Особенности построения гибридных интеллектуальных систем обработки информации

Введение

Актуальность. В  последние  годы  интенсивно  развиваются  гибридные  интеллектуальные системы,  позволяющие  использовать  преимущества  традиционных  средств  и методов искусственного  интеллекта,  и,  в  то  же  время,  преодолевающие  некоторые  их недостатки,  способные  решать  задачи,  не решаемые  отдельными  методами искусственного  интеллекта.  Гибридные  интеллектуальные  системы  позволяют  более эффективно соединять формализуемые и не формализуемые знания за счет интеграции традиционных  средств  искусственного  интеллекта. 

Целью данной работы является изучение особенностей построения гибридных интеллектуальных систем.

Поставленная цель решается посредством следующих задач:

- раскрыть понятие гибридной интеллектуальной системы;

- характеризовать классификацию гибридных интеллектуальных систем;

- показать базовые функции  гибридных систем;

- рассказать построение гибридной систем класса ANFIS.

Объектом работы является гибридные интеллектуальные системы

Предметом исследования является гибридные интеллектуальные система ANFIS.

1 Особенности построения гибридных интеллектуальных систем обработки информации

Исследованы принципы создания интеллектуальных гибридных систем, обеспечивающих решение разнообразных прикладных задач в условиях неполноты и нечеткости исходной информации. Показано, что дальнейшее направление исследований в этой области связывается с созданием эволюционных, постоянно развивающихся динамических интеллектуальных систем, работающих в режиме on-line и подстраивающихся под конкретную решаемую задачу.

1.1 Этапы развития интеллектуальных технологий

В последние годы наблюдается рост числа успешных примеров использования гибридных интеллектуальных систем в различных прикладных областях, таких, как, медицинская диагностика, распознавание речи и естественных языков, создание мобильных роботов, мониторинг и контроль производственных процессов, финансовые приложения. Гибридные системы, работающие на основе принципов объединения нескольких методов представления и обработки информации, позволяют получать значительно более лучшие результаты решения по сравнению с интеллектуальными системами, использующих единственный метод для тех же проблем. Однако проблемы создания и использования гибридов для конкретных приложений все еще не решены. Остается много вопросов, связанных с тем, на каком уровне проводить объединение разных интеллектуальных технологий, какие гибриды являются наиболее перспективными, как учесть динамику изменения среды функционирования интеллектуальных систем и т.д. Для решения этих и других проблем рассмотрим особенности наиболее известных интеллектуальных технологий и возможности их интеграции в гибридные интеллектуальных системах.

Этапы развития наиболее часто применяемых на практике интеллектуальных технологий во времени представлены на рис. 1. Анализ периодов развития практике интеллектуальных технологий показывает, что, с одной стороны, появляются новые технологии, призванные решать все усложняющиеся задачи теории и практики, а с другой происходит объединение практике интеллектуальной технологии для более эффективного решения традиционных проблем.

Область исследований для развития моделей, методов и основных технологий для представления и обработки знаний и построения интеллектуальных систем, основанных на знаниях, называется инженерией знаний.

Основные задачи инженерии знаний сводятся к следующему:

Представление знаний - процесс приведения знаний о существующей проблеме к некоторой известной схеме с помощью методов инженерии знаний.

Вывод - процесс приведения в соответствие текущих фактов из некоторой проблемной области существующим знаниям об этой области или выводу новых фактов.

Обучение - процесс получения новых знаний в результате обобщения текущей информации а) обучение на примерах; б) путём выполнения ряда правил; в)на основе инструкций извне.

4. Обобщение - процесс приведения в соответствие неизвестных входных данных имеющимся знаниям о проблеме в смысле получения лучшего решения. Это переход от частного описания объекта к общему.

5. Взаимодействие между пользователями важно для адаптации интеллектуальных систем к новым ситуациям. Взаимодействие между подсистемами интеллектуальных систем является главной характеристикой для распределённых гибридных систем, в которой каждый модуль принимает участие в решении проблемы (агентно - ориентированный подход).

6. Объяснение - это желаемое свойство интеллектуальных систем, связанное с трассировкой процедуры получения решений для понимания того, как оно было получено.

7. Тестирование - проверка работоспособности системы. Полученные с помощью интеллектуальных систем результаты сравниваются с результатами, полученными экспертами или другими интеллектуальными системами.

