Ответы ИИС


Классификация знаний и новаций.
Классификация знаний
Познание не ограничено сферой науки, знание в той или иной своей форме существует и за пределами науки. Каждой форме общественного сознания: науке, философии, мифологии, политике, религии и т. д. — соответствуют специфические формы знания. Различают также формы знания, имеющие понятийную, символическую или художественно-образцовую основу[1].
К исторически первым формам человеческого знания относят игровое познание (строится на основе условно принимаемых правил и целей, позволяет возвыситься над повседневным бытиём, не заботиться о выгоде, вести себя в соответствии со свободно принятыми ирговыми нормами). Возможен обман партнёра и сокрытие истины. Носит обучающе-развивающий характер, выявляет качества и возможности человека, позволяет раздвинуть психологические границы общения[1].
Выделяют различные виды знания: научное, вненаучное, обыденно-практическое (обыденное, здравый смысл), интуитивное, религиозное и др.
Обыденно-практическое — знание, существовавшее ещё на ранних этапах человеческой истории и доставлявшее элементарные сведения о природе и окружающей действительности (т. н. здравый смысл, приметы, назидания, рецепты, личный опыт, традиции и т. п.). Носит несистемный, бездоказательный, бесписьменный характер[1]. Обыденное знание служит основой ориентации человека в окружающем мире, основой его повседневного поведения и предвидения, но обычно содержит ошибки, противоречия.
Научное — знание, основанное на рациональности. Характеризуются объективностью, универсальностью, претендуют на общезначимость. Научное познание — процесс получения объективного, истинного знания. Его задача — описать, объяснить и предсказать процесс и явление действительности. Научные революции, происходящие в ходе развития научного познания и приводящие к смене теорий и принципов, сменяются периодами нормального развития науки (углубление и детализация знаний)[1].
Научному знанию присущи логическая обоснованность, доказательность, воспроизводимость результатов, проверяемость, стремление к устранению ошибок и преодолению противоречий.
Форма научного знания младше многих форм вненаучного знания[1].
Вненаучное знание не является чьей-то выдумкой, продуцируется определённым интеллектуальным сообществом по отличным от рационалистических нормам, эталонам, имеют свои источники и средства познания. В истории культуры формы знания, отнесённые к «ведомству» вненаучного знания объединяются общим понятием — эзотеризм[1].
По природе
Знания могут быть
декларативныеПроцедурные
Декларативные знания содержат в себе лишь представление о структуре неких понятий. Эти знания приближены к данным, фактам. Например: высшее учебное заведение есть совокупность факультетов, а каждый факультет в свою очередь есть совокупность кафедр.
Процедурные же знания имеют активную природу. Они определяют представления о средствах и путях получения новых знаний, проверки знаний. Это алгоритмы разного рода. Например: метод мозгового штурма для поиска новых идей.
По степени научности
Знания могут быть научными и вненаучными.
Научные знания могут быть
эмпирическими (на основе опыта или наблюдения)
теоретическими (на основе анализа абстрактных моделей).
Научные знания в любом случае должны быть обоснованными на эмпирической или теоретической доказательной основе.
Теоретические знания — абстракции, аналогии, схемы, отображающие структуру и природу процессов, протекающих в предметной области. Эти знания объясняют явления и могут использоваться для прогнозирования поведения объектов.
