Xreferat.com » Рефераты по информатике и программированию » Предмет и объект прикладной информатики

Предмет и объект прикладной информатики

возникающих в самых различных областях человеческой деятельности. Задача прогнозирования в общем случае состоит в получении оценки будущих значений упорядоченных во времени данных на основе анализа уже имеющихся данных.

13-я проблема Гильберта

Вопрос о том, можно ли любую функцию многих переменных представить в виде суперпозиции функций меньшего количества переменных на Всемирном конгрессе Давидом Гильбертом были сформулированы 23 проблемы, которые он предложил решать математикам начинающегося XX века. Одна из этих проблем, под номером тринадцать, декларировала невозможность такого представления.

Однако последующие исследования показали, что 13-я проблема Гильберта имеет иное решение. А.Н.Колмогоровым и его учеником В.И.Арнольдом принципиальной возможности представления непрерывных функций нескольких переменных в виде суперпозиции функций меньшего числа переменных.

Теорема. Для любого множества пар отличных между собой входных и выходных векторов произвольной размерности существует двухслойный персептрон с сигмоидными передаточными функциями и с конечным числом нейронов, который для каждого входного вектора Предмет и объект прикладной информатики формирует соответствующий ему выходной вектор Предмет и объект прикладной информатики. Таким образом, была доказана принципиальная возможность построения нейросети, выполняющей преобразование, заданное любой обучающей выборкой различающихся между собой примеров, и установлено, что такой универсальной нейросетью является двухслойный персептрон.

Для определения необходимого количества нейронов в скрытых слоях персептрона была предложена формула, являющаяся следствием теорем Арнольда – Колмогорова – Хехт-Нильсена:


Предмет и объект прикладной информатики, (3.44)


где Предмет и объект прикладной информатики – размерность выходного сигнала; Предмет и объект прикладной информатики – число элементов обучающей выборки;Предмет и объект прикладной информатикиПредмет и объект прикладной информатики – необходимое число синаптических весов; Предмет и объект прикладной информатики – размерность входного сигнала. Оценив с помощью этой формулы необходимое число синаптических весов, можно рассчитать число нейронов в скрытых слоях. Например, число нейронов скрытого слоя двухслойного персептрона


Предмет и объект прикладной информатики. (3.45)


Гиперразмерность – слишком много нейронов на скрытом слое.

С несколькими нейронами (гиперразмерность)

С 2 персептронами – с одним пересечением

С одним персептроном – прямая

Однако поверхность ошибок имеет более сложный характер. Так, на рис. 3.19, б, изолинии поверхности ошибок имеют вид эллипсов, а сама поверхность вблизи минимальной точки имеет форму оврага. В этом случае траектория градиентного спуска представляет собой ломаную линию, каждый отрезок которой ортогонален к линии уровня в той точке поверхности ошибок, из которой производится очередной шаг.

Проблемы проектирования и обучения нейросете

Общая формулировка задач оптимизации и различия геометрической интерпретации, различных способов минимизации целевых функций.

Поверхность ошибок (рисунок купола с точкой на дне)


Предмет и объект прикладной информатики средняя квадратичная ошибка


Задачи оптимизации: глобальные(найти самый минимальный min), локальные.

Проблемы и методы обучения

Как было показано в предыдущих подразделах, изобретение алгоритма обратного распространения ошибки открыло путь широкому практическому применению многослойного персептрона. Вместе с тем, с расширением фронта научных исследований обнаружились и недостатки этого алгоритма.

Прежде всего отметим, что алгоритм обратного распространения ошибки в его первоначальном изложении реализовывал метод наискорейшего спуска, который является далеко не самым лучшим градиентным методом теории оптимизации

Если бы изолинии поверхности ошибок нейросети представляли собой концентрические окружности, то направление антиградиента указывало бы на точное расположение точки минимума целевой функции. Однако поверхность ошибок имеет более сложный характер. изолинии поверхности ошибок имеют вид эллипсов, а сама поверхность вблизи минимальной точки имеет форму оврага. В этом случае траектория градиентного спуска представляет собой ломаную линию, каждый отрезок которой ортогонален к линии уровня в той точке поверхности ошибок, из которой производится очередной шаг.

В настоящее время основная проблема обучения персептронов состоит в том, что поверхность функции ошибок обычно имеет очень сложную форму со множеством локальных минимумов. методы обычно приводят к одному из локальных минимумов, лежащих в окрестности начальной точки обучения. Если после нахождения такого минимума погрешность обучения нейросети признается неудовлетворительной, то сеть «встряхивают», давая весовым коэффициентам случайные приращения, и продолжают процесс обучения из другой точки.

В связи с этим, актуальным является развитие методов глобальной оптимизации, т.е. таких, которые позволяют найти глобальный минимум многоэкстремальной целевой функции. Среди множества возможных подходов наиболее успешным признается идея генетических алгоритмов. Эта идея, впервые предложенная Дж.Холландом в 70-х годах XX в. [58], состоит в имитации природных оптимизационных процессов, происходящих при эволюции живых организмов.

