Структура і функції ІС

На рис. 1.8 наведено формалізовану схему здатної навчатися ІС керування слабо формалізованим процесом, в якій для наочності показано лише інформаційні потоки, основні агрегатовані функціональні вузли та відповідні робочі змінні системи.

Рисунок 1.8 – Функціональна схема формалізованої ІС,

що навчається

Наведена на рис.1.8 структура дозволяє функціонувати системі як у режимі навчання, так і в режимі екзамену. Робота системи регламентується ОПР, який видає команду на блок кінцевої обробки інформації (БКОІ) для вироблення керуючих команд , де m –кількість функціональних станів. Блок первинної обробки інформації (БПОІ) перетворює інформацію про функціональний стан ІС до вигляду, зручного для подальшого оброблення ЕОМ, і передає її у блок формування векторів розпізнавання (БФВР), що формує бінарні вектори-реалізації щляхом порівняння поточних ознак розпізнавання з відповідними контрольними допусками . На виході БФВР формується структурований випадковий бінарний вектор-реалізація образу, кожна координата якого є одномісним предикатом, що приймає значення «1», якщо значення ознаки знаходиться в полі контрольних допусків, і «0», якщо - не знаходиться. У загальному випадку, коли навчання СППР здійснюється без ”учителя”, тобто за апріорно некласифікованою навчальною вибіркою, то з БФВР вектори реалізації подаються на вхід блоку розвідувального аналізу (БРА) для оцінки статистичної сталості та однорідності навчальної вибірки за відповідними статистичними критеріями. На виході БРА з деяким наперед заданим рівнем довіри формується багатовимірна навчальна матриця , де – символ відкритості множини, тобто потужність цієї множини може в процесі функціонування ІС змінюватися.

Для прогнозування зміни функціональної ефективності та надійності ІС в блок прогнозування (БП) з бази знань надходять значення одновимірних статистик навчальних матриць, які порівнюються з поточними статистиками екзаменаційної матриці. Таким чином, розглянута структура ІС, що навчається, характеризується широкими функціональними можливостями і дозволяє розв’язувати задачі навчання і екзамену, включаючи задачу прогностичної класифікації.

Розглянемо функціонування ІС у режимі навчання.

При дії на процес, що досліджується, випадкових факторів на виході БПОІ формується навчальна матриця , яка складається з квантованих за часом нормалізованих випадкових значень ознак розпізнавання.

У БФВР як результат оцінки допускового контролю формується бінарна навчальна матриця , яка складається із структурованих випадкових векторів-реалізацій образу , де N - кількість ознак розпізнавання. При цьому система контрольних допусків (СКД) та рівні селекції потрапляють в БФВР із бази даних. Змінними на першому виході блоку “Екзамен” є гіпотези про належність реалізацій, що розпізнаються, одному з класів алфавіту .

З виходу блоку “Навчання” у базу знань надходить вектор всіх оптимальних параметрів функціонування СППР, які забезпечують максимум .

У режимі екзамену у блок “Екзамен” надходять значення параметрів навчання: еталонні вектори {} і екстремальні значення геометричних параметрів контейнерів відповідних класів.

У прогностичному режимі навчання, крім цих параметрів, обчислюються значення одновимірних екстремальних порядкових статистик {}, інваріантних до параметрів розподілу ймовірностей реалізацій образу.

Випробування, під час якого КФЕ набуває свого максимального значення , є моментом зупинення навчання розпізнавання реалізацій класу . При цьому поточне значення статистики , яка є членом варіаційного ряду, приймається за екстремальне та визначаються оптимальні значення . У режимі прогностичного екзамену на перший вхід БП надходить поточне значення статистики , яка обчислюється класифікатором і характеризує статистичні властивості бінарної екзаменаційної матриці. На інший вхід БП надходить масив статистик {}, які є інваріантними до законів розподілу ймовірностей і характеризують статистичні властивості класів розпізнавання з моменту першого навчання t ₁ до моменту прогнозування . Оцінку точності прогнозу природно пов’язувати з достовірністю розпізнавання або із значенням отриманого в момент критерію . Результатом БП є клас розпізнавання {}, який характеризує функціональний стан АСК в упереджений момент часу t _k, , де k ₀ - величина прогностичного інтервалу і час перенавчання ІС –.

