 67 Где волны Инзы плещут.: Очерки истории Инзенского района Ульяновской области: моногр. / В.Н. Шкунов. - ОАО Первая Образцовая типография, филиал УЛЬЯНОВСКИЙ ДОМ ПЕЧАТИ, 2012. с. ISBN 978-5-98585-07-03...»

«УА0600900 А. А. Ключников, Э. М. Ю. М. Шигера, В. Ю. Шигера РАДИОАКТИВНЫЕ ОТХОДЫ АЭС И МЕТОДЫ ОБРАЩЕНИЯ С НИМИ Чернобыль 2005 А. А. Ключников, Э. М. Пазухин, Ю. М. Шигера, В. Ю. Шигера РАДИОАКТИВНЫЕ ОТХОДЫ АЭС И МЕТОДЫ ОБРАЩЕНИЯ С НИМИ Монография Под редакцией Ю. М. Шигеры Чернобыль ИПБ АЭС НАН Украины 2005 УДК 621.039.7 ББК31.4 Р15 Радиоактивные отходы АЭС и методы обращения с ними / Ключников А.А., Пазухин Э. М., Шигера Ю. М., Шигера В. Ю. - К.: Институт проблем безопасности АЭС НАН Украины,...»

«ТЕПЛОГЕНЕРИРУЮЩИЕ УСТАНОВКИ СИСТЕМ ТЕПЛОСНАБЖЕНИЯ В.М. ФОКИН ТЕПЛОГЕНЕРИРУЮЩИЕ УСТАНОВКИ СИСТЕМ ТЕПЛОСНАБЖЕНИЯ МОСКВА ИЗДАТЕЛЬСТВО МАШИНОСТРОЕНИЕ-1 2006 Т Т В Н В.М. ФОКИН ТЕПЛОГЕНЕРИРУЮЩИЕ УСТАНОВКИ СИСТЕМ ТЕПЛОСНАБЖЕНИЯ МОСКВА ИЗДАТЕЛЬСТВО МАШИНОСТРОЕНИЕ-1 УДК 621. ББК 31. Ф Рецензент Заслуженный деятель науки РФ, доктор технических наук, профессор, заведующий кафедрой Теплоэнергетика Астраханского государственного технического университета, А.К. Ильин Фокин В.М. Ф75 Теплогенерирующие...»

«Семченко В.В. Ерениев С.И. Степанов С.С. Дыгай А.М. Ощепков В.Г. Лебедев И.Н. РЕГЕНЕРАТИВНАЯ БИОЛОГИЯ И МЕДИЦИНА Генные технологии и клонирование 1 Министерство сельского хозяйства Российской Федерации Министерство здравоохранения и социального развития Российской Федерации Омский государственный аграрный университет Институт ветеринарной медицины и биотехнологий Всероссийский научно-исследовательский институт бруцеллеза и туберкулеза животных Россельхозакадемии Российский национальный...»








 
© 2013 www.diss.seluk.ru - «Бесплатная электронная библиотека - Авторефераты, Диссертации, Монографии, Методички, учебные программы»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.