Таким образом, символьные модели искусственного интеллекта — это формальные системы, основанные на использовании языка алгоритмов и представлении данных по принципу "сверху вниз" (top-down), а нейронные сети — это параллельные распределенные процессоры, обладающие естественной способностью к обучению и работающие по принципу "снизу вверх" (bottom-up). Поэтому при решении когнитивных задач целесообразно создавать структурированные модели на основе связей (structured connectionist models) или гибридные системы (hybrid system), объединяющие оба подхода. Это обеспечит сочетание свойств адаптивности, робастности и единообразия, присущих нейронным сетям, с представлениями, умозаключениями и универсальностью систем искусственного интеллекта [293], [1108]. Для реализации этого подхода были разработаны методы извлечения правил из обученных нейронных сетей [61]. Эти результаты не только позволяют интегрировать нейронные сети с интеллектуальными машинами, но и обеспечивают решение следующих задач.

Верификация нейросетевых компонентов в программных системах. Для этого внутреннее состояние нейронной сети переводится в форму, понятную пользователям.

Улучшение обобщающей способности нейронной сети за счет выявления областей входного пространства, не достаточно полно представленных в обучающем множестве, а также определения условий, при которых обобщение невозможно.

Выявление скрытых зависимостей на множестве входных данных.

Интеграция символьного и коннекционистского подходов при разработке интеллектуальных машин.

Обеспечение безопасности систем, для которых она является критичной.


Данные и знания. Модели представления знаний. Представление знаний с помощью фреймов и семантических сетей. Экспертные системы и их области применения. Преимущества и недостатки технологии экспертных систем по отношению к нейросетевым технологиям


Данные – это отдельные факты, характеризующие объекты, процессы и явления предметной области, а также их свойства

При обработке на ЭВМ данные трансформируются, последовательно проходя следующие этапы:

Предмет и объект прикладной информатики данные, существующие как результат измерений и наблюдений;

Предмет и объект прикладной информатики данные на материальных носителях информации – в таблицах, протоколах, справочниках;

Предмет и объект прикладной информатики структуры данных в виде диаграмм, графиков, функций;

Предмет и объект прикладной информатики данные в компьютере на языке описания данных;

Предмет и объект прикладной информатики базы данных.

Знания связаны с данными, основываются на них, но представляют собой результат мыслительной деятельности человека, обобщают его опыт, полученный в ходе практической деятельности. Знания – это выявленные закономерности предметной области.

При обработке на ЭВМ знания трансформируются аналогично данным:

Предмет и объект прикладной информатики знания, существующие в памяти человека как результат обучения, воспитания, мышления;

Предмет и объект прикладной информатики знания, помещенные на материальных носителях: учебниках, инструкциях, методических пособиях, книгах;

Предмет и объект прикладной информатики знания, описанные на языках представления знаний и помещенные в компьютер;

Предмет и объект прикладной информатики базы знаний.

Знания могут быть классифицированы по следующим категориям:

Предмет и объект прикладной информатики поверхностные – знания о видимых взаимосвязях между отдельными событиями и фактами в предметной области;

Предмет и объект прикладной информатики глубинные – абстракции, аналогии, схемы, отображающие структуру и процессы в предметной области.

Кроме того, знания можно разделить на процедурные и декларативные.

первичными были процедурные знания, т.е. знания, растворенные в алгоритмах. Они управляли данными. Для их изменения требовалось изменять программы.

Рассмотрим, например, фрагмент программы на Паскале.


Pi:= 3.14

R:= 20

S:= Pi * R * R

WRITELN (‘Площадь круга S=’, S)


Первые два оператора представляют собой данные, третий оператор – знание. Оно является результатом интеллектуальной деятельности древних геометров и представляет собой закон, выражающий площадь круга через его радиус.

Способы представления декларативных знаний Классам:

Предмет и объект прикладной информатики продукционные;

Предмет и объект прикладной информатики фреймы;

Предмет и объект прикладной информатики семантические сети.

Методы представления знаний

Продукционная система состоит из трех основных компонентов, схематично изображенных на рис. 2.1. Первый из них – это база знаний, состоящих из правил типа: Если (условие), то (действие). «Если» холодно, «то» одеть шубу. «Если» идет дождь, «то» взять зонтик. И т.п.

Следующим компонентом является рабочая память, в которой хранятся исходные данные к задаче и выводы, полученные в ходе работы системы.

Третьим компонентом является механизм логического вывода, использующий правила в соответствии с содержимым рабочей памяти.

Рассмотрим конкретный пример.

В базе правил экспертной системы имеются два правила:

Правило 1.

ЕСЛИ «намерение – отдых» и

«дорога ухабистая»

ТО «использовать джип»

Правило 2.

ЕСЛИ «место отдыха – горы»

ТО «дорога ухабистая»

Допустим, что в рабочую память поступили исходные данные:

«намерения – отдых»

«место отдыха – горы»

Правило 3.

ЕСЛИ «намерение – отдых»

ТО «нужна скорость»

Кроме того, введем условие останова системы: появление в рабочей памяти образца «использовать джип».