8. Адаптация процесс изменения системы во время её функционирования в динамически изменяющейся среде.

Рассмотрим, как эти задачи решаются в каждой из интеллектуальных технологий.

1.2 Экспертные системы

Экспертные системы являются знание - ориентированными системами, и при функционировании используют знания экспертов в определенной прикладной области. Экспертные системы содержат средства для представления и накопления знаний, получения новых знаний из существующих баз данных на основе логического вывода, принимают решения и выдают рекомендации по поставленной проблеме, взаимодействуют с пользователем (часто на ограниченном естественном языке), объясняют свое «поведение» и принятое решение.

Экспертные системы используются почти во всех областях деятельности человека: на производстве, в науке, образовании, медицине, сельском хозяйстве, бизнесе, финансах и т.д. Основываясь на технологии баз знаний, экспертные системы могут быть быстро и дешево реализованы для решения конкретной прикладной задачи, могут обновлять базу знаний при появлении новых фактов и ситуаций. При этом необходимо различать две категории людей, имеющих отношение к экспертным системам: эксперты, которые аккумулируют свои знания в базу знаний, и пользователи, которые эти знания используют.

Несмотря на то, что существует довольно много методов создания экспертных систем, которые давно и успешно используются, все еще остаются главные проблемы, заключающиеся в следующем.

1)                 Как извлекать знания из экспертов (дефицит которых с каждым годом ощущается все острее)?

2)                 Как извлечь знания из огромной массы предварительно собранных данных о решаемой проблеме?

3)                 Как представлять неполные, неопределенные, искаженные и противоречивые данные и знания?

4)                 Как моделировать человеческое мышление?

Решение этих проблем возможно при использовании других интеллектуальных технологий, таких, как нечеткие логические системы, работающие на основе нечеткой логики и нейронные сети.

Нечеткие системы. Одним из путей представления неточных данных и знаний, которыми обычно оперирует человек при решении им трудных задач, является использование нечетких правил вместо четких правил экспертных систем. В нечетких логических системах для получения решения используются нечеткие базы правил и нечеткий вывод. Нечеткие правила могут оперировать неопределенными, искаженными и противоречивыми данными и знаниями, полученными из различных источников или на основе анализа экспериментальных данных, или из опыта многих исследователей, работающих в конкретной прикладной области.

Теоретической базой нечетких логических систем является теория нечетких множеств. Основная цель использования нечетких логических систем – это моделирование аспектов человеческого мышления. Нечеткие логические системы могут быть менее точными, чем ЭС, но более приближены к человеческому опыту принятия решений. Хотя человек обычно оперирует нечеткими терминами, они в большей степени соответствуют реальной ситуации и позволяют нам глубже понять ее, нежели на основе описания количественными соотношениями.

НЛ определяются тремя главными компонентами:

1.                  нечеткими входными и выходными переменными, определяемыми нечеткими величинами;

2.                  множеством нечетких правил;

3.                  механизмом нечеткого вывода.

Нечеткие правила оперируют нечеткими величинами, такими, как «высокий», «очень низкий», «средний» и т.д. Эти нечеткие концепты обычно представляются с помощью функций принадлежности, которая определяет степень, с которой некоторая величина из проблемной области (обычно называемой универсумом) принадлежит некоторому нечеткому концепту. Процедура преобразования четкой величины в нечеткую называется фаззификацией. Методы нечеткого вывода, базирующиеся на нечеткой логике, позволяют на основе использования четких или нечетких входных величин получать четкие или нечеткие выходные величины, которые с помощью процедуры дефаззификации преобразуются в четкие.

Количество областей применения нечеткой логики постоянно расширяется: бытовая техника (стиральные машины, холодильники, пылесосы), производство (например, управление доменной печью, самолетом), робототехника, системы поддержки принятия решений и так далее. Секрет успеха нечетких логических систем в различных областях заключается в простоте их программирования, легкости обслуживания, робастности, дешевизне.

1.3 Нейронные сети.

В процессе своего развития экспертных систем двигались в направлении разработки новых методов представления и обработки знаний, которые бы приближались к тем, которыми пользуется человек при решении сложных задач. Одной из таких моделей является искусственная нейронная сеть, в которой реализованы только некоторые особенности биологических систем.

