Курсовая работа: Интелектуальные системы и технологии в экономике

Возможности электронно-вычислительных машин уже никого не удивляют. Компьютеризация различных областей человеческой деятельности, помимо прямого эффекта от внедрения вычислительной техники, зачастую порождает новые классы программных продуктов и технологии их разработки. Любая технология - это прежде всего поле интеллектуальной деятельности для специалистов, однако, в отличии от других видов деятельности технологии разработки программных продуктов немедленно становятся объектами автоматизации, что выводит соответствующий раздел программирования на новый уровень развития.

Типичную эволюцию от конкретных программ до инструментальных средств разработки прошли системы, основанные на знаниях, и в первую очередь - экспертные системы, предназначенные для решения задач из тех областей, где решающую роль играют знания и опыт профессиональной деятельности. В экспертных системах поиск решений осуществляется посредством имитации рассуждений, присущих выдающимся профессионалам. Формализованные знания составляют ядро экспертной системы - ее базу знаний. Остальные блоки системы реализуют функции преобразования знаний и определяются не столько содержимым знаний, сколько свойствами их формальных структур.

1. Понятие искусственного интеллекта. Представление знаний и разработка систем, основанных на знаниях

Термин интеллект (intelligence) происходит от латинского intellectus — что означает ум, рассудок, разум; мыслительные способности человека. Соответственно искусственный интеллект (artificial intelligence) — ИИ (AI) обычно толкуется как свойство автоматических систем брать на себя отдельные функции интеллекта человека, например, выбирать и принимать оптимальные решения на основе ранее полученного опыта и рационального анализа внешних воздействий.

Интеллектом называется способность мозга решать (интеллектуальные) задачи путем приобретения, запоминания и целенаправленного преобразования знаний в процессе обучения на опыте и адаптации к разнообразным обстоятельствам.

В этом определении под термином "знания" подразумевается не только ту информацию, которая поступает в мозг через органы чувств. Такого типа знания чрезвычайно важны, но недостаточны для интеллектуальной деятельности. Дело в том, что объекты окружающей нас среды обладают свойством не только воздействовать на органы чувств, но и находиться друг с другом в определенных отношениях. Ясно, что для того, чтобы осуществлять в окружающей среде интеллектуальную деятельность (или хотя бы просто существовать), необходимо иметь в системе знаний модель этого мира. В этой информационной модели окружающей среды реальные объекты, их свойства и отношения между ними не только отображаются и запоминаются, но и, как это отмечено в данном определении интеллекта, могут мысленно "целенаправленно преобразовываться". При этом существенно то, что формирование модели внешней среды происходит "в процессе обучения на опыте и адаптации к разнообразным обстоятельствам".

1.2. Представление знаний

Представление знаний — вопрос, возникающий в когнитологии (науке о мышлении) и в искусственном интеллекте. В когнитологии он связан с тем, как люди хранят и обрабатывают информацию. В Искусственном интеллекте (ИИ) основная цель — научиться хранить знания таким образом, чтобы программы могли обрабатывать их и достигнуть подобия человеческого интеллекта. Исследователи ИИ используют теории представления знаний из когнитологии. Такие методы как фреймы, правила и семантические сети пришли в ИИ из теорий обработки информации человеком. Так как знание используется для достижения разумного поведения, фундаментальной целью дисциплины представления знаний является поиск таких способов представления, которые делают возможным процесс логического вывода, то есть создание выводов из знаний.

Некоторые вопросы, которые возникают в представлении знаний с точки зрения ИИ:

·           Как люди представляют знания?

·           Какова природа знаний и как мы их представляем?

·           Должна ли схема представления связываться с частной областью знаний, или она должна быть общецелевой?

·           Насколько выразительна данная схема представления?

·           Должна ли быть схема декларативной или процедурной?

