ВУЗ:
Составители:
Рубрика:
184
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. -12
с
.
Рукопись
,
деп
.
ВИНИТИ
17.07.97
г
.
№
2434-
В
97)
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
.
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
Страницы
- « первая
- ‹ предыдущая
- …
- 147
- 148
- 149
- 150
- 151
- …
- следующая ›
- последняя »