Вненаучные знания могут быть:
паранаучными — знания несовместимые с имеющимся гносеологическим стандартом. Широкий класс паранаучного (пара от греч. — около, при) знания включает в себя учения или размышления о феноменах, объяснение которых не является убедительным с точки зрения критериев научности;
лженаучными — сознательно эксплуатирующие домыслы и предрассудки. Лженаучное знание часто представляет науку как дело аутсайдеров. В качестве симптомов лженауки выделяют малограмотный пафос, принципиальную нетерпимость к опровергающим доводам, а также претенциозность. Лженаучное знание очень чувствительно к злобе дня, сенсации. Его особенностью является то, что оно не может быть объединено парадигмой, не может обладать систематичностью, универсальностью. Лженаучные знания сосуществуют с научными знаниями. Считается, что лженаучное знание обнаруживает себя и развивается через квазинаучное;
квазинаучными — они ищут себе сторонников и приверженцев, опираясь на методы насилия и принуждения. Квазинаучное знание, как правило, расцветает в условиях строго иерархированной науки, где невозможна критика власть предержащих, где жестко проявлен идеологический режим. В истории России периоды «триумфа квазинауки» хорошо известны: лысенковщина, фиксизм как квазинаука в советской геологии 50-х гг., шельмование кибернетики и т.д;
антинаучными — как утопичные и сознательно искажающие представления о действительности. Приставка «анти» обращает внимание на то, что предмет и способы исследования противоположны науке. С ним связывают извечную потребность в обнаружении общего легко доступного «лекарства от всех болезней». Особый интерес и тяга к антинауке возникает в периоды социальной нестабильности. Но хотя данный феномен достаточно опасен, принципиального избавления от антинауки произойти не может;
псевдонаучными — представляют собой интеллектуальную активность, спекулирующую на совокупности популярных теорий, например, истории о древних астронавтах, о снежном человеке, о чудовище из озера Лох-Несс;
обыденно-практическими — доставлявшими элементарные сведения о природе и окружающей действительности. Люди, как правило, располагают большим объемом обыденного знания, которое производится повседневно и является исходным пластом всякого познания. Иногда аксиомы здравомыслия противоречат научным положениям, препятствуют развитию науки. Иногда, напротив, наука длинным и трудным путем доказательств и опровержений приходит к формулировке тех положений, которые давно утвердили себя в среде обыденного знания. Обыденное знание включает в себя и здравый смысл, и приметы, и назидания, и рецепты, и личный опыт, и традиции. Оно хотя и фиксирует истину, но делает это не систематично и бездоказательно. Его особенностью является то, что оно используется человеком практически неосознанно и в своем применении не требует предварительных систем доказательств. Другая его особенность — принципиально бесписьменный характер.
личностными — зависящими от способностей того или иного субъекта и от особенностей его интеллектуальной познавательной деятельности. Коллективное же знание общезначимо (надличностно), предполагает наличие общей для всех системы понятий, способов, приёмов и правил построения.
Народная наука — особая форма вненаучного и внерационального знания. Прежде была привилегией шаманов, жрецов, старейшин рода, ныне стала делом отдельных групп или субъектов (знахарей, целителей, экстрасенсов).
По местонахождению
Выделяют : личностные (неявные, скрытые, пока не формализованные) знания и формализованные (явные) знания;
Неявные знания:
знания людей, которые ещё не формализованы и не могут быть переданы другим людям.
Формализованные на некотором языке (явные) знания:
знания в документах,
знания на компакт дисках,
знания в персональных компьютерах,
знания в Интернете,
знания в базах знаний,
знания в экспертных системах, извлечённые из неявных знаний людей-экспертов.
Классификация инноваций
Анализ сущности инноваций и различных подходов к их классификации позволил выделить следующие основные группы инноваций, различающихся по:
1) сфере приложения – научно-технические, организационно-экономические и социально-культурные;
2) характеру удовлетворяемых потребностей – создающие новые потребности и развиваю­щие существующие;
3) предмету приложения – инновация-продукт, инновация-процесс, инновация-сервис, инно­вации-рынки;
4) степени радикальности – базисные, системные, прирастающие, псевдоинновации;
5) глубине изменений – регенерирование первоначальных свойств, количественные измене­ния, адаптивные изменения, новый вариант, новый вид, новый род;
6) причинам возникновения – стратегические и реактивные (адаптивные);
7) масштабам распространения – применяемые в одной отрасли и применяемые во всех или многих отраслях;
8) роли в процессе производства – основные и дополняющие;
9) характеру связи с научным знанием – восходящие и нисходящие.
Рассмотрим содержание третьей групп инноваций.
Инновация-продукт – это новшество, имеющее физическую форму готового, принципиально нового или усовершенствованного изделия, которое выходит в этой форме (прежде всего, в форме товара) за пределы предприятия. Этот тип инноваций требует значительных инвестиций, так как разработка новых продуктов требует разработки инноваций-процессов.
Инновация-процесс – это техническое, производственное и управленческое усовершенство­вание, снижающее стоимость производства существующего продукта. Данные инновации менее рискованные, чем продуктовые, а в ряде случаев являются и менее капиталоемкими.
Инновация-сервис – инновация, связанная с обслуживанием процессов использования про­дукта за пределами предприятия (например, программное обеспечение компьютеров).
Понятия «инновационный процесс» и «интеллектуальный процесс управления»
1)Инновационный процесс — это процесс последовательного превращения идеи в товар, проходящий этапы фундаментальных и прикладных исследований, конструкторских разработок, маркетинга, производства и сбыта.
