Лекция 7 по дисциплине «Искусственный интеллект и нейросетевое управление» тема: «Принципы построения и архитектура интеллектуальных систем управления» Мамонова Татьяна Егоровна гр. 8201

Предпосылки возникновения Фундаментальные проблемы использования знаний как эффективного средства анализа плохо формализуемых и трудно алгоритмизируемых задач по - распознованию образов, - классификации конфликтных ситуаций, - поиску достоверных ответов при априорной неполноте и нечёткости имеющихся исходных данных, смысловой обработке больших объёмов разнородной информации и т.д. традиционно были и остаются главным предметом изучения в теории искусственного интеллекта. 1

Общая проблематика теории искусственного интеллекта 2

Практические приложения Предложенные формы представления знаний, способы их извлечения и пополнения, варианты организации логического вывода успешно реализуются в широком спектре различных практических приложений – - экспертных и диагностических системах, - системах планирования и поддержки принятия решений, - вопросно-ответных и обучающих системах, - средствах аннотирования и перевода естественно-языковых текстов, - шахматных программ - и ряда др. 3

Появление принципиально новой разновидности задач управления, связанных с поддержанием необходимых режимов функционирования сложных динамических объектов в условиях неопределённости и относящихся к числу плохо формализуемых, потребовало развития специфических методов их решения с привлечением технологий искусственного интеллекта. Базовой основой такого подхода служит концепция ситуационного управления (КСУ). 4

Ключевые положения КСУ Каждому классу ситуаций, возникновение которых считается допустимым в процессе функционирования системы, ставится в соответствие некоторое решение по управлению (управляющее воздействие, программно-алгоритмическая управляющая процедура и т.д). Тогда сложившаяся ситуация, определяемая текущим состоянием как самого объекта, так и его внешней среды и идентифицируемая с помощью измерительно-информационных средств, может быть отнесена к некоторому классу, для которого требуемое управление уже считается известным. 5

Реализация принципов ситуационного управления 6

Т.О., практическая реализация концепция ситуационного управления на основе современных интеллектуальных технологий предполагает - наличие развёрнутой базы знаний о принципах построения и целях функционирования системы, - специфике использования различных алгоритмов, - особенностях исполнительных механизмов и управляемого объекта. В этом случае классификационный анализ имеющихся знаний с учётом текущих показаний измерительно- информационных средств должен обеспечивать - параметрическую и структурную настройку управляющих алгоритмов, - модификацию программы достижения целей управления, - а при необходимости и их коррекцию. 7

Обобщённая структура интеллектуальной системы управления 8

главная архитектурная особенность, которая отличает интеллектуальную систему управления от построенной по «традиционной» схеме, связана с подключением механизмов хранения и обработки знаний для реализации способностей по выполнению требуемых функций в неполнозаданных (или неопределённых) условиях при случайном характере внешних возмущений. К возмущениям могут относиться непредусмотренное изменение - целей, - эксплуатационных характеристик системы и объекта управления, - параметров внешней среды и т.д. Состав системы при необходимости дополняется средствами самообучения, обеспечивающими обобщение накапливаемого опыта и, на этой основе, пополнение знаний. 9

В общем случае объект управления может иметь достаточно сложную конструкцию, включающую в свой состав ряд функционально-подчинённых подсистем. Иерархия их подчинения обуславливает декомпозицию исходных целей и задач управления на рекурсивную последовательность вложенных составляющих. Такое разделение предполагает многоуровневую организацию системы управления, обладающей - развитыми интеллектуальными возможностями по анализу и распознаванию обстановки, - формированию стратегии целесообразного поведения, - планированию последовательности действий, - а также синтезу исполнительных законов, удовлетворяющих заданным показателям качества. 10

11 Иерархическое построение СИУ сложным динамическим объектом

Главным отличием новой концепции иерархического построения систем управления сложными динамическими объектами является использование методов и технологий искусственного интеллекта в качестве основных средств борьбы с неопределённостью внешней среды. Необходимость интеллектуализации каждого из уровней управления обусловлена подверженностью выполняемых ими функций и влиянию различных факторов на них неопределённости Практическое воплощение этой концепции предполагает избирательное использование тех или иных технологий обработки знаний в зависимости от - специфики решаемых задач, - особенностей управляемого объекта, - его функционально назначения, - условий эксплуатации и т.д. 12