Было очень немного обсуждения вопросов представления знаний и исследования в данной области. Есть хорошо известные проблемы, такие как "spreading activation, " (задача навигации в сети узлов) «категоризация» (это связано с выборочным наследованием; например вездеход можно считать специализацией (особым случаем) автомобиля, но он наследует только некоторые характеристики) и «классификация». Например, помидор можно считать как фруктом, так и овощем.

В области искусственного интеллекта, решение задач может быть упрощено правильным выбором метода представления знаний. Определенный метод может сделать какую-либо область знаний легко представимой. Например диагностическая экспертная система Мицин использовала схему представления знаний основанную на правилах. Неправильный выбор метода представления затрудняет обработку. В качестве аналогии можно взять вычисления в индо-арабской или римской записи. Деление в столбик проще в первом случае и сложнее во втором. Аналогично, не существует такого способа представления, который можно было бы использовать во всех задачах, или сделать все задачи одинаково простыми.

Проблема формирования баз знаний является сложной и многогранной. Если ограничить рассмотрение этой проблемы задачей извлечения личных знаний эксперта, то можно сформулировать основные требования и принципы построения программных систем, автоматизирующих процесс формирования баз знаний. Системы такого рода именуются автоматизированными системами инженерии знаний.

1.3. Задача формирования баз знаний

При всей претенциозности своего названия, инженерия знаний является дисциплиной сугубо прозаической, в ее задачу входит разработка практически полезных программ для слабо "математизированных" областей человеческой деятельности. Главным аргументом в пользу плодотворности такого подхода является факт существования в реальной жизни института экспертов - классных профессионалов, способных решать плохо формализуемые задачи из той или иной проблемной области.

С точки зрения инженерии знаний, в любой прикладной программе (по-крайней мере теоретически) можно выделить компоненту, содержащую знания о проблемной области. Именно эта компонента, именуемая базой знаний, определяет практическую ценность программы. Построение базы знаний требует специальных изысканий в проблемной области, в то время как остальные блоки программы находятся полностью в ведении программиста.

В настоящее время известны четыре основных способа представления знаний, из которых можно конструировать "гибридные" способы представления знаний.

·          Продукционные системы

·          Семантические сети

·          Фреймы

·          Логические исчисления

·          Комбинированные способы представления знаний

·          Модели проблемных областей

2. Распознавание образов и машинный перевод

2.1 Понятие образа

Образ,  класс – классификационная  группировка  в  системе  классификации, объединяющая  определенную  группу  объектов  по  некоторому  признаку.  Образное восприятие мира – одно из свойств живого мозга, позволяющее разобраться в бесконечном потоке  воспринимаемой  информации  и  сохранять  ориентацию  в  разрозненных  данных  о внешнем  мире.  Воспринимая  внешний  мир,  мы  всегда  производим  классификацию информации,  т.  е.  разбиваем  их  на  группы  похожих,  но  не  тождественных  явлений. Это свойство мозга позволяет сформулировать такое понятие, как образ. 

Способность восприятия внешнего мира  в форме образов позволяет с определенной достоверностью  узнавать  бесконечное  число  объектов  на  основании  ознакомления  с конечным  их  числом,  а  объективный  характер  основного  свойства  образов  позволяет моделировать процесс их распознавания. 

2.2 Проблема распознавания образов

Распознавание образов – это задача идентификации объекта или определения  каких-либо  его  свойств  по  его  изображению (оптическое  распознавание)  или  аудиозаписи (акустическое распознавание). В процессе биологической эволюции многие животные с помощью  зрительного  и  слухового  аппарата  решили  эту  задачу  достаточно  хорошо. Создание  искусственных  систем  с  функциями  распознавания  образов  остаётся  сложной технической проблемой.

Рис. 2.1. Пример объектов обучения. 