Укрупнённо инновационный процесс можно разделить на две основные стадии: первая стадия (она самая продолжительная) включает в себя научные исследования и конструкторские разработки, вторая стадия представляет собой жизненный цикл продукта.
ИЛИ
Инновационный процесс в общем виде означает последовательность перехода от идеи возможного нововведения до создания, продажи и диффузии этого нововведения.
Инновационный процесс означает инновационную деятельность какого-либо субъекта экономики, т. е. процесс, направленный на разработку, на реализацию результатов законченных научных исследований и разработок либо иных научно-технических достижений в новый или усовершенствованный продукт, реализуемый на рынке, в новый или усовершенствованный технологический процесс, используемый в практической деятельности, а также связанные с этим дополнительные научные исследования и разработки.
Сущность инновационного процесса проявляется в том, что он представляет собой целенаправленную цепь действий по инициации инновации, по разработке новых продуктов и операций, по их реализации на рынке и дальнейшей диффузии.
2) интеллектуальный процесс управления — методы управления, которые используют различные подходы искусственного интеллекта, такие как искусственные нейронные сети, нечеткая логика, машинное обучение, эволюционные вычисления и генетические алгоритмы.
Особенности проблемной ориентации при разработке объектов инновационного инженерного менеджмента, основанного на знаниях
Извлечение, обработка и формирование знаний
1. Извлечение (формализация) неявных знаний персонала
Для извлечения неявных знаний мы можем использовать целый арсенал методов извлечения знаний:
Экспертное интервью (Это может быть интервью, проводимое инженером по знаниям с целью формализации знаний, интервью при увольнении сотрудника с целью сохранения знаний, обучающее интервью);
Заполнение анкет и форм учета знаний (CRM, описание лучших практик);
Формализация экспертных дискуссий (инженер по знаниям может преобразовать дискуссию, прошедшую на форуме или совещании в обучающую аннотацию или справку);
Наблюдение.
Но для того, чтобы вам не пришлось повторно организовывать процедуру извлечения, позаботьтесь о хранении и учете полученных знаний.
Извлечение знаний из массивов данных, накопленных в компании
Как уже было сказано, для извлечения знаний из массивов данных мы можем использовать две основные группы инструментов:
Алгоритмы статистического анализа (критерии анализа);
Алгоритмы искусственного интеллекта (data mining, text mining, web mining, нейронные сети и др.).
Результат, полученный в ходе применения приведенных алгоритмов можно будет принимать как конкретное знание только при соблюдении ряда условий:
Вы четко представляете цель анализа (четко формулируете вопрос);
Структура собранных данных позволяет обработать базу данных в соответствии с вашим запросом (вы имеете необходимые данные).
Обработка состоит в получении одних «информационных объектов» из других «информационных объектов» путем выполнения некоторых алгоритмов и является одной из основных операций, осуществляемых над информацией, и главным средством увеличения ее объема и разнообразия.
Цели
собрать всю доступную информацию, представленную в данных различной природы;
отделить существенную информацию, представленную данными, от несущественной, для рассмотрения в данный момент;
представить существенную информацию в виде, наиболее удобном для восприятия человеком.
Потенциал знаний и термодинамический критерий распределения (trade-off) устойчивости, управляемости и робастности инновационных процессов
Робастное управление
Роба́стное управле́ние — совокупность методов теории управления, целью которых является синтез такого регулятора, который обеспечивал бы хорошее качество управления (к примеру, запасы устойчивости), если объект управления отличается от расчётного или его математическая модель неизвестна. Таким образом, робастность означает малое изменение выхода замкнутой системы управления при малом изменении параметров объекта управления. Системы, обладающие свойством робастности, называются робастными (грубыми) системами. Обычно робастные контроллеры применяются для управления объектами с неизвестной или неполной математической моделью, и содержащими неопределённости.
Для проектирования робастных систем управления используются различные методы оптимального и робастного синтеза, среди которых синтез контроллеров в пространствах H∞ и H2, ЛМН-контроллеры, μ-контроллеры.
Главной задачей синтеза робастных систем управления является поиск закона управления, который сохранял бы выходные переменные системы и сигналы ошибки в заданных допустимых пределах несмотря на наличие неопределённостей в контуре управления. Неопределённости могут принимать любые формы, однако наиболее существенными являются шумы, нелинейности и неточности в знании передаточной функции объекта управления.
