НЕЧЕТКИЕ СИСТЕМЫ: СОВРЕМЕННОЕ СОСТОЯНИЕ А.Аверкин Вычислительный центр им.А.А.Дородницына РАН averkin2003@inbox.ru. - презентация

1 НЕЧЕТКИЕ СИСТЕМЫ: СОВРЕМЕННОЕ СОСТОЯНИЕ А.Аверкин Вычислительный центр им.А.А.Дородницына РАН

2 2ECAI 2000 Мягкие вычисления Мягкие вычисления – симбиоз новых направлений в принятий решений Профессор Л.Заде утверждает: "...в отличие от традиционных жестких вычислений, мягкие вычисления допускают использование неточности, неопределенности и частичной истинности для достижения наглядности, робастности, низкой стоимости решения и лучшего соответствия с реальностью Основные компоненты Мягких Вычислений: -Приближенные рассуждения: »Вероятностные рассуждения, нечеткая логика -Поиск & оптимизация: »Нейросети, Эволюционные алгоритмы

3 3ECAI 2000 Техника решения проблем Рассуждения в булевой логике Традиционное численное моделирование и поиск Приближенные рассуждения Функциональная аппроксимация и случайный поиск ЖЕСТКИЕ ВЫЧИСЛЕНИЯ МЯГКИЕ ВЫЧИСЛЕНИЯ Точные модели Приближенные модели

4 4ECAI 2000 Мягкие вычисления устранили противоречие между когнитивным и коннекционистким подходом в ИИ Хаотические системы Нелинейная димамика Генетические алгоритмы Нейросети Нечеткие системы Системы основанные на знаниях Фракталы

5 5ECAI 2000 Мягкие вычисления Мягкие вычисления : Гибридные вероятностные системы Функциональная аппроксимация/Случайный поиск Нейросети Байесовские сети доверия Эволюционные алгоритмы Многозначные & Нечеткие логики Демпстер -Шейфер- Вероятностные модели Приближенные рассуждения

6 6ECAI 2000 Мягкие вычисления Мягкие вычисления : Гибридные вероятностные системы Функциональная аппроксимация/Случайный поиск Нейросети Байесовские сети доверия Эволюционные алгоритмы Многозначные & Нечеткие логики Демпстер -Шейфер- Вероятностные модели Приближенные рассуждения Мягкие измерения Доверие к нечетким событиям Вероятность нечетких событий

7 7ECAI 2000 Мягкие вычисления Мягкие вычисления : Гибридные вероятностные системы Функциональная аппроксимация/Случайный поиск Нейросети Байесовские сети доверия Эволюционные алгоритмы Многозначные & Нечеткие логики Демпстер -Шейфер- Вероятностные модели Приближенные рассуждения Нечеткие диаграммы влияния Доверие к нечетким событиям Вероятность нечетких событий

8 8ECAI 2000 Мягкие вычисления Мягкие вычисления : Гибридные вероятностные системы Функциональная аппроксимация/Случайный поиск Нейросети Байесовские сети доверия Эволюционные алгоритмы Многозначные & Нечеткие логики Демпстер -Шейфер- Вероятностные модели Приближенные рассуждения Нечеткие диаграммы влияния Доверие к нечетким событиям Вероятность нечетких событий

9 9ECAI 2000 Мягкие вычисления Мягкие вычисления : Гибридные нечеткие системы Функциональная аппроксимация /Случайный поиск Вероятностные модели Нейросети Нечеткие системы Эволюционные алгоритмы Многозначные & нечеткие логики Многозначные алгебры Нечеткие регуляторы Приближенные рассуждения

10 10ECAI 2000 Мягкие вычисления Мягкие вычисления : Гибридные нечеткие системы Функциональная аппроксимация /Случайный поиск Вероятностные модели Нейросети Нечеткие системы Эволюционные алгоритмы Многозначные & нечеткие логики Многозначные алгебры Нечеткие регуляторы Приближенные рассуждения Гибридные НЛ системы Нейросети, модифи- цируемые НС Нечеткие регуляторы обучаемые нейросетью Нечеткие регуляторы, обучаемые и порождаемые ГА