Таким чином, розглянута формалізована структурна схема здатної навчатися ІС є узагальненням структур ІС широкого класу як за призначенням, так і за їх функціями.

1.7. Загальна постановка задачі інформаційного

синтезу ІС, що навчається

З метою звуження проблеми будемо розглядати тільки найважливішу складову загальної ефективності - функціональну ефективність навчання системи, яка характеризується інформаційною спроможністю системи. Тоді має місце така постановка задачі загального інформаційного синтезу ІС, що навчається.

Нехай відома багатовимірна навчальна матриця типу «об’єкт-властивість», яка характеризує m -й функціональний стан ІС – клас розпізнавання :

. (1.7.1)

У матриці (1.7.1) рядок є реалізацією образу , де N - кількість ознак розпізнавання, а стовпчик матриці - випадкова навчальна вибірка , де n - обсяг вибірки. Дано структурований вектор просторово-часових параметрів функціонування g=< g₁, …, g_x, …, >, які прямо або непрямо впливають на функціональну ефективність ІС, що навчаються, з відповідними на них обмеженнями R_x (g₁, …,) . Необхідно визначити оптимальні значення параметрів функціонування , які забезпечують максимум КФЕ:

,.

де Е_m - КФЕ процесу навчання розпізнавати реалізації класу ; G - область допустимих значень параметрів функціонування ІС.

При цьому розв’язком задачі часткового інформаційного синтезу системи може бути визначення оптимального значення, наприклад, параметра як

,

де – область допустимих значень параметра .

Метод інформаційного синтезу ІС, що навчається, повинен відповідати таким основним вимогам:

· прямо та об’єктивно характеризувати функціональну ефективність системи;

· бути в рамках методології аналізу даних об’єктно-орієнтованим методом проектування;

· у рамках детерміновано-статистичного підходу корегувати математичний опис на вході нечіткого регулятора з метою побудови класифікатора, який забезпечує на екзамені повну достовірність рішень, наближену до максимальної асимптотичної, що визначається ефективністю навчання ІС;

· забезпечувати високу функціональну ефективність навчання ІС при прийнятті гіпотез як чіткої, так і нечіткої компактності реалізацій образу, яка допускає перетин класів розпізнавання, що має місце на практиці;

· оптимізувати просторово-часові параметри функціонування ІС, що навчається, за інформаційним КФЕ;

· розв’язувати задачі прогнозування зміни функціональної ефективності та надійності ІС;

· бути універсальним для здатних навчатися ІС різної природи та призначення.

Таким чином, задача загального інформаційного синтезу ІС, що навчається, потребує для її розв’язання оптимізації за КФЕ всіх параметрів функціонування системи, які впливають на її ефективність. Такі параметри можуть задаватися як тактико-технічним завданням на проектування системи (наприклад, параметри якості перехідного процесу, точності, надійності та інші директивні параметри), так і визначатися безпосередньо розробником ІС при пошуку інформаційно-технічних рішень забезпечення виконання системою поставленої задачі.

1.8 Основні задачі інформаційного аналізу і синтезу ІС

Виходячи із загальної постановки задачі, інформаційний аналіз і синтез ІС, що навчається, розпадається на ряд самостійних задач, основні з яких наведено на рис. 1.9.

Перша і друга задачі є типовими задачами математичної статистики. Специфіка другої задачі полягає в тому, що для аналізу результатів спостережень за множиною об’єктів з метою виявлення емпіричних закономірностей даних розглядаються тільки такі багатовимірні структури, які може бути подано або у вигляді матриць типу (1.7.1), або у вигляді матриць відношень (попарних порівнянь) між об’єктами. У матриці відношень елемент визначає результат зіставлення об’єктів i в розумінні деякого заданого відношення: схожості (відмінності), взаємозв’язку, переваги, відстані та інше.