В робастном управлении рассматриваются два вида неопределённостей — структурные и неструктурные. Неструктурные неопределённости обычно представляют собой элементы, зависящие от частоты, такие как, например, насыщение в силовых приводах или возмущения в низкочастотной области АФЧХ объекта управления. Воздействие неструктурных неопределённостей на номинальный объект управления может быть как аддитивным так и мультипликативным
7. Система управления знаниями
Управление знаниями не ограничивается их накоплением внутри компании - оно направлено на распространение знаний среди сотрудников и постоянное их использование. Как заметил Франческо Петрарка: «Что пользы в том, что ты многое знал,  раз ты не умел применять твои знания к твоим нуждам».
В этой статье я хочу рассмотреть основные аспекты этого процесса: принципиальные отличия знаний от других ресурсов, типы знаний и существующие направления в управлении знаниями.
1. Отличия знаний от других ресурсов
Сначала рассмотрим принципиальные различия, которые не дают применять к знаниями подходы, успешно используемые для управления физическими, материальными и финансовыми ресурсами:
Человек, передающий знание, остается его владельцем - одно знание может передаваться неограниченное количество раз, и при передаче знания у него становится на одного владельца больше.
Знание не изнашивается, скорее, наоборот - при постоянном использовании оно развивается и становится более ценным.
Знание существует виртуально и может быть как формализованным (явным), так и персонализированным (скрытым); другие ресурсы существуют объективно.
Таким образом, мы приходим к необходимости формирования нового управленческого подхода, который будет учитывать эти отличия.
2. Управление знаниями
Управление знаниями – это непрерывный процесс, направленный на создание, накопление и применение знаний в компании. Критерием его эффективности является возможность сотрудника компании своевременно получить требуемое знание.
Система регулярного управления знаниями – это набор повторяемых на регулярной основе управленческих процедур, призванных повысить эффективность сбора, хранения, распространения и использования ценной информации с точки зрения компании. Управление знаниями классически включает в себя пять фундаментальных процессов1:
Создание: результатом является новое знание;
Поиск: поиск и представление неявных знаний в явной форме, что делает возможным сбор индивидуальных знаний для коллективного использования;
Систематизация (организация): классификация и категоризация знаний с целью их последующего целенаправленного извлечения; поддержание целостности данных за счет реализации соответствующих процессов;
Доступ: действия, с помощью которых знания посылаются или запрашиваются конкретным пользователем;
Использование: применение знаний в работе, принятии решений и реализации возможностей.
Вариативность подходов к управлению знаниями является следствием различий между формализованными и персонализированными знаниями. На этих различиях базируются 2 основных подхода:
№   Управление формализованными знаниями Управление персонализированными знаниями
1 Концептуальная схема
2 Генерация знаний Знание генерируется человеком и впоследствии кодифицируется, либо создается информационной системой на основании уже имеющихся знаний Знание генерируется человеком, который и становится его владельцем
3 Хранение знаний Физические носители информации Головы людей
4 Распространение знаний Посредством информационной системы и/или имеющихся материалов Системы наставничества, корпоративные университеты
5 Основной акцент в управлении Информационная система, упрощающая формализацию, хранение, распространения и использование знания Создание социальной сети, ориентированной на распространение знаний внутри компании
6 Плюсы Разовые инвестиции в формализацию знания и неограниченное дальнейшее его использование Постоянный обмен знаниями стимулирует их генерацию и развитие
7 Минусы Носители знаний не заинтересованы в его формализации
 
Далеко не все знания формализуемы (например, плавание или езда на велосипеде) Постоянные инвестиции в сотрудников, обладающих знанием
 
Знание покидает компанию вместе с сотрудником
3. Тройственная модель управления знаниями
right000На практике существует ряд моделей управления знаниями, одна из которых приводится ниже. Модель основывается на 3-х основных элементах:
Сотрудники используют и транслируют имеющиеся знания; управление знаниями в контексте людей позволяет создавать эффективную социальную сеть внутри компании и за ее пределами
Технологии используются для упрощения коммуникации, накопления и распространения знаний.
Процесс выстраивает всю деятельность по управлению знаниями в единую систему.
Говоря о практическом применении этой модели, приведем методику построения системы управления знаниями. Методика состоит в выявлении точек использования знаний, связей между ними и определении подходящих источников знаний и инструментов управления.
Основные шаги:
Выявление точек использования знаний – на основании модели деятельности Компании мы можем выделить точки принятия решений, алгоритмы взаимодействия, типовые задачи.