Фреймы

Фрейм – это модель абстрактного образа, минимально возможное описание сущности какого-либо объекта, явления, события, ситуации, процесса. Фрейм состоит из имени и отдельных единиц, называемых слотами, и имеет однородную структуру:

ИМЯ ФРЕЙМА

Имя 1-го слота: значение 1-го слота.

Имя 2-го слота: значение 2-го слота.

Имя N-го слота: значение N-го слота.

Например, на схеме рис. 2.2 фрейм «Студент» имеет ссылки на вышестоящие фреймы: «Человек» и «Млекопитающее». Поэтому, на вопрос: «Может ли студент мыслить ?», ответ будет положительным, так как этим свойством обладает вышестоящий фрейм «Человек».

Основным преимуществом фреймов, как способа представления знаний, является наглядность и гибкость в употреблении. Кроме того, фреймовая структура согласуется с современными представлениями о хранении информации в памяти человека.

Семантические сети

В основе этого способа представления знаний лежит идея о том, что любые знания можно представить в виде совокупности понятий (объектов) и отношений (связей). Семантическая сеть представляет собой ориентированный граф, вершинами которого являются понятия, а дугами – отношения между ними. Сам термин семантическая означает смысловая.

На рис. 2.3 приведен пример семантической сети.

Основным преимуществом этой модели является наглядность представления знаний, а также соответствие современным представлениям об организации долговременной памяти человека. Недостаток – сложность поиска вывода, а также сложность корректировки: удаление и дополнение сети новыми знаниями.

Экспертные системы и их области применения.

Диапазон областей применения ЭС очень широк. И образование не является исключением. В последнее время сформировалось и развивается направление в исследованиях – искусственный интеллект в обучении, под которым понимается новая методология психологических, дидактических и педагогических исследований по моделированию поведения человека в процессе обучения, опирающаяся на методы инженерии знаний.

в настоящее время технология экспертных систем используется для решения различных типов задач (интерпретация, предсказание, диагностика, планирование, конструирование, контроль, отладка, инструктаж, управление) в самых разнообразных проблемных областях, таких, как финансы, нефтяная и газовая промышленность, энергетика, транспорт, фармацевтическое производство, космос, металлургия, горное дело, химия, образование, целлюлозно-бумажная промышленность, телекоммуникации и связь и др.

Преимущества и недостатки технологии экспертных систем по отношению к нейросетевым технологиям.

Машинное обучение может включать два совершенно разных способа обработки информации: индуктивный (inductive) и дедуктивный (deductive). При индуктивной обработке информации общие шаблоны и правила создаются на основании практического опыта и потоков данных. При дедуктивной обработке информации для определения конкретных фактов используются общие правила.

сравнить модели нейронных сетей с символьными системами искусственного интеллекта.

1. Уровень объяснения Классические системы искусственного интеллекта основаны на символьном представлении.

С точки зрения познания AI предполагает существование ментального представления, в котором познание осуществляется как последовательная обработка символьной информации.

В центре внимания нейронных сетей находятся модели параллельной распределенной обработки предполагается, что обработка информации происходит за счет взаимодействия большого количества нейронов, каждый из которых передает сигналы возбуждения и торможения другим нейронам сети

2. Стиль обработки. В классических системах искусственного интеллекта обработка происходит последовательно как и в традиционном программировании. операции все равно выполняются пошагово.

В нейронных сетях принцип параллелизма, который является источником их гибкости. Кроме того, можно дополнительно повысить робастность сети, представляя каждое свойство группой нейронов.

3. Структура представления. В классических системах искусственного интеллекта в качестве модели выступает язык мышления, поэтому символьное представление имеет структуру подобно фразам обычного в нейронных сетях природа и структура представления являются ключевыми проблемами. нейронные сети не удовлетворяют двум основным критериям процесса познания: природе мысленного представления и мыслительных процессом.

символьные модели искусственного интеллекта — это формальные системы, основанные на использовании языка алгоритмов и представлении данных по принципу "сверху вниз" (top-down), а нейронные сети — это параллельные распределенные процессоры, обладающие естественной способностью к обучению и работающие по принципу "снизу вверх" (bottom-up).

Поэтому при решении когнитивных задач целесообразно создавать структурированные модели на основе связей или гибридные системы, объединяющие оба подхода. Это обеспечит сочетание свойств адаптивности, робастности и единообразия, присущих нейронным сетям, с представлениями, умозаключениями и универсальностью систем искусственного интеллекта

Если Вам нужна помощь с академической работой (курсовая, контрольная, диплом, реферат и т.д.), обратитесь к нашим специалистам. Более 90000 специалистов готовы Вам помочь.
Бесплатные корректировки и доработки. Бесплатная оценка стоимости работы.

Поможем написать работу на аналогичную тему

Получить выполненную работу или консультацию специалиста по вашему учебному проекту
Нужна помощь в написании работы?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Пишем статьи РИНЦ, ВАК, Scopus. Помогаем в публикации. Правки вносим бесплатно.

Похожие рефераты: