WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!

Pages:     | 1 |   ...   | 24 | 25 || 27 | 28 |   ...   | 65 |

Вестник Сибирского государственного аэрокосмического университета имени академика М. Ф. Решетнева Указанные задачи характеризуются сложной Аналитический обзор методов и алгоритмов структурой объекта; необходимостью быстрого при- интеллектуальной поддержки при принятии нятия решения на основе переработки больших объе- управленческих решений. Построение систем инмов информации в условиях постоянно меняющихся теллектуального анализа данных возможно дедуктиввнешних и внутренних характеристик системы; сто- ными и индуктивными способами [2].

хастическим и динамическим характером процессов Группа BISC в университете Беркли, Калифорния в объекте; большой размерностью вектора входных под руководством Лофте Задэ успешно реализует дефакторов (десятки и сотни); наличием качественных, дуктивный подход – нечеткую логику.

порядковых и количественных факторов; мультикол- Группа красноярских ученых использовала индуклинеарностью вектора входных факторов; дефицитом тивный нейросетевой подход для решения широкого наблюдений и др. круга задач в различных областях человеческой деяВышеперечисленные особенности приводят к по- тельности. Достижения нейроинформатики в решении вышению сложности описания модели при решении технологических задач привели к созданию целого слабо формализованных задач. В таком случае гово- спектра разнообразных нейронных сетей: сетей рят о необходимости информационной поддержки с прямым распространением сигнала, рекуррентных решения задачи, т. е. о необходимости разработки сетей, радиально базисных сетей.

набора методов и технологических решений, позво- Группа нейросетевых исследований (Neural ляющих получить достоверное решение задачи. Networks Research Group) в Университете Остина, Такими задачами являются следующие: штат Техас, под руководством Ристо Мииккулайнена – разработка и оптимизация информационных мо- (Risto Miikkulainen) в рамках индуктивного подхода делей для обеспечения лиц, принимающих решение синтезирует нейросетевые и эволюционные алгорит(ЛПР), достаточным объемом актуальной релевант- мы, как и группа украинских ученых, разрабатываюной информации; щих метод группового учета аргументов, предложен– разработка эвристических процедур, позволяю- ный Алексеем Григорьевичем Ивахненко. Метод щих «отсеивать» заведомо «плохие» варианты реше- группового учета аргументов был синтезирован с нения задачи; четкими алгоритмами.

– разработка алгоритмов обработки неколичест- Современные исследования интеллектуального венной нечеткой информации для принятия на ее ос- анализа данных развиваются в направлении от экспенове управленческих решений; риментальных систем до коммерческих систем – BI – разработка и реализация информационно- (Business Intelligence) [3]. Коммерческие системы коммуникационной инфраструктуры систем под- имеют узкую специализацию и функциональный надержки принятия решений (локальных и корпоратив- бор, востребованный рынком. NeurOK Data Mining ных сетей). Suite (разработка фирмы НейрОК Интелсофт) – это Важным свойством таких систем поддержки при- эффективное решение задач моделирования и обобнятия решений является наличие двух взаимодейст- щения данных, а также прогнозирования и оптимизавующих компонентов: человека и компьютерной ции на основе технологий нейронных сетей, кластер(формальной) системы. Основной проблемой разра- ного анализа и байесовой статистики. Показательно, ботки таких систем является учет человеком динами- что крупные производители систем баз данных ки реальных объектов, анализ и обработка неколиче- (Oracle Inc.) включают в состав программного проственной нечеткой информации и интерпретация ре- дукта систему описания и интерпретации бизнесзультатов в формальной компоненте системы. При правил в форме продукций ЕСЛИ-ТО и систему логиэтом возникает также необходимость оптимизации ческого вывода действий. Любое действие, которое алгоритмов взаимодействия компонент человеко- выводится из бизнес-правил, реализуется в системе компьютерных систем и обработки нечеткой инфор- как транзакция обработки данных. Система Cognitive мации для принятия решений. В целом это представ- «Эксперт» (разработка фирмы Cognitive Technologies ляет собой актуальную научную проблему. Реализа- Ltd) предназначена для построения информационноция систем интеллектуального анализа данных на ба- аналитических систем. В.Г. Царегородцев разработал зе нечеткой нейросети – синтеза алгоритмов нейро- систему нейросетевого анализа данных NeuroPro, коинформатики и нечеткой логики – повышает качество торая реализует обычные слоистые нейросети. Автообработки информации и снижает вычислительные ром разработана система MegaNeuro, послойно форзатраты. Оптимальный результат обработки инфор- мирующая модифицированную нейросеть [4] из мации выбирается из широкого набора вариантов по обычных однослойных нейросетей на основе метода условию наилучшей комплексной оценки эффектив- группового учета аргументов. Эксперименты показыности моделей анализа данных. Создание и развитие вают, что система MegaNeuro эффективнее NeuroPro новых методов решения слабо формализованных за- и нейросетвого пакета Matlab 5.0, поскольку модифидач основано на автоматизации некоторых интеллек- цированная нейросеть реализует процедуру дообучетуальных функций анализа данных. На этом пути ния посредством сохранения основной части настров настоящее время общезначимым является использо- енной структуры нейросети; оценка константы Липвание интеллектуальных информационных алгорит- шица модифицированной нейросети на порядок ниже мов [1]. оценки константы Липшица обычной слоистой ней Математика, механика, информатика росети; ошибка на тестовом множестве у модифици- сание важнейших ресурсов, признаков и характерированной нейросети ниже, чем у обычной слоистой стик; – вектор воздействий внешней среды. В рамнейросети. Принципиальным отличием разработан- ках кибернетического подхода, используя принцип ной системы интеллектуального анализа данных «черного ящика», функционирование системы может MegaNeuro является синтез модифицированной ней- быть описано некоторой (неизвестной) векторросети (адаптация метода группового учета аргумен- функцией тов к нейросети) и нечеткой логики. Созданы развиY = F(X), (1) тые архитектуры гибридных систем: нечетких нейгде X = {(V1i, V2i,..., Vсi, 1i, 2i,..., qi)| i = 1,..., m}, ронных сетей, нечетких нейронных сетей с генетичеY = W.