Нейронная сеть состоит из обрабатывающих элементов (искусственных нейронов), соединенных между собой определенным образом (способ соединения задает топологию нейронных сетей и определяет ее свойства). Искусственные нейроны получают входные сигналы, которые имитируют электрические импульсы, получаемые дендритами биологических нейронов от других нейронов. Выход искусственного нейрона соответствует сигналу, посылаемому биологическим нейроном со своего аксона на входы других нейронов, осуществляя их активацию (возбуждение или торможение).

Нейронные сети, как вычислительная модель, характеризуется четырьмя главными компонентами:

1.                  типом нейрона (способ агрегации входов, вид функции активации);

2.                  топологией, называемой также коннекционистской архитектурой (число слоев в нейронных сетях, число нейронов в каждом слое, организация связей между нейронами);

3.                  алгоритмом обучения;

4.                  алгоритмом распознавания.

Наиболее важным свойством нейронной сети является ее способность к обучению на известных примерах (образцах), при этом используются, как и у человека, два типа памяти: текущая (кратковременная) память (активация определенных нейронов – возбуждение или торможение - в ответ на входное воздействие) и долговременная (матрица весовых связей между нейронами обученной нейронной сетью), своего рода знания, полученные в процессе обучения.

Одной из главных особенностей нейросетевой модели, позволяющей рассматривать нейронную сеть как перспективную интеллектуальную технологию, является ее возможность распознавания новых образов (или примеров) из проблемной области, отличных от тех, на которых обучалась нейронная сеть. Эта особенность – обобщение, т.е. при поступлении нового входного вектора обученная нейронных сетей будет формировать наиболее правдоподобный выход в соответствии с содержимым долговременной памяти. Другими, не менее важными достоинствами нейронных сетей, являются естественный параллелизм в обработке информации, основанный на одновременном возбуждении -торможении многих нейронов, робастность, заключающаяся в нивелировании работы некоторых «ложных нейронов» на фоне правильной работы всей сети, адаптация к новым данным, фильтрация шума в данных, возможность работы с неполными, неточными, искаженными данными и знаниями.

Таким образом, нейронные сети могут быть использованы в качестве моделей для имитации отдельных свойств человеческого мышления. В настоящее время они применяются в системах распознавания речи, образов, текста, для поиска релевантной информации в сети Internet и базах данных, в системах обнаружения атак на компьютерные сети, в обучающих системах, встраиваются в робототехнические комплексы и т.д. Разработка новых типов моделей нейронных сетей позволит приблизиться к пониманию проблем функционирования мозга человека и расширить область применения этих моделей.

1.4 Сравнительные возможности интеллектуальных технологий.

В табл. 1 представлены результаты сравнения чаще всего используемых на практике технологий при решении ими задач инженерии знаний.

Анализируя таблицу 1, можно сделать вывод, что нейронные сети является наилучшей технологией для решения задач обучения, адаптации и обобщения, ЭС и нечеткие системы обладают хорошими объяснительными возможностями, что создает предпосылки для объединения технологий с целью компенсации недостатков и усиления достоинств каждой из технологий при решении сложных задач.

Сравнительные возможности интеллектуальных технологий Таблица 1

Под гибридной интеллектуальной системой будем понимать систему, в которой для решения задачи используется более одного метода имитации интеллектуальной деятельности человека. Интеграция методов, с одной стороны, дает возможность использовать индивидуальную силу каждого из методов для решения специфических частей задачи, что позволит создать более эффективные модели представления и обработки знаний. С другой стороны, гибридный подход основывается на том, что только синергетическая комбинация интеллектуальных технологий может достичь полного спектра когнитивных и вычислительных возможностей, реализуемых в компьютерных моделях интеллектуальных систем.

Существуют, по крайней мере, две главные причины, по которым необходимо использовать именно гибридные системы:

- некоторые требования для решения проблем ИИ не могут быть принципиально выполнены на основе единственного подхода;

- для решения сложных проблем ИИ создаваемые модели также не могут быть реализованы с помощью одного какого-то метода.

По мере социального и технического развития общества появляются новые требования, которые приходится учитывать при решении сложных интеллектуальных задач. Например, представление точных и неточных, определенных и неопределенных знаний о проблеме в одной системе, извлечение знаний из данных, учет прошлого опыта для принятия решений при возникновении новых ситуаций; необходимость адаптации в поведении систем при изменении характеристик среды; терпимость к неточности, робастность, возможность расширения выполняемых функций, необходимость объяснения результатов решений; возможность получения альтернативных решений.