Для каждой из выявленных точек мы можем описать используемые знания; например, для прогнозирования длительности проекта я бы использовал знания о потенциальных рисках, статистике реализации подобных проектов и используемых инструментах
Определение источников знаний (используя информацию об IT-системе, компетенциях сотрудников и т.д.).
Построение путей движения знаний внутри Компании – мы получили карту, отражающую движение знаний от источников к точкам их использования.
Выявление ключевых сотрудников (носителей и потребителей знаний) в построенной модели.
Выбор инструментария обмена, накопления, хранения, распространения знаний.
Постепенное внедрение разработанной модели и коррекция процесса управления знаниями.
Таким образом, мы исходим из потребности в знаниях, а не стремления объять необъятное.
Знания – это такой же актив как финансы, отношения с клиентами или бренд. Очевидно, что знания есть в каждой компании, и каждая компания ими управляет. Различие в том, насколько это управление осознанно. Едва ли возможно найти компанию, которая бы пустила на самотек управление финансами. Знаниями можно и нужно управлять, иначе компания рискует быть вытесненной новыми игроками, которые более внимательно относятся к своим активам.
9) Типы и виды структур интеллектуальных систем управления
10) Базы знаний
Знания в общеупотребительном смысле – это, с одной стороны, сведения, осведомленность в какой-либо области, с другой стороны – проверенный практикой результат познания действительности, ее «правильное» отражение в сознании человека. В соответствии с концепцией баз знаний, под термином знания в искусственном интеллекте понимают совокупность специализированных (ориентированных на решение многих задач из ограниченной предметной области) фактов, правил их обработки, условий применения правил к конкретным фактам, методов получения новых фактов и способов организации процесса логического вывода.
Знания отличаются от данных рядом существенных свойств:
единицей обрабатываемой информации является факт, а не запись данных;
знания обладают внутренней интерпретируемостью – понимание смысла, семантики информационных единиц обеспечивается внутри модели, а не только в сознании исследователя;
знания обладают активностью – появление новых фактов в системе приводит к инициации процедур, обрабатывающих уже известные системе факты, т. е. данные управляют программой;
знания обладают связностью – между фактами и правилами имеется возможность установления функциональных, каузальных, структурных, семантических отношений, отношений эквивалентности (подобия, тождества), противоположности и др.;
знания обладают структурированностью. Структурированность знаний проявляется при использовании отношений типа «элемент-класс» и «часть-целое» , что позволяет реализовать возможность вложения одних понятий в другие;
знания обладают семантической метрикой – отношение близости понятий, силы ассоциативной связи между ними. Ее наличие позволяет выделять информацию, относящуюся к типовым ситуациям, например, «выход из строя элемента системы», «блокировка пакетов» и т.п.;
знания обладают конвертируемостью представления. Конвертируемость представления – свойство изменять форму представления, уровень детализации и степень неопределенности информации о предметной области в процессе перехода к очередному этапу решения интеллектуальной задачи. Это свойство, в отличие от предыдущих, отражает динамичность знаний и связано с обучением системы.
Формально под фактом подразумевается запись:

– имя или идентификатор факта;
– значение факта, определяемое на численной шкале с метрикой, логической, нечеткой или лингвистической шкалах;
– степень уверенности (от англ. certitude) в истинности значения;
– множество связей факта с другими знаниями;
– множество допустимых функций преобразований, операций, способов вычисления значения факта, имеющих смысл в рассматриваемой предметной области.
Другими словами, факт – это запись данных, наделенная семантикой.
Правилами в общем случае являются знания вида:
«Если X есть A, то Y есть B, иначе Y есть C»
Примером правила с четырьмя посылками и одним заключением может служить следующее высказывание, определяющее выбор версии СУБД:
ЕСЛИ  колво_проц => 1  и  тактовая_частота_проц => 600  и  объем_НМЖД => 30  и  объем_ОП => 1024ТО  версия_oracle = 8.0
Условия применимости правил, а также знания относительно способов использования фактов и правил относятся к метазнаниям (знаниям о знаниях), которые необходимы для управления логическим выводом, пополнения знаний и т.п. Часто такие правила и способы являются эвристическими.
