Интеллектуальные информационные системы. Дубровин А.Д. - 148 стр.

       - задачи, исходная информация к которым (постановка, критерий правильности
решения и пр.) характеризуются большой размерностью, противоречивостью и
неопределенностью.
       Теория и реальная практика ИНС создают хорошие перспективы для решения задач
имитационного моделирования, задач анализа динамических процессов и временных рядов
путем аппроксимации нелинейных зависимостей, задач диагностики, задач управления
различными системами и объектами.
       Если говорить о сегодняшних возможностях ИНС в решении таких задач, то следует
отметить некоторые ограничения и проблемные обстоятельства, которые необходимо при
этом учитывать.
       Во-первых, эффект применения ИНС сильно зависит от представительности и
достоверности статистических данных, на которых будет обучена система. Проблема
обучающей выборки многоаспектна и для ее правильного решения необходимо провести
серьезный анализ характера задачи и природы информации, на которой основана
(формулируется) задача. Иногда требование высокой точности и достоверности примеров,
на которых будет обучаться система, может привести к неустойчивости результатов ее
работы.
       Во-вторых, серьезным моментом при обучении ИНС является выбор метода,
исключающего возможность «пропуска» глобального минимума ошибки или возможность
зацикливания при попытке выйти из точки локального минимума. Для решения такого рода
проблем необходимо изучить природу данных, на которых предстоит обучать систему, и в
каждой из подобных ситуаций постараться ввести в целевую функцию некий параметр,
реакция системы на который позволит покинуть «локальную яму» и обрести возможность
получить оптимальное решение.
       В-третьих, одним из недостатков ИНС, как уже отмечалось, является их
непрозрачность – из обученной сети нельзя «изъять алгоритм ее работы». В 1995 году была
впервые сформулирована идея создания логически прозрачной ИНС, в соответствии с
которой можно получать словесные описания алгоритма получения результата (22). Идея
состоит в том, чтобы реализовать в структуре ИНС некую схему «контрастирования»,
назначение которой – свести число малоинформативных связей между нейронами слоев к
оптимальному, обеспечивающему компромисс между надежностью распознания образа и
временем завершения процесса. Наиболее важным следствием такой процедуры является
возможность определить и передать следующему слою только информативные
сигналы. Более того, оказалось, что последовательности изменения этих сигналов можно
интерпретировать как сходящийся к решению алгоритм работы сети и описать его на языке
логики предикатов.
       Такое упрощение ИНС приведет к увеличению остроты восприятия ею входного
образа. Его можно осуществить последовательным исключением из слоев тех нейронов,
синапсы которых на данной обучающей выборке были наименее чувствительны. Если на
каком-то шаге такого упрощения «обучаемость» сети начинает ухудшаться, то делался
возврат нейрона, «отключенного» последним.
        В результате применения процедуры контрастирования сети достигается целый ряд
полезных результатов:
       - упрощается структура сети;
       - уменьшается число входных сигналов (за счет исключения рецепторов, дающих
слабые
         сигналы при переходе от слоя к слою);
       - вектор выходных сигналов сети сводится к более компактному набору,
отображающему
         наиболее существенные признаки распознаваемого объекта;
       - появляется возможность получать объяснения результатов работы сети, что можно
считать

                                                                                    183