Естественно, что одного метода для удовлетворения всем этим требованиям не существует. Выбор методов для обработки исходной информации зависит от особенностей решаемых задач, от числа количественных и качественных параметров, описывающих проблему, от уровня проработанности задачи. Поэтому необходимо определять условия применимости каждого из методов, а также алгоритмы, позволяющие адаптировать их к решению конкретных задач проблемной области.

Обзор информационных технологий, использующихся в современных интеллектуальных системах (рис.2), показывает, что в статических и динамических проблемных средах эффективными являются определенные методы. Например, в некоторых случаях наилучшее решение может быть получено путем использования эволюционных методов, в частности на основе генетических алгоритмов, на всех этапах поиска рационального решения, что позволяет перейти от моделей представления и использования знаний с жесткими связями к моделям с динамически меняющейся структурой в зависимости от решаемой задачи.

Рис. 2. Области использования интеллектуальных технологий

1.5 Гибридные интеллектуальные системы.

Под гибридной интеллектуальной системой принято понимать систему, в которой для решения задачи используется более одного метода имитации интеллектуальной деятельности человека. Таким образом ГИС — это совокупность:

- аналитических моделей

- экспертных систем

- искусственных нейронных сетей

- нечетких систем

- генетических алгоритмов

- имитационных статистических моделей

Междисциплинарное направление «гибридные интеллектуальные системы» объединяет ученых и специалистов, исследующих применимость не одного, а нескольких методов, как правило, из различных классов, к решению задач управления и проектирования.

1.6 Классификация гибридных интеллектуальных систем.

В свою очередь, ГИС можно классифицировать, в зависимости от архитектуры, на следующие типы: 1) комбинированные (combination), 2) интегрированные (integration), 3) объединенные (fusion) и 4) ассоциативные (association) гибридные интеллектуальные системы

Рис 3. Классификация гибридных интеллектуальных систем.

1.7 Базовые функции проектирования гибридных систем.

Необходимо для реализации нечеткой нейронной сети тип ANFIS:

Tnorm (X,Y, Typefun), Snorm(X,Y, Typefun) - Должна выполнять Т-норму, тип которой задается параметром Typefun над аргументами X и Y Должна выполнять S- конорму, тип которой задается параметром Typefun на аргументами X и Y.

Andneuron (N, Xn, Typefun T, Typefun S) - Реализует И-нейрон по формуле: Tfun(Sfun(Xn),Sfun(Xn)), где Tfun и Sfun- Т-норма и S-конорма, заданные параметрами Typefun T, Typefun S ,Xn-входной вектор размерности N. Функция создает описанный нейрон как объект. Функция создает описанный нейрон как объект .

Orneuron (N, Xn, Typefun T,Typefun S) - Реализует нейрон по формуле Sfun(Tfun(Xn),Tfun(Xn)), где Tfun и Sfun - Т-норма и S-конорма, заданные параметрами Typefun T, Typefun S,Xn - входной вектор размерности N. Функция создает описанный нейрон как объект.

Mfneuron (x, MF) - Представляет собой нейрон, содержащий функцию принадлежности MF и вычисляющую  степень принадлежности  значения к этой функции. Функция создает описанный нейрон как объект.

Mfneuronrev (level, MF) - Представляет собой нейрон, содержащий функцию принадлежности MF и вычисляющий значение х по заданной уровню степени принадлежности. Функция создает описанный нейрон как объекту.

Mfnlayer (N, Xn, MFn) - Конструирует слой нейронов-функций принадлежности размерности N и типов функции принадлежности MF. Функция имитирует проход входного вектора Xn размерности N через слой.

Andnlayer (N, M, Mlinknm) - Констатирует слой N, нейронов размерности М. Связи N входной для слоя сигналов и М нейронов задаются матрицей Mlinknm. Функция имитирует проход входного вектора Xn размерности N через слой из М нейрона.

Ornlayer (N, M, Mlinknm) - Констатирует слой ИЛИ- нейронов размерности М. Связи N входной для слоя сигналов и М нейронов задаются матрицей Mlinknm. Функция имитирует проход входного вектора Xn размерности N через слой из М нейрона.