ской настройкой параметров. Гибридные системы Задачей моделирования является идентификация включают в себя слои радиально базисных нейронов, системы, состоящая в нахождении функционального логических нейронов, традиционных пороговых сумотношения, алгоритма или системы правил в общей мирующих нейронов. Далее будем называть именно форме их гибридными системами. Алгоритм их обучения Y' = G(X,p), (2) обычно комбинирует соревновательное обучение (по ассоциирующей вектор X с вектором Y' таким обраалгоритму победителя), генетическую оптимизацию параметров и классический метод обратного распро- зом, что Y' и Y близки в некоторой метрике, отрастранения ошибки. Опыт решения задач распознава- жающей цели моделирования, где p – вектор параметров модели. Отношение (2), воспроизводящее ния образов и классификации показывает, что для в указанном смысле функционирование системы, поидентификации каждого класса объектов требуется лучило название «модель системы».

обученная модифицированная нейросеть. Указанное Термин «системы поддержки принятия решений» обстоятельство и универсальные аппроксимационные появился в начале 1970-х гг. С тех пор дано много опсвойства нейросетей хорошо укладываются в понятие ределений СППР. Одно из них звучит следующим функции принадлежности. Реализация последней как образом: «Системы поддержки принятия решений модифицированной нейросети позволяет избегать априорных предположений о характере распределе- являются человеко-машинными объектами, которые позволяют лицам, принимающим решения (ЛПР), ния данных. Поскольку модифицированная нейросеть реализует процедуру дообучения посредством сохра- использовать данные, знания, объективные и субъекнения основной части настроенной структуры нейро- тивные модели для анализа и решения слабо формасети, возможна автоматическая корректировка функ- лизованных и неструктурированных задач». Cлабо ции принадлежности, т. е. создание базы знаний, об- формализованные задачи содержат как количественные, так и качественные переменные, причем качестновляемой автоматически по мере поступления новой венные аспекты имеют тенденцию доминировать.

информации. При данном способе сохраняются все СППР состоит из одной или нескольких подсиспреимущества индуктивного (нейроинформатика) и дедуктивного (нечеткая логика) подходов. Селек- тем, представляющих собой информационные модели решения конкретных задач. Каждая из этих подсистем тивная нечеткая нейросеть, реализуемая ПП содержит компоненты, выполняющие соответствуюMegaNeuro, имеет ряд отличий от существующих аналогов: структурно она представляет собой сово- щие функции СППР:

купность обученных модифицированных нейросетей – производят оценку обстановки (ситуаций), осуи слоя специализированных нейронов, осуществляю- ществляют выбор критериев и оценивают их относительную важность;

щих нечеткий вывод.

Постановка задачи. В достаточно общем виде – генерируют возможные решения (сценарии дейзадача принятия управленческих решений при интел- ствий);

лектуальной поддержке может быть представлена – осуществляют оценку сценариев (действий, решений) и выбирают лучший;

схемой – моделируют ситуацию принятия решения (в тех {{Y}, } Y*, случаях, когда это возможно);

где {Y} – множество объектов (альтернатив); – – осуществляют динамический компьютерный анафункция выбора (правило, устанавливающее предпочлиз возможных последствий принимаемых решений;

тительность на множестве альтернатив); Y* – выбран– производят сбор данных о результатах реализаные альтернативы (одна или более). Задача интеллекции принятых решений и осуществляют оценку ретуальной поддержки при принятии управленческих зультатов.