Поряд з такими видами взаємозв’язків між компонентами багатовимірної структури даних, як кількісні, якісні, змішані (різновидові) і порядкові, які досліджуються класичними методами статистичного аналізу, об’єктом дослідження класифікаційного аналізу даних є насамперед класифікаційний взаємозв’язок. Саме цей тип взаємозв’язку дозволяє розбивати досліджувану множину об’єктів на підмножини, які знаходяться між собою у відношенні еквівалентності.

Рисунок 1.9 – Основні типові задачі інформаційного

аналізу і синтезу ІС

Третя задача оцінки функціональної ефективності ІС, що навчається, пов'язана з проблемою вибору та обчислення КФЕ. Можна виділити два основних підходи до оцінювання функціональної ефективності, один з яких базується на економічних показниках, а інший – на інформаційних. Об’єднуючим є підхід, що базується на узагальненому КФЕ, який дозволяє оцінювати дві складові ефективності: інформаційну здатність системи та зведену вартість її функціонування [43]. Оскільки класифікація здійснюється за критерієм схожості, а мірою відображеної різноманітност є кількість інформації, то застосування інформаційного КФЕ системи є природним.

Четверта задача є центральною при розв'язанні задачі інформаційного синтезу ІС, що навчається. Як параметри функціонування ІС виступають її просторово-часові характеристики, які прямо або непрямо впливають на точнісні характеристики системи. Як параметри, що регулюються, слід розглядати, в першу чергу, параметри навчання системи, які впливають безпосередньо на асимптотичну ефективність її функціонування. Послідовність оптимізації параметрів навчання визначається планом навчання, параметри якого теж можуть, у свою чергу, виступати як параметри функціонування ІС, що регулюються. Взагалі, визначення параметрів, які впливають на ефективність функціонування ІС, потребує ретельного системного аналізу на етапі апріорного моделювання.

Розв’язок п’ятої задачі пониження розмірності ознакового простору, що аналізується, дозволяє збільшити оперативність алгоритмів класифікації і достовірність розпізнавання за рахунок виключення «заважаючих» ознак, які обумовлені впливом внутрішніх і зовнішніх завад як випадкових, так і організованих, наприклад, з метою дезінформації. Передумовою постановки такої задачі є сильна залежність ознак розпізнавання, їх дублювання, можливість їх агрегатування, наприклад, шляхом об’єднання, складання, групування та інше, а так само їх різна інформаційна навантаженість (інформативність). Формальна постановка задачі зниження розмірності ознакового простору така.

Нехай дана вхідна структурована вибіркова послідовність:де – первинні ознаки; – вторинні ознаки. Нехай задана міра інформаційної спроможності ІС – . Треба вибрати таку послідовність , де i , щоб у класі допустимих перетворень первинних ознак . У випадку розв’язок цієї задачі є неоптимальним в інформаційному розумінні.

Зниження розмірності ознакового простору Ω може здійснюватися з такою метою:

· суттєве стиснення обсягів інформації для підвищення оперативності обробки та ємності її зберігання;

· відбір інформативних, вилучення неінформативних і «заважаючих» ознак та визначення латентних ознак розпізнавання.

Шоста задача інформаційного синтезу ІС, що навчається, полягає в проведенні розвідувального аналізу, який набуває особливої ваги, коли навчальна матриця є апріорно некласифікованою, що має місце, наприклад, у задачах кластер-аналізу. Суть методів розвідувального аналізу полягає у перевірці статистичної сталості та статистичної однорідності вхідних даних з метою виявлення при заданому рівні довіри моменту переходу функціонального стану ІС в інший. При цьому сучасна комп’ютерна графіка надає можливість візуалізації даних, у тому числі і в інтерактивному режимі та з високою оперативністю.

Сьома задача набуває важливого значення при інформаційному синтезі ІС, що навчається з відкритим алфавітом класів розпізнавання , який поповнюється або в процесі навчання, або при виявленні нових класів, як це має місце при кластер-аналізі. Особливість цієї задачі полягає в тому, що її розв‘язання дозволяє не тільки оцінювати точнісні характеристики процесу навчання, які визначають асимптотичну ефективність ІС, а й безпосередньо змінювати алгоритм навчання у міру введення в алфавіт нових класів. Розв‘язання цієї задачі, насамперед, тісно пов‘язано із застосуванням методів та ідей теорії завадозахищеного кодування [44]. Крім того, для здобуття оцінок допустимих співвідношень між геометричними параметрами контейнерів класів розпізнавання та розмірністю простору ознак важливого значення набуває розроблення теорії упакування такого простору контейнерами різної геометричної форми.