В общем виде система семантической обработки информации, основанная на концепции баз знаний, включает:
базу знаний, состоящую из базы фактов и правил как декларативной части, а также базы процедур и функций как процедурной части описания предметной области;
механизм логического вывода – высокоуровневый интерпретатор, обеспечивающий обработку фактов на основе правил и процедур формирования решений для задач пользователя;
интерфейс с пользователем на языке, близком к естественному;
базу целей, содержащую механизм целеполагания в рамках исследуемой предметной области и целевые установки самой системы.
В перспективе возможно дополнение системы другими элементами, например базой ресурсов, базой интуиции и т.п.
Концепция баз знаний, являясь логическим развитием монопольно-файловых систем и систем, основанных на концепции баз данных, создает предпосылки для расширения возможностей отображения закономерностей предметной области и получения новых знаний путем их вывода (манипулирования знаниями). При этом значительно ослабляется противоречие между «мягким», нечетко очерченным миром реальности и требованиями по «жесткому», формализованному представлению информации в ЭВМ.
В заключение отметим, что большинство исследователей искусственного интеллекта рассматривают задачу разработки моделей представления знаний как задачу программной реализации концепции баз знаний. Это означает, что модели представления знаний должны обладать всеми свойствами, присущими знаниям.
11) Искусственные нейронные сети и обучение
Искусственная нейронная сеть (ИНС) – сеть, состоящая из искусственных нейронов[1]. ИНС – предмет исследования нейроинформатики[2] и одна из веток изучения и моделирования искусственного интеллекта. Искусственные нейронные сети и нейроны – это математические модели биологических нейронных сетей и нейронов (клеток, из которых состоит нервная система человека). Однако, интерес к ИНС в большей степени вызван использованием ИНС как метода обработки данных, чем как модели биологических процессов и объектов.
В целом, нейронная сеть – это система, способная изменять свою структуру под воздействием внешних факторов. Говорят, что искусственную сеть обучают по входным данным. В ходе обучения внутренние параметры искусственной нейронной сети подстраиваются под входные данные, что позволяет выделять закономерности в данных или решать задачи прогнозирования, классификации и кластеризации. При использовании искусственной нейронной сети для анализа данных исследователь решает несколько задач: какой алгоритм обучения использовать, какова конфигурация сети. Искомые внутренние параметры находятся автоматически, в соответствии с выбранным алгоритмом и конфигурацией.
Модель искусственной нейронной сети
В контексте искусственных нейронных сетей слово «сеть» употребляют для обозначения связей между искусственными нейронами. Также говорят об архитектуре сети, описывая ее структуру.

Пример нейронной сети с одним скрытым уровнем.
Чаще всего нейроны располагаются в сети по уровням. На иллюстрации приведен пример трехуровневой нейронной сети. На первом уровне – входные нейроны (отмеченные синим), получающие данные извне и передающие импульсы нейронам на следующем уровне через синапсы. Нейроны на скрытом (втором, красном) уровне обрабатывают полученные импульсы и передают их нейронам на выходном (третьем, зеленом) уровне. Разумеется, архитектура сети может быть более сложной, например, с большим числом скрытых уровней или с изменяющимся числом нейронов. Модели нейронных сетей могут быть классифицированы по трем различным параметрам:
Обучение сети
Существуют две принципиально разные концепции обучения нейронных сетей: обучение с учителем и обучение без учителя. В большинстве случаев нейронные сети обучают по объектно-признаковым таблицам, описывающим исходные данные. Число нейронов на первом уровне – это количество признаков в таблице, а число нейронов на последнем определяется в соответствии с характером задачи. Одна из важных проблем при использовании нейронных сетей – это выбор числа скрытых слоев и нейронов на них.
Обучение с учителем
Считается, что концепция обучения с учителем реализует кибернетический принцип обратной связи. Ее используют для решения определенного класса задач, таких как прогнозирование и классификация. Предполагается, что существует некоторое количество наблюдений, для которых уже заданы значения целевого признака. Для задач прогнозирования целевой признак – это значения прогнозируемого показателя в настоящем и в прошлом, а для задач классификации – класс, к которому принадлежит наблюдение. Другими словами, для некоторого числа наблюдений правильный ответ уже известен (и выступает в роли учителя). Тогда использование нейронной сети позволяет обнаружить закономерности в данных. Если поступает новое наблюдение, для которого целевой признак не известен, то согласно выявленным закономерностям можно спрогнозировать следующие значения целевых признаков или определить класс, к которому наблюдение относится. Для обучения с учителем очень часто используется метод обратного распространения ошибки[11].