решений – генерация множества объектов (альтернаДля СФЗ характерны неопределенности вследсттив) и оценка принятия альтернативы в результате вие свойств экспериментальных данных.

решения слабо формализованной задачи (СФЗ).

Во-первых, пространства входных и выходных пеПод СФЗ в данной работе понимается набор, содержащий m точек экспериментальных данных ременных не могут, в общем случае, содержать все параметры, существенные для описания поведения Zi = (V1i, V2i,..., Vсi, 1i, 2i,..., qi, W1i, W2i,..., Wdi), где системы. Это связано как с техническими ограничеi{1,.., m}; W – вектор ожидаемых реакций системы;

ниями, так и с ограниченностью наших представлеV – вектор возможных состояний системы, представний о моделируемой системе. Кроме того, при увелиляющих собой количественное или качественное опи Вестник Сибирского государственного аэрокосмического университета имени академика М. Ф. Решетнева чении числа переменных для построения модели не- где {1,..., }, Y'R = (X, pR). Величина ER предобходимо увеличить объем экспериментальных дан- ставляет собой оценку максимальной ошибки модели.

ных. Эффект опущенных (скрытых) входных параПриемлемое решение вырабатывает модель R, для метров может нарушать однозначность моделируемой которой выполняется соотношение функции.

ER E'. (5) Во-вторых, в данных всегда присутствуют ошибки разной природы, шум, а также противоречия отдель- Таким образом, соотношение (5) – критерий оценки достижения приемлемого решения СФЗ. Если усных измерений друг другу. За исключением простых случаев, искажения в данных не могут быть устране- ловие (5) истинно, то СФЗ решена; если ложно – точны полностью. ность решения СФЗ посредством реализации модели В-третьих, экспериментальные данные могут со- R будет ниже предъявленной.

держать пропущенные значения (например, вследст- Существует множество алгоритмов решения задавие потери информации, отказа измеряющих датчи- чи выбора модели, дающей приемлемое решение ков, невозможности проведения полного набора ана- СФЗ. Важнейшим из них является метод идентификализов и т. п.).

ции модели объекта для дальнейшего сопоставления Меру достижения решения СФЗ будем характериих параметров, т. е. модификации p – вектора паразовать показателем e. При идентификации модели метров модели. В последнее время методы идентифиСФЗ возникает задача принятия решений в условиях кации сводят к двум основным направлениям:

неопределенности: при заданных условиях Z, с уче– детерминистическому, основанному на анализе том неизвестных факторов найти такую модель причинно-следственных связей, причем он включает во множестве реализуемых моделей решения СФЗ в себя как детерминированные, так и статистические Q ( Q), которая обеспечивает глобальный экстреметоды;

мум показателя e, соответствующий оптимальному – методу эвристической самоорганизации, которешению задачи. Показатель e зависит от всех трех рый включает в себя методы селекции, эволюции групп факторов e = (Z,, Q). Однако, как показывает и адаптации.

практика, для приемлемого решения СФЗ достаточно Решение СФЗ представляет собой итерационный найти «хороший» локальный экстремум. Поэтому при процесс взаимодействия человека и модели системы заданных условиях во множестве реализуемых моде(рис. 1).

лей решения СФЗ Q ищутся такие модели R (R Q), Итерация состоит из фазы анализа и подбора которые обеспечивают приемлемое решение задачи, входных данных Vnew для модели системы, выполняесоответствующее приемлемому значению оценки помой лицом, принимающим решение, и фазы оптимиказателя eR = (Z,, R), где R {1,..., K0}. Такая зазации (поиска решения Y'new и выполнения его харакдача трудноразрешима классическими методами оптеристик), реализуемой моделью системы.

тимизации.

Можно выделить несколько типов моделей, отлиФормальный выбор критерия оценки достижения чающихся по характеру запросов к ним. Перечислим приемлемого решения СФЗ заключается в нижеслелишь некоторые из них.

дующем.

1. Моделирование отклика системы на внешнее Для решаемой задачи существует допустимая абвоздействие.

солютная погрешность E' в значении системной 2. Классификация внутренних состояний системы.

функции B = F(U), где U и B – области соответствен3. Прогноз динамики изменения системы.

но определения и значения функции. Иначе говоря, 4. Оценка полноты описания системы и сравнивыполняется соотношение B F(U)± E'. Приемлемое тельная информационная значимость параметров сисрешение соответствует таким моделям R, что на всей темы.

области определения U значения модельной функции 5. Оптимизация параметров системы по отношеB'R = (U, pR) и системной F(U) отличаются не более нию к заданной функции ценности.

Pages:     | 1 |   ...   | 24 | 25 || 27 | 28 |   ...   | 65 |



© 2011 www.dissers.ru - «Бесплатная электронная библиотека»

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.