Уровень экспертной системы и базы знаний

Экспертные системы представляют собой усилители интеллекта, которые помогают человеку решать разнообразные задачи. Экспертные системы нашли применение в областях человеческой деятельности, где требуется принимать решения, проводить классификацию, решать задачи в условиях недостаточности информации о поставленной проблеме. Также экспертные системы широко применяются при решении неформализованных задач, для которых отсутствуют алгоритмы решения.

Так как в реальном мире редко можно утверждать что либо с полной уверенностью, то в процессе рассуждений экспертная система использует нечеткую логику. Для определения степени определенности утверждения в нечеткой логике используется фактор уверенности - число, обычно находящееся в интервале от 0 до 240 (похоже на теорию вероятностей). Но, в отличие от теории вероятности, фактор уверенности выражает не вероятность возникновения события, а субъективную уверенность в этом.

Правила помещаются в базу знаний. Также в базу знаний, в виде фактов, помещаются входные данные, и результаты срабатывания правил. Если ситуация, анализируемая экспертной системой, удовлетворяет условиям срабатывания правила, то его следствия считаются верными для данной ситуации. Условия правила содержат операции конъюнкции, дизъюнкции и инверсии. Если условия у двух или более правил выполняются одновременно, то необходимо выбрать следствия для дальнейшей обработки. Выбор может быть осуществлен различными способами: 1- выбирается следствие у первого попавшегося правила; 2- из множества допустимых правил одно следствие выбирается случайно; 3- выбирается следствие у правила с наиболее жесткими условиями; 4- все следствия у допустимых правил выбираются одновременно. Для обеспечения обработки многозначных лексем текста будем считать истинными все следствия у всех правил, у которых выполняются условия. При этом одинаковые элементы, являющиеся следствиями разных правил, объединяются операцией дизъюнкции. Следовательно, продукционная экспертная система представляет собой сеть правил. Все правила выполняются одновременно. Отдельные правила представляют собой отдельные узлы, а переменные, входящие в условия и следствия правил, представляют собой связи между узлами этой сети. Отдельные операции над обрабатываемыми элементами текста представляются в этой сети как отдельные правила в базе знаний экспертной системы. Такая экспертная система может содержать имитационную модель предметной области и служить для проведения семантического анализа текста.

На основе семантической нейронной сети реализована экспертная система. Группа нейронов семантической нейронной сети, эмулирующая механизм прямого вывода продукций, представляет собой три слоя нейронов. Слой рецепторов собирает информацию для обработки в нейронной сети. Нечеткий уровень возбуждения нейрона - рецептора представляет собой нечеткий фактор уверенности в присутствии элемента, соответствующего этому нейрону. Слой эффекторов выдает результаты работы экспертной системы в виде совокупности нечетких данных нейронов-эффекторов. Как и в слое рецепторов, нечеткий уровень возбуждения эффектора представляет собой нечеткий фактор уверенности в наличии элемента, соответствующего эффектору. Третий слой - слой обработки расположен между слоем рецепторов и слоем эффекторов, в нем расположены нейроны, реализующие базу знаний экспертной системы. В случае работы такой экспертной системы в высокораспараллеленом режиме каждый нейрон обрабатывает нечеткие данные со своего дендрита и передает результат выполненной операции следующим нейронам по аксону. Время принятия решения такой экспертной системы зависит не от объема базы знаний, а только от ее сложности

Так же реализацию нейронных сетей можно разделить на следующие классы:

1. нейрокомпьютеры, представляющие полный аппаратно-программный комплекс, построенный на основе теории нейросетей;

2. нейронные платы, т.е. аппаратные блоки, совместимые со стандартами современных компьютеров;

3. программы эмуляции нейронных сетей.