1.8 Проектирование систем управления (Fuzzy Logic Toolbox).

1.8.1 ANFIS-редактор

ANFIS является аббревиатурой Adaptive Neuro-Fuzzy Inference System – (адаптивная нейро - нечеткая система). ANFIS-редактор позволяет автоматически синтезировать из экспериментальных данных нейро - нечеткие сети. Нейро - нечеткую сеть можно рассматривать как одну из разновидностей систем нечеткого логического вывода типа Сугэно. При этом функции принадлежности синтезированных систем настроены (обучены) так, чтобы минимизировать отклонения между результатами нечеткого моделирования и эксп ериментальными данными. Загрузка ANFIS-редактора осуществляется по команде anfisedit. В результате выполнения этой команды появится графическое окно, изображенное рис. 4. На этом же рисунке указаны функциональные области ANFIS-редактора, описание которых приведено ниже.

ANFIS-редактор содержит 3 верхних меню - File, Edit и View, область визуализации, область свойств ANFIS, область загрузки данных, область генерирования исходной системы нечеткого логического вывода, область обучения, область тестирования, область вывода текущей информации, а также кнопки Help и Close, которые позволяют вызвать окно справки и закрыть ANFIS-редактор, соответственно.

Меню File и View одинаковые для всех GUI-модулей используемых с системами нечеткого логического вывода.

Рисунок 4. Основное окно ANFIS-редактора

ANFIS-редактор содержит 3 верхних меню - File, Edit и View, область визуализации, область свойств ANFIS, область загрузки данных, область генерирования исходной системы нечеткого логического вывода, область обучения, область тестирования, область вывода текущей информации, а также кнопки Help и Close, которые позволяют вызвать окно справки и закрыть ANFIS-редактор, соответственно.

Меню File и View одинаковые для всех GUI-модулей используемых с системами нечеткого логического вывода.

Меню Edit.             

Общий вид меню приведен на рис.5.

Рисунок 5. Меню Edit

- Команда Undo отменяет ранее совершенное действие. Выполняется также по нажатию Ctrl+Z.

- Команда FIS Properties… открывает FIS-редактор. Эта команда может быть также выполнена нажатием Ctrl+1.

- Команда Membership Functions… открывает редактор функций принадлежностей. Эта команда может быть также выполнена нажатием Ctrl+2.

- Команда Rules… открывает редактор базы знаний. Эта команда может быть также выполнена нажатием Ctrl+3.

- Команда Anfis… открывает ANFIS-редактор. Эта команда может быть также выполнена нажатием Ctrl+3. Заметим, что данная команда, запущенная из ANFIS-редактора не приводит к выполнению каких-либо действий, так этот редактор уже открыт. Однако, в меню Edit других GUI-модулей, используемых с системами нечеткого логического вывода, добавляется команда Anfis…, позволяющая открыть ANFIS-редактор из этих модулей.

Область визуализации.

В этой области выводится два типа информации:

- при обучении системы – кривая обучения в виде графика зависимости ошибки обучения от порядкового номера итерации.

- при загрузке данных и тестировании системы – экспериментальные данные и результаты моделирования.

Экспериментальные данные и результаты моделирования выводятся в виде множества точек в двумерном пространстве. При этом по оси абцисс откладывается порядковый номер строчки данных в выборке (обучающей, тестирующей или контрольной), а по оси ординат - значение выходной переменной для данной строчки выборки. Используются следующие маркеры:

- голубая точка (.) – теструющая выборка;

- голубая окружность (o) – обучающая выборка;

- голубой плюс (+) – контрольная выборка;

- красная звездочка (*) – результаты моделирования.

Область свойств ANFIS

В области свойств ANFIS (ANFIS info) выводится информация о количестве входных и выходных переменных, о количестве функций принадлежностей для каждой входной переменной, а также о количестве строчек в выборках. В этой области расположены две кнопки Structure и Clear Plot.

Нажатие кнопки Structure открыет новое графическое окно, в котором система нечеткого логического вывода представляет в виде нейро-нечеткой сети. В качестве иллюстрации на рис. 6 приведна нейро-нечеткая сеть, содержащая четыре входных переменных и одну выходную. В этой системе по три лингвистических терма используеться для оценки каждой из входных переменных и четыре терма для выходной.

Нажатие кнопки Clear Plot позволяет очистить область визуализации.