Частные виды моделей нейронных сетей, обучаемых с учителем, – это рекуррентные сети[12] и сети Хопфилда[13].
Обучение без учителя
Обучения без учителя отличается от обучения с учителем отсутствием целевого признака во входных данных. Эту концепцию используют при решении таких задач, как кластеризация и обнаружение взаимосвязей между наблюдениями. При этом предметом исследования считается внутренняя структура наблюдений, а не связь между наблюдениями и целевыми признаками. Один из примеров нейронных сетей, обучаемых без учителя, – это самоорганизующиеся карты Кохонена [14].
Примеры
Обучение с учителем. Оператор сотовой связи решает следующую задачу: как по известным сведениям о человеке понять, воспользуется ли он услугами компании или нет. Пусть у компании уже накоплены наблюдения (данные) о некотором количестве людей (их возраст, пол, место работы или учебы, гражданство, семейное положение и т.д.). Кроме того, известно, пользуются ли эти люди услугами компании. Тогда общая схема решения задачи может быть такой: использовать некоторый алгоритм машинного обучения (например, нейронные сети). На имеющихся положительных (является потребителем услуг компании) и отрицательных (не является потребителем услуг компании) примерах обучить алгоритм – подобрать такие параметры алгоритма, что он будет “узнавать” потребителей компании среди всех имеющихся примеров. В дальнейшем обученный алгоритм можно использовать для определения потенциальных потребителей (по имеющимся о них данным).
Обучение без учителя. Оператор сотовой связи решает составить несколько портретов типичных потребителей своих услуг. Тогда с помощью алгоритма машинного обучения по имеющимся у компании данным о потребителях могут быть найдены кластеры – группы похожих пользователей.
12)Нечеткие нейронные сети и обучение
Преимущества использования сетей в системах поддержки принятия решений
Различные типы интеллектуальных систем имеют свои особенности, например, по возможностям обучения, обобщения и выработки результатов, что делает их наиболее пригодными для решения одних классов задач и менее пригодными - для других.
В последние несколько лет мы наблюдаем взрыв интереса к нейронным сетям, которые успешно применяются в самых различных областях - бизнесе, медицине, технике, геологии, физике. Нейронные сети вошли в практику везде, где нужно решать задачи прогнозирования, классификации или управления. Такой впечатляющий успех определяется несколькими причинами, перечисленными ниже.
·        Богатые возможности.  Нейронные сети - исключительно мощный метод моделирования, позволяющий воспроизводить чрезвычайно сложные зависимости. В частности, нейронные сети нелинейны по своей природе. На протяжении многих лет линейное моделирование было основным методом моделирования в большинстве областей, поскольку для него хорошо разработаны процедуры оптимизации. В задачах, где линейная аппроксимация неудовлетворительна (а таких достаточно много), линейные модели работают плохо. Кроме того, нейронные сети справляются с «проклятием размерности», которое не позволяет моделировать линейные зависимости в случае большого числа переменных;
·        Простота в использовании.  Нейронные сети учатся на примерах. Пользователь нейронной сети подбирает представительные данные, а затем запускает алгоритм обучения, который автоматически воспринимает структуру данных. При этом от пользователя, конечно, требуется какой-то набор эвристических знаний о том, как следует отбирать и подготавливать данные, выбирать нужную архитектуру сети и интерпретировать результаты, однако уровень знаний, необходимый для успешного применения нейронных сетей, гораздо скромнее, чем, например, при использовании традиционных методов статистики.
Нейронные сети привлекательны с интуитивной точки зрения, ибо они основаны на примитивной биологической модели нервных систем.
Вообще можно сказать, что нейронные сети хороши для задач распознавания образов, но весьма неудобны для объяснения, как они такое распознавание осуществляют. Они могут автоматически приобретать знания, но процесс их обучения зачастую происходит достаточно медленно, а анализ обученной сети весьма сложен (обученная сеть представляет обычно черный ящик для пользователя). При этом какую-либо априорную информацию (знания эксперта) для ускорения процесса ее обучения в нейронную сеть ввести невозможно.
Системы с нечеткой логикой, напротив, хороши для объяснения получаемых с их помощью выводов, но они не могут автоматически приобретать знания для использования их в механизмах выводов. Необходимость разбиения универсальных множеств на отдельные области, как правило, ограничивает количество входных переменных в таких системах небольшим значением.