Нейрокомпьютер - это программно-техническая система, которая реализует некоторую формальную модель естественной нейронной сети. Таким образом, необычные свойства нейрокомпьютера являются модельным отображением тех особенностей, которые присущи процессам переработки информации в живых организмах. В 1989г. в Японии был разработан первый нейрокомпьютер [3]. Фирма NIHON DENKI выпустила персональный компьютер PC-9800 c подключенной нейроплатой. Его возможности ограничены распознаванием арабских цифр и знаков японского алфавита. Фирма FUJITSU выпустила персональный компьютер серии FMR, нейроплату и программное обеспечение NEUROSIM/L для обучения.

Примеры применения нейротехнологии:

· Автоматическое считывание чеков и других финансовых документов.

· Оценка риска займов, прогнозирование изменения курсов валют.

· Анализ геологической информации, разведка залежей на основании аэрофотосъемок; автоматическое пилотирование; обработка сигналов.

· Распознавание лиц, отпечатков, голосов; сжатие и восстановление изображений; диагностирование неисправностей машин и механизмов на основе вибрационных сигналов.

· В банковском деле известна система оценки деятельности фирм, производящих электротехническое оборудование.

· Наибольшим успехом пользуется система, способная обучаться у водителя автомобиля вождению, и затем обученная нейронная сеть сама ведет автомобиль и выполняет все действия на основе картинок, которые «видны» (вводятся в компьютер с помощью камеры) из окна машины.

В настоящее время разработано много программных систем для создания и использования нейронных сетей. Существуют свободно распространяемые программные системы, а также демонстрационные версии для некоторых эмуляторов. Для примера рассмотрим систему Trajan 2.1 Shareware Neural Network Simulator (Великобритания, 1997, www.trajan-software.demon.co.uk), позволяющую создавать топологию многослойной нейронной сети и проводить ее обучение на основе примеров, а затем и прогнозирование показателей с известными входами и неизвестными выходами (рис.5). Для этого в системе существует несколько инструментальных средств:

· Редактор сети, позволяющий вводить, корректировать, просматривать в графическом виде и запоминать в виде файла топологию сети (левое верхнее окно рис.5).

· Редактор примеров для ведения данных (правое верхнее окно рис.5), которые подаются на вход сети при обучении и прогнозировании. Примеры могут поступать и извне из специально отформатированного текстового файла.

· Механизм для обучения и тестирования на основе алгоритма “back propagation”(нижние окна рис.5). При этом можно настроить различные параметры алгоритма, а по мере работы происходит сбор статистистических данных о результатах обучения, а сам процесс представляется графически в виде изменений ошибки обучения при последовательных проходах алгоритма.

· Возможность решения двух типов задач: классификации и регрессии. В задаче регрессии выходные данные представляют собой любые значения, в задачах классификации — только 1 или 0, что означает 1 — объект принадлежит некоторому классу, 0 — не принадлежит.

Рис.5 – Окна эмулятора нейронных сетей Trajan 2.1 Shareware Neural Network Simulator

В состав системы входит один демонстрационный пример, для которого с помощью нейронной сети можно решить задачу распознавания цветков из класса ирисов по величине стебля и лепестков. Это задача классификации. На входе 4 входных нейрона, т.е. 4 параметра: длина стебля, ширина стебля, длина лепестков, ширина лепестков, а на выходе — 3 нейрона, каждый из которых соответствует одному типу цветка. Всего — 150 примеров, причем, 130 из них подаются на обучение сети, а 20 — на верификацию. Выходные столбцы содержат только 0 и 1 (1 означает, что в этом конкретном примере цветок соответствует типу): 100 — это цветок 1ого типа, 010— цветок 2ого типа, 001 — 3его.

На рис.5 представлены окна эмулятора для этого демонстрационного примера: сеть, фрагмент примеров цветков, окно параметров обучения, графики, показывающие изменения ошибок в процессе обучения и верификации (черный график — обучение, красный — верификация). Над графиками видны окончательные ошибки (для обучения — 0.0997, для верификации — больше — 0.174). Это приемлемые значения, свидетельствующие об успешности обучения.