Розв’язання восьмої задачі спрямовано на підтримку функціональної ефективності ІС за умови зміни в часі параметрів розподілу реалізацій образу. Поряд із постановкою задачі перспективного прогнозування зміни функціональної ефективності (інформаційної спроможності) системи так само актуальною є постановка задачі нормативного прогнозування з метою, наприклад, визначення моменту перенавчання ІС. Необхідність перенавчання ІС обумовлена дрейфом у часі та в просторі ознак вершин випадкових векторів – реалізацій образів при незмінних геометричних параметрах вирішальних правил для відповідних класів розпізнавання. Один з можливих шляхів розв‘язання цієї задачі полягає у конструюванні прогнозуючої функції у вигляді одновимірної порядкової статистики, яка чутлива до виходу значень ознак розпізнавання за межі своїх контрольних допусків. Тоді прогнозування моменту перенавчання ІС може здійснюватися через оцінку виходу поточної статистики , що обчислюється на екзамені, за межі системи довірчих інтервалів для значення відповідної екстремальної порядкової статистики , що обчислюється на етапі прогностичного навчання.

Оскільки зміна функціонального стану ІС в часі призводить до зміни її точнісних характеристик, то взагалі мова тут може йти про зміну інформаційної спроможності системи, яка оцінюється усередненим значенням КФЕ, який є часовою функцією. Тоді в загальному випадку умовою перенавчання ІС є виконання співвідношення

,

де - допустиме мінімальне усереднене значення КФЕ навчання ІС.

1.9 Контрольні запитання та завдання

до першого розділу

1 Що називається інтелектуальною системою?

2 Яка мета проектування ІС?

3 Що розуміється під функціонуванням ІС?

4 Що розуміється під загальною та функціональною ефективністю ІС?

5 Які три основні класи задач синтезу ІС.

6 У чому полягає головна задача проектування ІС?

7 Які особливості етапів апріорного та апостеріорного проектування?

8 Чим відрізняється автоматизована ІС від автоматичної?

9 Які основні властивості слабо формалізованого керованого процесу?

10 Що називається інтелектувальною системою підтримки прийняття рішень?

11 Які особливості мають детерміновані, статистичні та детерміновано статистичні ІС?

12 Наведіть класифікацію ІС за ступенєм інтелектуалізації (повноти інформації).

13 Наведіть класифікацію ІС, що навчаються.

14 Наведіть класифікацію знання-орієнтованих ІС.

15 Які основні підходи до аналізу та синтезу ІС.

16 Які основні аспекти функціонування ІС?

17 Які основні загальносистемні принципи проектування ІС, що навчаються.

18 Як реалізується принцип дуальності при проектуванні ІС?

19 Як реалізується принцип зовнішнього доповнення при проектуванні ІС?

20 Які основні властивості ІС?

21 Що є умовою спостережуваності ІС з точки зору теоретико-інформаційного підходу?

22 Наведіть основні етапи життєвого циклу ІС.

23 Накресліть графік зміни показника надійності у процесі експлуатації ІС.

24 Які основні етапи проектування ІС?

25 Які задачі розв’язуються на етапі ескізного проектування?

26 Які задачі розв’язуються на етапі технічного проектування?

27 Наведіть класифікацію випробувань ІС.

28 Які основні види забезпечення ІС?

29 Які задачі розв’язує технологія оброблення інформації?

30 Які основні задачі розв’язуються при розробленні інформаційного забезпечення ІС, що навчається?

31 Що називається вектором-реалізацією образу?

32 Що називається навчальною вибіркою?

33 Наведіть постановку задачі інформаційного синтезу ІС, що навчається.

34 Які основні вимоги до методу інформаційного синтезу ІС, що навчається?

Дата добавления: 2014-01-07