В целом проблема распознавания образов (ПРО) состоит из двух частей: обучения и распознавания. Обучение осуществляется путем показа отдельных объектов с указанием их принадлежности  тому  или  другому  образу.  В  результате  обучения распознающая  система должна приобрести способность реагировать одинаковыми реакциями на все объекты одного образа и другими реакциями - на все объекты отличимых образов. Очень важно, что процесс обучения  должен  завершиться только  путем показов конечного числа объектов. В качестве объектов  обучения  могут  быть  либо  картинки (рис. 2.1), либо  другие  визуальные изображения (буквы, цифры). Важно, что в процессе обучения указываются только сами объекты и их принадлежность образу. За обучением следует процесс распознавания  новых объектов,  который  характеризует  действия  уже  обученной  системы.  Автоматизация этих процедур и составляет проблему обучения распознаванию образов. В том случае, когда человек  сам  разгадывает  или  придумывает,  а  затем  навязывает  машине  правило классификации,  проблема  распознавания  решается частично,  так  как  основную и главную часть проблемы (обучение) человек берет на себя.

Круг задач, которые могут решаться с помощью распознающих систем, чрезвычайно широк. Сюда относятся не только задачи распознавания зрительных и слуховых образов, но и задачи классификации сложных процессов и явлений, возникающих, например, при выборе целесообразных действий руководителем предприятия или выборе оптимального управления технологическими,  экономическими, транспортными  или  военными  задачами.  Прежде  чем начать  анализ  какого-либо  объекта,  нужно  получить о нем определенную, упорядоченную информацию. 

Выбор исходного описания объектов является одной из центральных задач проблемы распознавания образов. При удачном выборе исходного описания (пространства признаков) задача  распознавания  может  оказаться  тривиальной  и,  наоборот,  неудачно  выбранное исходное  описание  может  привести  либо  к  очень  сложной  дальнейшей  переработку информации, либо вообще к отсутствию решения.

2.5 Обучение, самообучение и адаптация

Обучение – это  процесс,  в  результате  которого  система  постепенно  приобретает способность  отвечать  нужными  реакциями  на  определенные  совокупности  внешних воздействий,  а  адаптация – это  подстройка  параметров  и  структуры  системы  с  целью достижения требуемого  качества управления в условиях непрерывных изменений внешних условий.  Все  картинки,  представленные  на  рис. 2.1, характеризуют  задачу  обучения.  В каждой  из  этих  задач  задается  несколько  примеров (обучающая  последовательность) правильно  решенных  задач.  Если  бы  удалось  подметить  некое  всеобщее  свойство,  не зависящее  ни  от  природы  образов,  ни  от  их  изображений,  а  определяющее  лишь  их способность  к  разделимости,  то  наряду  с  обычной  задачей  обучения  распознаванию  с использованием  информации  о  принадлежности  каждого  объекта  из  обучающей последовательности  тому  или  иному  образу,  можно  было  бы  поставить  иную классификационную  задачу – так  называемую  задачу  обучения без учителя. Задачу  такого рода  на  описательном  уровне  можно  сформулировать  следующим  образом:  системе одновременно или последовательно предъявляются объекты без каких-либо указаний об их принадлежности к образам. Входное устройство системы отображает множество объектов на множество  изображений  и,  используя  некоторое  заложенное  в  нее  заранее  свойство разделимости образов,  производит  самостоятельную  классификацию  этих объектов. После такого процесса самообучения система должна приобрести способность к распознаванию не только  уже  знакомых  объектов (объектов  из  обучающей  последовательности),  но  и  тех, которые  ранее не  предъявлялись. Процессом самообучения некоторой системы называется такой  процесс,  в  результате  которого  эта  система  без  подсказки  учителя  приобретает способность  к  выработке  одинаковых  реакций на  изображения объектов одного и  того  же образа и различных реакций на изображения различных образов. Роль учителя при этом состоит лишь в подсказке системе некоторого объективного свойства, одинакового для всех образов и определяющего способность к разделению множества объектов на образы. Таким объективным  свойством является свойство компактности образов. Взаимное расположение точек  в выбранном пространстве  уже  содержит  информацию о  том,  как  следует разделить множество точек. Эта информация и определяет то свойство разделимости образов, которое оказывается достаточным для самообучения системы распознаванию образов.