Вообще говоря, системы с нечеткой логикой целесообразно применять в следующих случаях:
·        для сложных процессов, когда нет простой математической модели;
·        если экспертные знания об объекте или о процессе можно сформулировать только в лингвистической форме.
Системы, базирующиеся на нечеткой логике, применять нецелесообразно:
·        если требуемый результат может быть получен каким-либо другим (стандартным) путем;
·        когда для объекта или процесса уже найдена адекватная и легко исследуемая математическая модель.
Отметим, что основными недостатками систем с нечеткой логикой являются следующие:
·        исходный набор постулируемых нечетких правил формулируется экспертом-человеком и может оказаться неполным или противоречивым;
·        вид и параметры функций принадлежности, описывающих входные и выходные переменные системы, выбираются субъективно и могут оказаться не вполне отражающими реальную действительность.
Вообще говоря, теоретически, системы с нечеткой логикой и искусственные нейронные сети подобны друг другу, однако, в соответствии с изложенным выше, на практике у них имеются свои собственные достоинства и недостатки. Данное соображение легло в основу создания аппарата нечетких нейронных сетей, в которых выводы делаются на основе аппарата нечеткой логики, но соответствующие функции принадлежности подстраиваются с использованием алгоритмов обучения нейронных сетей, например, алгоритма обратного распространения ошибки. Такие системы не только используют априорную информацию, но могут приобретать новые знания, являясь логически прозрачными.
13)Генетические алгоритмы и оптимизация процессов управления
ГА являются процедурами поиска глобального оптимума (максимума или минимума) некоторой целевой функции, основанными на принципах естественной эволюции. В них сгенерированная случайным образом начальная популяция решений подвергается воздействию генетических операций, таких как селекция, скрещивание и мутация. В результате получается новая популяция решений, с улучшенными основными свойствами (значениями целевой функции). Данный процесс продолжается итеративно до достижения глобального оптимума.
Генетический алгоритм, имеющий хромосому, может быть в принципе любым из известных генетических алгоритмов, имеющих хромосому фиксированной длины. В данной работе выбран генетический алгоритм «элитного» типа, с двухточечными операциями скрещивания и мутации. В качестве системы кодирования была выбрана бинарная система с числом бит для кодирования каждого параметра, достаточным для покрытия соответствующего диапазона изменения. Для более компактного размещения, гены представлены символьными типами данных (16 бит на символ), при этом были использованы операции прямого копирования содержимого памяти для реализации операций скрещивания и мутации.
Рассмотрим более подробно структуру генетического алгоритма.
Математическая модель генетического алгоритма может быть представлена следующим упорядоченным набором:
,
где
- система кодирования (Coding system);
- функция пригодности (Fitness function);
- начальная популяция (Initial population);
- размер начальной популяции (Population size);
- операция селекции (Selection operation);
- операция скрещивания (Crossover operation), - вероятность скрещивания (Probability of crossover);
- операция мутации (Mutation operation), - вероятность мутации (Probability of mutation);
- условие остановки (Termination condition).
Структура ГА показана на рис.1.

Рис. 1: Структура ГА
14,15)Нечёткий регулятор (англ. fuzzy controller) — регулятор, построенный на базе нечеткой логики[1] [2]Для реализации нечеткого регулятора необходимо:
Определить входные лингвистические переменные. Например «Время посещения страницы» и «Частота посещения страницы», для анализа посещаемости сайта
Определить лингвистическую переменную которую мы хотим получить. В данном случае это будет лингвистическая переменная «Посещаемость»
Определить правила образования результирующей переменной из входных
В результате, мы получим возможность определять необходимые нам значения, такие как посещаемость сайта или любое другое необходимое значение, например, мощность котла для обогрева воды, обороты в стиральной машинке и т. д.
Области практического применения
Используются самоcтоятельно, для выполнения функций линейного преобразователя при автоматическом управлении.

Используются в составе комбинированных систем оптимального управления, у которых в прямом контуре задействованы обычные регуляторы, а в дополнительном контуре используются нечёткие регуляторы, которые подстраивают коэффициенты усиления регулятора прямого контура в зависимости от изменяющихся условий.
Используются при решении задач алгоритмической обработки информации от изучаемого объекта (задачи фильтрации).
В помехозащищённых адаптивных системах автоматического управления.
В системах с нечёткой последовательной процедурой проверки статистических гипотез.[3]

Приложенные файлы

  • docx 8895976
    Размер файла: 216 kB Загрузок: 1

Добавить комментарий