И наконец, в экспертной системе должен присутствовать модуль, который способен при помощи механизма логического вывода, "предложить разумный совет или осуществить разумное решение поставленной задачи", сопровождая его по требованию пользователя различными комментариями, поясняющими ход проведенных рассуждений. Модуль, реализующий эти функции, называется модулем советов и объяснений. Следует отметить, что механизм объяснений играет весьма важную роль, позволяя повысить степень доверия пользователя к полученному результату. Кроме того, он важен не только для пользователя системы, но и для эксперта, который с его помощью определяет, как работает система и как используются предоставленные им знания.
Важность экспертных систем состоит в следующем:
-технология экспертных систем существенно расширяет круг практически значимых задач, решаемых на компьютерах, решение которых приносит значительный экономический эффект;
- ЭС будут играть ведущую роль во всех фазах проектирования, разработки, производства, распределения, продажи, поддержки и оказания услуг;
- технология ЭС, получившая коммерческое распространение, обеспечит революционный прорыв в создании интеллектуально взаимодействующих модулей.
Использовать ЭС следует только тогда, когда разработка ЭС возможна, оправдана и методы инженерии знаний соответствуют решаемой задаче. Применение ЭС может быть оправдано одним из следующих факторов:
- решение задачи принесет значительный эффект, например экономический;
- использование человека-эксперта невозможно либо из-за недостаточного количества экспертов, либо из-за необходимости выполнять экспертизу одновременно в различных местах;
- использование ЭС целесообразно в тех случаях, когда при передаче информации эксперту происходит недопустимая потеря времени или информации;
- использование ЭС целесообразно при необходимости решать задачу в окружении, враждебном для человека.
При разработке реальных экспертных систем в большинстве случаев используют так называемые языки искусственного интеллекта типа ЛИСП и ПРОЛОГ.
Cистемы поддержки принятия решений.
Системы поддержки принятия решений (СППР- DecisionSupportSystem - DSS)– это информационные системы, разработанные для помощи менеджеру (лицу, принимающему решения – ЛПР) в принятии решений управления, объединяя данные, сложные аналитические модели и удобное для него программное обеспечение в единую ИС.
Существенное отличие СППР от вышеописанных экспертных систем состоит в том, что СППР призвана помочь человеку (ЛПР) в решении стоящей перед ним проблемы, а экспертные системы стараются заменить человека при решении некоторой проблемы.
СППР предоставляют возможность ЛПР оценить (ранжировать) альтернативные варианты решения (далее - альтернативы). Решение о выборе альтернативы принимает человек.
При этом существуют вариант без использования критериев и критериальный вариант.
1. Вариант без использования критериев оценки альтернатив.
В этом случае СППР должна решить следующие задачи:
2. Критериальный вариант оценки альтернатив.
При использовании критериальный варианта СППР необходимо решать задачи :
Реализация этого варианта СППР требует решения некоторых нетривиальных проблем:
Нейронные сети
Нейронные сети – это раздел технологий искусственного интеллекта, в котором для обработки информации используются явления, аналогичные происходящих в нейронах живого существа. Первая модель нейронной сети была разработана в 1943 г.
Нервная система и мозг человека состоят из нейронов, соединенных между собой нервными волокнами. Нервные волокна способны передавать электрические импульсы между нейронами. Все процессы передачи раздражений от нашей кожи, ушей и глаз к мозгу, процессы мышления и управления действиями - все это реализовано в живом организме как передача электрических импульсов между нейронами.
Рассмотрим строение биологического нейрона. Каждый нейрон имеет отростки нервных волокон двух типов - дендриты, по которым принимаются импульсы, и единственный аксон, по которому нейрон может передавать импульс. Аксон контактирует с дендритами других нейронов через специальные образования - синапсы, которые влияют на силу импульса.
Импульсы, поступившие к нейрону одновременно по нескольким дендритам, суммируются. Если суммарный импульс превышает некоторый порог, нейрон возбуждается, формирует собственный импульс и передает его далее по аксону.
На рисунке 3 изображена модель нейрона с тремя входами (дендритами), причем синапсы этих дендритов имеют веса w1, w2, w3. Пусть к синапсам поступают импульсы силы x1, x2, x3 соответственно, тогда после прохождения синапсов и дендритов к нейрону поступают импульсы w1x1, w2x2, w3x3.
Нейрон преобразует полученный суммарный импульс:
x=w1x1+ w2x2+ w3x3 в соответствии с некоторой передаточной функцией f(x).
Сила выходного импульса равна: y=f(x)=f(w1x1+ w2x2+ w3x3).
Таким образом, нейрон полностью описывается своими весами wk и передаточной функцией f(x). В зависимости от вида функции f (x) и способа определения весов w i известны такие модели нейронов как модель персептрона (модель МакКаллока- Питса), нейрон сигмоидального типа, нейрон адаптивного типа, нейрон Гроссберга , нейрон Хебба и т.д.
Получив набор чисел (вектор) xk в качестве входов, нейрон выдает некоторое число y на выходе.
Искусственная нейронная сеть (ИНС, нейросеть) - это набор нейронов, соединенных между собой. Как правило, передаточные функции f (x) всех нейронов в сети фиксированы, а веса w i являются параметрами сети и могут изменяться.
В общем случае архитектуру нейронной сети можно разделить на однослойную и многослойную модель ( рисунок 4).
Основной смысл работы нейронной сети заключается в возможности классифицировать (распознавать) вектор входных сигналов X по заранее обученным образцам этого вектора. Процесс обучения происходит за счет изменения весовых коэффициентов wi.
В самом общем случае это происходит следующим образом. Из базы данных образцов выбирается побразец Xi. На выходе сети анализируется выходной вектор Yi, который должен однозначно соответствовать образцу Xi. Если соответствие не наблюдается, анализируется ошибка между выходным сигналом Yi входным сигналом Xi. В случае большой ошибки происходит корректировка соответствующих весов wi до тех пор пока ошибка не станет равной допустимой величине, процесс обучения останавливается и сеть считается обученной. Затем из базы данных выбирается другой образец Xi+1 и процесс обучения повторяется (рисунок 5). Следует отметить, что для корректировки весов wi в настоящее время разработано большое количество алгоритмов.
Таким образом использование нейронной сети состоит из трех основных этапов:
1. Выбор типа (архитектуры) сети.
2. Подбор весов (обучение) сети.
3. Использование обученной сети для прикладных задач.
Список источников:
1. http://www.aiportal.ru
2. http://5fan.ru
Комментарии
4 года 18 недель назад
4 года 18 недель назад
4 года 19 недель назад
4 года 30 недель назад
4 года 32 недели назад
4 года 42 недели назад
4 года 50 недель назад
6 лет 22 недели назад
6 лет 41 неделя назад
6 лет 42 недели назад