Обучением обычно называют процесс выработки в некоторой системе той или иной реакции  на  группы  внешних  идентичных  сигналов  путем  многократного  воздействия  на систему  внешней  корректировки.  Такую  внешнюю  корректировку  в  обучении  принято называть " поощрениями"  и " наказаниями".  Механизм  генерации  этой  корректировки практически  полностью  определяет  алгоритм  обучения. Самообучение  отличается  от обучения  тем,  что  здесь  дополнительная  информация  о  верности  реакции  системе  не сообщается.

Адаптация – это процесс изменения параметров и структуры системы, а возможно, и управляющих  воздействий  на  основе  текущей  информации  с  целью  достижения определенного  состояния  системы  при  начальной  неопределенности  и  изменяющихся условиях работы.

Возможен  способ  построения  распознающих  машин,  основанный  на  различении каких-либо признаков подлежащих распознаванию фигур. В качестве признаков могут быть выбраны  различные  особенности  фигур,  например,  их  геометрические  свойства (характеристики  составляющих  фигуры  кривых),  топологические  свойства ( взаимное расположение  элементов  фигуры)  и  т.п.  Известны  распознающие  машины,  в  которых различение букв или цифр производится, по так называемому “методу зондов” (рис. 2.2), т.е. по  числу  пересечений  контура  фигуры  с  несколькими  особым  образом  расположенными прямыми.

Рис. 2.2 Схема расположения зондов для распознавания цифр.

 Если  проектировать  цифры  на  поле  с  зондами,  то  окажется,  что  каждая  из  цифр пересекает вполне определенные зонды, причем комбинации пересекаемых зондов различны для всех  десяти цифр. Эти комбинации  и используются  в качестве признаков,  по которым производится различение цифр. Такие машины успешно справляются, например, с чтением машинописного текста, но их возможности ограничены тем шрифтом (или группой сходных шрифтов),  для  которого  была  разработана  система  признаков. Работа  по  созданию набора эталонных фигур или системы признаков должна производиться человеком. Качество работы машины, т. е. надежность “узнавания” предъявляемых фигур определяется качеством этой  предварительной  подготовки  и  без  участия  человека  не  может  быть  повышено. Описанная машина не являются обучающейся машиной.

Моделирование  процесса  обучения  подразумевает  обучение,  которому  не предшествует  сообщение  машине  каких-либо  сведений  о  тех  образах,  распознаванию которых  она  должна  научиться;  само  обучение  заключается  в  предъявлении  машине некоторого конечного числа объектов каждого образа. В  результате  обучения  машина должна  оказаться  способной  узнавать  сколь  угодно  большое  число  новых  объектов, относящихся  к  тем  же  образам.  Таким  образом,  имеется  в  виду  следующая  схема экспериментов:

 а)  никакие  сведения  о  подлежащих  классификации  образах  в  машину  заранее  не вводятся;

 б) в ходе обучения машине предъявляется некоторое количество объектов каждого из подлежащих  классификации  образов  и (при  моделировании  процесса  обучения “с учителем”) сообщается, к какому образу относится каждый объект;

 в) машина автоматически обрабатывает полученную информацию, после чего

 г) с достаточной надежностью различает сколь  угодно большое число новых, ранее ей не предъявлявшихся объектов из образов.

Машины, работающие по такой схеме, называются узнающими машинами.

