Интеллектуальные информационные системы. Дубровин А.Д. - 129 стр.

конкретной ПО, позволяющего считать его компактным (заведомо разделимым)
мпожеством.
      Большинство известных алгоритмов самообучения способны выделять только
абстрактные образы, т. е. компактные множества в заданных пространствах. Различие
между ними состоит, по-видимому, в формализации понятия компактности. Однако это не
снижает, а иногда и повышает ценность алгоритмов самообучения, так как часто сами
образы заранее никем не определены, а задача состоит в том, чтобы определить, какие
подмножества изображений в заданном пространстве относятся к конкретным
образам. Хорошим примером такой постановки задачи являются социологические
исследования, когда по набору вопросов выделяются группы людей. В таком понимании
задачи самообучения алгоритмы генерируют заранее неизвестную информацию о
существовании в заданном пространстве образов, которые ранее были неизвестны.
      Более того, положительный результат самообучения говорит о пригодности
выбранного пространства для конкретной задачи обучения распознаванию. Если
абстрактные образы, выделяемые в процессе самообучения, совпадают с реальными, то
пространство выбрано удачно. Чем сильнее абстрактные образы отличаются от реальных,
тем «неудобнее» выбранное пространство для конкретной задачи.
     Обучением обычно называют процесс выработки некоторой системой «правильных»
реакций на группы внешних факторов при периодическом воздействии на нее внешними же
корректирующими сигналами. Такую внешнюю корректировку в обучении принято
называть «поощрениями» и «наказаниями». Механизм генерации этой корректировки
практически полностью определяет алгоритм обучения.
     Самообучение отличается от обучения тем, что здесь дополнительная информация о
«правильности» реакции системы на внешние факторы ей не сообщается.
     В процессе обучения и самообучения проявляется способность САРО к адаптация.
Под этим условимся понимать приспособляемость системы к изменениям внешней
информации с целью сохранения или улучшения уже достигнутой эффективности решения
поставленной задачи.
     Иными словами, обучение - это процесс, в результате которого система постепенно
приобретает способность эффективно отвечать (реагировать) на определенные
совокупности внешних воздействий, а адаптация - это подстройка параметров и структуры
системы с целью достижения требуемого качества функционирования в условиях
непрерывных изменений внешних условий.
     В основу теории и практики создания ИИС, основанных на примерах (прецедентах),
положен метод решения задач обучения распознаванию образов (ОРО) с помощью
моделировании гипотетической структуры и гипотетического механизма
функционирования человеческого мозга. При этом уровень системных знаний или гипотез
о биологических механизмах является исходной предпосылкой, на которой базируются
модели этих структур и механизмов. Примером такого направления в теории и практике
проблемы ОРО является класс устройств, называемых перцептронами. Нужно отметить,
что перцептроны на заре своего возникновения рассматривались только как эвристические
модели механизма мозга. Впоследствии они стали основополагающей схемой в построении
дискретно-линейных моделей, способных обучаться распознаванию образов.
     В наиболее простом виде перцептрон (рис. 6.1.2) состоит из совокупности
чувствительных (сенсорных) элементов (S-элементов), на которые поступают входные
сигналы. S-элементы случайным образом связаны с совокупностью ассоциативных
элементов (А-элементов), выход которых отличается от нуля только тогда, когда
возбуждено достаточно большое число S-элементов, воздействующих на один А-элемент.
А-элементы соединены с реагирующими элементами (R-элементами) связями,
коэффициенты относительной значимости или веса ( v ) которых переменны и изменяются
в процессе обучения. Взвешенные комбинации выходов R-элементов составляют реакцию


                                                                                  164