Проблемная ориентация нейросетевых вычислений

Общие сведения о нейросетевых вычислениях

Тема: Информационные системы искусственного интеллекта

ЛЕКЦИИ 16-17

Экспертные системы (ЭС). Структура ЭС. Роль ЭС в информационно-технологической поддержке процессов принятия решений. Применение ЭС в экономике.

Нейросетевой подход показал свою эффективность как при решении плохо формализованных задач распознавания, кластеризации, ассоциативного по­иска, так и при решении хорошо формализованных, но трудоемких задач аппроксимации функций многих переменных и оптимизационных задач.

Для плохо формализованных задач характерно отсутствие разработанных моделей, приводящих к расчетным формулам, или цепочек простых действий, последовательное, быть может, многократное применение которых дает искомый результат.

В задаче аппроксимации функций многих переменных при использовании традиционных методов для получения требуемой точности при увеличении размерности функции необходимо увеличивать число членов линейной комбинации фиксированных базисных функций, что делает практически неприемлемым использование этих методов в задачах большой размерности. При нейросетевом подходе точность аппроксимации при любой раз­мерности аппроксимируемой функции зависит только от числа членов ли­нейной комбинации базисных функций.

Для оптимизационных задач, относящихся к классу NP-полных, не сущест­вует другого точного метода решения кроме полного перебора n! возможных вариантов решения, где n — размерность задачи. Нейросетевые алгоритмы обеспечивают достижение приемлемых приближенных решений этих задач.

Практическая важность перечисленных задач — безусловна. Приведем типовые постановки этих задач.

Распознавание образов. Задача состоит в отнесении входного набора данных, представляющего распознаваемый объект, к одному из заранее известных классов. В число этих задач входит распознавание рукописных и печатных символов при оптическом вводе в ЭВМ, распознавание типов клеток крови, распознавание речи и др.

Кластеризация данных. Задача состоит в группировке входных данных по присущей им "близости". Алгоритм определения близости данных (опреде­ление расстояния между векторами, вычисление коэффициента корреляции и другие способы) закладывается в нейросеть при ее построении. Сеть кла­стеризует данные на заранее неизвестное число кластеров. Наиболее извест­ные применения кластеризации связаны со сжатием данных, анализом дан­ных и поиском в них закономерностей.

Аппроксимация функций. Имеется набор экспериментальных данных {(Х1 , Y1), ... ..., (Хn , Yn)}, представляющий значения Yi неизвестной функции от много­мерного аргумента Xi , i= 1, ..., n. Требуется найти функцию, аппроксими­рующую неизвестную и удовлетворяющую некоторым критериям. Эта задача актуальна при моделировании сложных систем и создании систем управле­ния сложными динамическими объектами.

Предсказание. Имеется набор {y(t1), y(t2), … , y(tn)} значений у, представляю­щих поведение системы в моменты времени t1 , t2 , … , tn . Требуется по пре­дыдущему поведению системы предсказать ее поведение y(tn+1 ) в момент времени tn+1 . Эта задача актуальна для управления складскими запасами, автоматизированных систем поддержки принятия решений.

Оптимизация. Цель этих задач найти решение NP-полной проблемы, удовлетворяющее ряду ограничений и оптимизирующее значение целевой функ­ции. К числу этих задач относится, например, задача коммивояжера.

Контекстно-адресуемая (ассоциативная) память. Эта память позволяет считы­вать содержимое по частичному или искаженному представлению входных данных. Основная область применения — мультимедийные базы данных.

В отличие от программ, базирующихся на правилах типа "если А, то Б", нейронная сеть может экстраполировать результат. Еще одно преимущество нейросетей перед программами, базирующимися на правилах, состоит в том, что учет новых фактов заключается в переобучении сети с их участием, а не в переделывании правил программы и ее переписывании. Кроме того, настройка нейронной сети на большем числе примеров может не увеличи­вать время ее работы (например, при сохранении графа сети), а введение новых дополнительных правил замедляет работу программы.

Вообще говоря, чем более изучена проблема, тем выше вероятность приме­нения для ее решения алгоритмов, основанных на формулах и правилах. Однако при ограниченном количестве экспериментальных данных нейрон­ные сети являются аппаратом, позволяющим максимально использовать имеющуюся информацию. Характерный пример использования ней­ронных сетей дают системы оптического считывания и распознавания сим­волов. Среди 10 лучших систем есть как основанные на нейросетевом под­ходе, так и системы, использующие программы, основанные на правилах.