2.6 Преобразование изображений в цифровой код

Для  того  чтобы  ввести изображение  в  машину,  нужно  перевести его на  машинный язык,  т.е.  закодировать,  представить  в  виде  некоторой  комбинации  символов,  которыми может  оперировать  машина.  Кодирование  плоских  фигур  можно  осуществить  самым различным  образом.  Лучше  стремиться  к  наиболее “ естественному”  кодированию изображений.  Будем  рисовать  фигуры  на  некотором  поле,  разбитом  вертикальными  и горизонтальными  прямыми на  одинаковые элементы – квадратики.  Элементы, на  которые упало  изображение,  будем  сплошь  зачернять,  остальные – оставлять  белыми.  Условимся обозначать  черные  элементы  единицей,  белые – нулем.  Введем  последовательную нумерацию всех  элементов  поля,  например, в  каждой  строке  слева  направо  и по  строкам сверху  вниз.  Тогда  каждая  фигура,  нарисованная  на  таком  поле,  будет  однозначно отображаться  кодом,  состоящим  из  стольких  цифр (единиц  и  нулей),  сколько  элементов содержит поле. 

Рис 2.3 Примеры проецирования и кодирования изображений.

 Такое  кодирование (рис. 2.3) считается “ естественным”  потому,  что  разбиение изображения  на  элементы  лежит  в  основе  работы  нашего  зрительного  аппарата. Действительно,  сетчатка  глаза состоит  из  большого  числа  отдельных чувствительных  элементов (так  называемых  палочек  и  колбочек),  связанных  нервными волокнами  со зрительными отделами головного мозга.  Чувствительные элементы  сетчатки передают  по  своим  нервным  волокнам  в  головной  мозг  сигналы,  интенсивность  которых зависит от освещенности данного элемента. Таким образом, изображение, спроектированное оптической системой глаза на сетчатку, разбивается палочками и колбочками на отдельные участки, и по элементам в некотором коде передается в мозг. Отдельные элементы поля называются рецепторами, а само поле – полем рецепторов.

Совокупность  всех плоских  фигур,  которые можно изобразить  на  поле  рецепторов, составляет некое множество.  Каждая конкретная фигура  из этой совокупности есть объект этого множества. Любому их таких объектов соответствует определенный код. Точно также любому  коду  соответствует  определенное  изображение  на  поле  рецепторов.  Взаимно однозначное  соответствие  между  кодами  и  изображениями  позволит  оперировать  только кодами, помня о том, что изображение всегда может быть воспроизведено по его коду. 

Емкость ИНС – число образов, предъявляемых на входы ИНС для распознавания. Для разделения множества входных образов, например, по двум классам достаточно всего одного выхода.  При  этом  каждый  логический  уровень – "1" и "0" – будет  обозначать  отдельный класс. На двух выходах можно закодировать уже 4 класса и так далее. Для повышения достоверности  классификации желательно  ввести  избыточность путем выделения каждому классу одного нейрона в выходном слое или, что еще лучше, нескольких, каждый из которых обучается  определять  принадлежность  образа  к  классу  со  своей  степенью  достоверности, например:  высокой,  средней  и  низкой.  Такие  ИНС  позволяют  проводить  классификацию входных образов, объединенных в нечеткие (размытые или пересекающиеся) множества. Это свойство приближает подобные ИНС к условиям реальной жизни.

3. Нейрокомпьютеры и сети

3.1 Нейрокомпьютеры

Рис. 4.1. Классификация экспертных систем

1.         http://www.park.glossary.ru/serios/read_05.php

2.          http://ai.obrazec.ru/defin.php

3.         http://ru.wikipedia.org/wiki/%D0%9F%D1%80%D0%B5%D0%B4%D1%81%D1%82%D0%B0%D0%B2%D0%BB%D0%B5%D0%BD%D0%B8%D0%B5_%D0%B7%D0%BD%D0%B0%D0%BD%D0%B8%D0%B9

4.         http://revolution./programming/00029613_0.php

5.         http://help-inform.ru/Klassif_ekspertnih_system.php

6.         http://window.edu.ru/window_catalog/pdf2txt?p_id=28644

7.         http://www.mosdiplom.ru/download_file.php?download_propertys_items_id=1289

8.         http://www.inftech.webservis.ru/it/database/datamining/ar4.php

9.         http://old.ulstu.ru/people/SOSNIN/umk/Knowledge_Engineering/gl_17_2.php#klass_metod