Интеллектуальные информационные системы. Дубровин А.Д. - 149 стр.

         возможностью получать явные знания из данных.
       Пользователю ИИС любого типа всегда желательно знать, как было получено
решение и почему оно является именно таким? Получение такой информации, по мнению
авторов одной интересной работы (Горбань А.Н., Миркес Е.А. «Логически прозрачные
нейронные сети для получения знаний из данных». Красноярск.: ВЦ СО РАН, 1997. -12с.
Рукопись, деп. ВИНИТИ 17.07.97 г. № 2434-В97) возможно, если использовать ИНС в
качестве имитационной модели гибридной ИИС, другой компонентой которой является
экспертной системой.
       В такой гибридной системе обученная ИНС рассматривается как информационная
модель объекта или процесса, описываемого набором эмпирических данных. Следовательно,
ее можно использовать в качестве имитатора данного объекта или процесса. Путем
несложных выкладок может быть получена рекуррентная формула для вычисления частных
производных целевой функции объекта по каждому из ее параметров и для каждого слоя
сети, начиная с последнего.
       Значения частных производных могут быть интерпретированы как характеристики
влияния входных параметров на значения целевой функции объекта для каждой точки
перехода от слоя к слою. На основе полученных значений частных производных могут быть
определены важные и информативные:
       - среднее значение частной производной по всем слоям (его можно интерпретировать,
как среднее влияние соответствующего параметра на результат);
       - минимальное значение частной производной и ее максимальное значение (они могут
служить свидетельством линейной зависимости влияния входных параметров на выходные –
чем больше разность этих величин, тем более монотонной будет эта зависимость);
       - информация о величине частной производной ИНС-имитации по каждому
параметру может служить материалом для анализа «качества» имитационной модели;
       - значения производных могут быть использованы для поиска экстремума целевой
функции градиентным методом.
       В стохастических имитационных моделях для адекватного отображения реальности
необходима качественная аппроксимация динамических процессов и временных рядов.
Традиционные методы статистики в этом отношении уступают нейросетевому
моделированию.
       Завершая тему, можно придти к выводу о том, что по аналогии с человеческой
психикой можно считать, что ИНС в системах обработки информации соответствуют
низшему уровню осмысления реакций, на котором требуется быстрый ответ на много раз
повторявшуюся, стандартную ситуацию. Если ситуация не стандартная и система не знает
ответа или сомневается, то необходимо передать выработку ответа компоненте более
высокого - логического - уровня интеллекта. Такому уровню в гибридной ИИС может и
должна соответствовать интеллектуальная компонента – эксперт или логически «мыслящая»
и обладающая знаниями эксперта компьютерная модель. Чем ближе такая компонента
гибридной ИИС соответствует интеллекту человека, тем более оправдано ее создание.




                                                                                    184