Самообучающиеся системы. Самообучающиеся интеллектуальные системы основаны на методах автоматической классификации ситуаций из реальной практики

Самообучающиеся интеллектуальные системы основаны на методах автоматической классификации ситуаций из реальной практики, или на методах обучения на примерах. Примеры ре­альных ситуаций составляют так называемую обучающую выбор­ку, которая формируется в течение определенного исторического периода. Элементы обучающей выборки описываются множест­вом классификационных признаков.

Стратегия «обучения с учителем» предполагает задание спе­циалистом для каждого примера значений признаков, показыва­ющих его принадлежность к определенному классу ситуаций. При обучении «без учителя» система должна самостоятельно вы­делять классы ситуаций по степени близости значений класси­фикационных признаков.

В процессе обучения проводится автоматическое построение обобщающих правил или функций, описывающих принадлеж­ность ситуаций к классам, которыми система впоследствии будет пользоваться при интерпретации незнакомых ситуаций. Из обоб­щающих правил, в свою очередь, автоматически формируется ба­за знаний, которая периодически корректируется по мере накоп­ления информации об анализируемых ситуациях.

Построенные в соответствии с этими принципами самообу­чающиеся системы имеют следующие недостатки:

относительно низкую адекватность баз знаний возникаю­щим реальным проблемам из-за неполноты и/или зашумленнос­ти обучающей выборки;

низкую степень объяснимости полученных результатов;

поверхностное описание проблемной области и узкую на­правленность применения из-за ограничений в размерности признакового пространства.

Индуктивные системы позволяют обобщать примеры на ос­нове принципа индукции «от частного к общему». Процедура обобщения сводится к классификации примеров по значимым признакам. Алгоритм классификации примеров включает следу­ющие основные шаги.

1. Выбор классификационного признака из множества за­данных.

2. Разбиение множества примеров на подмножества по значе­нию выбранного признака.

3. Проверка принадлежности каждого подмножества приме­ров одному из классов.

4. Проверка окончания процесса классификации. Если ка­кое-то подмножество примеров принадлежит одному подклассу, т.е. у всех примеров этого подмножества совпадает значение классификационного признака, то процесс классификации за­канчивается.

5. Для подмножеств примеров с несовпадающими значения­ми классификационных признаков процесс распознавания про­должается, начиная с первого шага. При этом каждое подмноже­ство примеров становится классифицируемым множеством.

Нейронные сети представляют собой классический пример технологии, основанной на примерах. Нейронные сети - обоб­щенное название группы математических алгоритмов, обладаю­щих способностью обучаться на примерах, «узнавая» впоследст­вии черты встреченных образцов и ситуаций. Благодаря этой способности нейронные сети используются при решении задач обработки сигналов и изображений, распознавания образов, а также для прогнозирования.

Нейронная сеть - это кибернетическая модель нервной сис­темы, которая представляет собой совокупность большого числа сравнительно простых элементов — нейронов, топология соеди­нения которых зависит от типа сети. Чтобы создать нейронную сеть для решения какой-либо конкретной задачи, следует вы­брать способ соединения нейронов друг с другом и подобрать значения параметров межнейронных соединений.

В системах, основанных на прецедентах, БЗ содержит описа­ния конкретных ситуаций (прецеденты). Поиск решения осуще­ствляется на основе аналогий и включает следующие этапы:

• получение информации о текущей проблеме;

• сопоставление полученной информации со значениями признаков прецедентов из базы знаний;

• выбор прецедента из базы знаний, наиболее близкого к рас­сматриваемой проблеме;

• адаптация выбранного прецедента к текущей проблеме;

• проверка корректности каждого полученного решения;

• занесение детальной информации о полученном решении в БЗ.

Прецеденты описываются множеством признаков, по кото­рым строятся индексы быстрого поиска. Однако в системах, основанных на прецедентах, в отличие от индуктивных систем до­пускается нечеткий поиск с получением множества допустимых альтернатив, каждая из которых оценивается некоторым коэф­фициентом уверенности. Наиболее эффективные решения адап­тируются к реальным ситуациям с помощью специальных алго­ритмов.

Системы, основанные на прецедентах, применяются для рас­пространения знаний и в системах контекстной помощи.

Информационные хранилища отличаются от интеллектуальных баз данных, тем, что представляют собой хранилища значимой информации, регулярно извлекаемой из оперативных баз дан­ных. Хранилище данных - это предметно-ориентированное, ин­тегрированное, привязанное ко времени, неизменяемое собра­ние данных, применяемых для поддержки процессов принятия управленческих решений. Предметная ориентация означает, что данные объединены в категории и хранятся в соответствии с теми областями, которые они описывают, а не с приложениями, которые их используют. В хранилище данные интегрируются в целях удовлетворения требований предприятия в целом, а не от­дельной функции бизнеса. Привязанность данных ко времени выражает их «историчность», т.е. атрибут времени всегда явно присутствует в структурах хранилища данных. Неизменяемость означает, что, попав однажды в хранилище, данные уже не изме­няются в отличие от оперативных систем, где данные присутст­вуют только в последней версии, поэтому постоянно меняются. Технологии извлечения знаний из хранилищ данных основа­ны на методах статистического анализа и моделирования, ориен­тированных на поиск моделей и отношений, скрытых в совокуп­ности данных. Эти модели могут в дальнейшем использоваться для оптимизации деятельности предприятия или фирмы.

Для извлечения значимой информации из хранилищ данных имеются специальные методы (OLAP-анализа, Data Mining или Knowledge Discovery), основанные на применении методов мате­матической статистики, нейронных сетей, индуктивных методов построения деревьев решений и др.

Технология OLАР (On-Line Analytical Processing — оператив­ный анализ данных) предоставляет пользователю средства для формирования и проверки гипотез о свойствах данных или отно­шениях между ними на основе разнообразных запросов к базе данных. Они применяются на ранних стадиях процесса извлечения знаний, помогая аналитику сфокусировать внимание на важ­ных переменных. Средства Data Mining отличаются от ОLАР тем, что кроме проверки предполагаемых зависимостей они спо­собны самостоятельно (без участия пользователя) генерировать гипотезы о закономерностях, существующих в данных, и строить модели, позволяющие количественно оценить степень взаимного влияния исследуемых факторов на основе имеющейся информации.

Дата добавления: 2014-01-05