Распознавание образов и классификация В качестве образов могут выступать различные по своей природе объекты: символы текста, изображения, образцы звуков и т. д. При обучении сети предлагаются различные образцы образов с указанием того, к какому классу они относятся. Образец, как правило, представляется как вектор значений признаков. При этом совокупность всех признаков должна однозначно определять класс, к которому относится образец. В случае, если признаков недостаточно, сеть может соотнести один и тот же образец с несколькими классами, что неверно. По окончании обучения сети ей можно предъявлять неизвестные ранее образы и получать ответ о принадлежности к определённому классу. 13

Топология такой сети характеризуется тем, что количество нейронов в выходном слое, как правило, равно количеству определяемых классов. При этом устанавливается соответствие между выходом нейронной сети и классом, который он представляет. Когда сети предъявляется образ, на одном из её выходов должен появиться признак того, что образ принадлежит этому классу. При этом на других выходах должен быть признак того, что образ данному классу не принадлежит. Если на двух или более выходах есть признак принадлежности к классу, считается, что сеть «не уверена» в своём ответе. 14

Принятие решений и управление Эта задача близка к задаче классификации. Классификации подлежат ситуации, характеристики которых поступают на вход нейронной сети. На выходе сети при этом должен появиться признак решения, которое она приняла. При этом в качестве входных сигналов используются различные критерии описания состояния управляемой системы. 15

Кластеризация Под кластеризацией понимается разбиение множества входных сигналов на классы, при том, что ни количество, ни признаки классов заранее не известны. После обучения такая сеть способна определять, к какому классу относится входной сигнал. Сеть также может сигнализировать о том, что входной сигнал не относится ни к одному из выделенных классов – это является признаком новых, отсутствующих в обучающей выборке, данных. Таким образом, подобная сеть может выявлять новые, неизвестные ранее классы сигналов. Соответствие между классами, выделенными сетью, и классами, существующими в предметной области, устанавливается человеком. Кластеризацию осуществляют, например, нейронные сети Кохонена. 16

Прогнозирование Способности нейронной сети к прогнозированию напрямую следуют из ее способности к обобщению и выделению скрытых зависимостей между входными и выходными данными. После обучения сеть способна предсказать будущее значение некой последовательности на основе нескольких предыдущих значений и/или каких-то существующих в настоящий момент факторов. Прогнозирование возможно только тогда, когда предыдущие изменения действительно в какой-то степени предопределяют будущие. Например, прогнозирование котировок акций на основе котировок за прошлую неделю может оказаться успешным (а может и не оказаться), тогда как прогнозирование результатов завтрашней лотереи на основе данных за последние 50 лет почти наверняка не даст никаких результатов. 17

Аппроксимация Нейронные сети могут аппроксимировать непрерывные функции. Доказана обобщённая аппроксимационная теорема: с помощью линейных операций и каскадного соединения можно из произвольного нелинейного элемента получить устройство, вычисляющее любую непрерывную функцию с некоторой наперёд заданной точностью. Это означает, что нелинейная характеристика нейрона может быть произвольной: от сигмоидальной до произвольного волнового пакета или вейвлета, синуса или многочлена. 18

От выбора нелинейной функции может зависеть сложность конкретной сети, но с любой нелинейностью сеть остаётся универсальным аппроксиматором и при правильном выборе структуры может достаточно точно аппроксимировать функционирование любого непрерывного автомата. 19

Сжатие данных и ассоциативная память Способность нейросетей к выявлению взаимосвязей между различными параметрами дает возможность выразить данные большой размерности более компактно, если данные тесно взаимосвязаны друг с другом. Обратный процесс – восстановление исходного набора данных из части информации – называется (авто)ассоциативной памятью. Ассоциативная память позволяет также восстанавливать исходный сигнал/образ из зашумленных/поврежденных входных данных. Решение задачи гетероассоциативной памяти позволяет реализовать память, адресуемую по содержимому. 20

Спасибо за внимание