11 11ECAI 2000 Мягкие вычисления Мягкие вычисления : Гибридные нечеткие системы Функциональная аппроксимация /Случайный поиск Вероятностные модели Нейросети Нечеткие системы Эволюционные алгоритмы Многозначные & нечеткие логики Многозначные алгебры Нечеткие регуляторы Приближенные рассуждения Гибридные НЛ системы Нейросети, модифи- цируемые НС Нечеткие регуляторы обучаемые нейросетью Нечеткие регуляторы, обучаемые и порождаемые ГА

12 12ECAI 2000 Мягкие вычисления Мягкие вычисления : Гибридные нечеткие системы Функциональная аппроксимация /Случайный поиск Вероятностные модели Нейросети Нечеткие системы Эволюционные алгоритмы Многозначные & нечеткие логики Многозначные алгебры Нечеткие регуляторы Приближенные рассуждения Гибридные НЛ системы Нейросети, модифи- цируемые НС Нечеткие регуляторы обучаемые нейросетью Нечеткие регуляторы, обучаемые и порождаемые ГА

13 13ECAI 2000 Мягкие вычисления: Гибридные нейросетевые системы Вероятностные модели Многозначные & нечеткие логики НС прямого распространения Одно\многослойный персепртрон РБФ Рекурент- ные НС Нейросети Хопфильд SOM ART Функциональная аппроксимация /Случайный поиск Приближенные рассуждения Эволюционные алгоритмы

14 14ECAI 2000 Мягкие вычисления: Гибридные нейросетевые системы Вероятностные модели Многозначные & нечеткие логики НС прямого распространения Одно\многослойный персепртрон РБФ Рекурент- ные НС Гибридные нейросистемы Топология НС &/или веса Порождаемые ГА Нейросети Хопфильд SOM ART Функциональная аппроксимация /Случайный поиск Приближенные рассуждения Эволюционные алгоритмы Параметры НС (скорость обучения момент ) управляемые НК

15 15ECAI 2000 Мягкие вычисления: Гибридные нейросетевые системы Вероятностные модели Многозначные & нечеткие логики НС прямого распространения Одно\многослойный персепртрон РБФ Рекурент- ные НС Гибридные нейросистемы Топология НС &/или веса Порождаемые ГА Параметры НС (скорость обучения момент ) управляемые НК Нейросети Хопфильд SOM ART Функциональная аппроксимация /Случайный поиск Приближенные рассуждения Эволюционные алгоритмы

16 16ECAI 2000 Мягкие вычисления: Гибридные системы ЭА Вероятностные модели Многозначные & нечеткие логики Нейросети Эволюционные стратегии Эволюционные Программы Генет. Прогр. Генетические алгоритмы Эволюционные алгоритмы Приближенные рассуждения Функциональная аппроксимация /Случайный поиск

17 17ECAI 2000 Мягкие вычисления: Гибридные системы ЭА Вероятностные модели Многозначные & нечеткие логики Нейросети Эволюционные стратегии Эволюционные Программы Генет. Прогр. Параметры ЭА (разм.поп.селекц. управляем. ЭА Генетические алгоритмы Параметры ЭА (N, P cr, P mu ) Управляемые НЛК ЭА поиск объединенный с градиент. Гибридные ЭА системы Эволюционные алгоритмы Приближенные рассуждения Функциональная аппроксимация /Случайный поиск

18 18ECAI 2000 Мягкие вычисления: Гибридные системы ЭА Вероятностные модели Многозначные & нечеткие логики Нейросети Эволюционные стратегии Эволюционные Программы Генет. Прогр. Параметры ЭА (разм.поп.селекц. управляем. ЭА Генетические алгоритмы Параметры ЭА (N, P cr, P mu ) Управляемые НЛК ЭА поиск объединенный с градиент. Гибридные ЭА системы Эволюционные алгоритмы Приближенные рассуждения Функциональная аппроксимация /Случайный поиск

19 19ECAI 2000 Мягкие вычисления: Гибридные системы ЭА Вероятностные модели Многозначные & нечеткие логики Нейросети Эволюционные стратегии Эволюционные Программы Гент. Прогр. Параметры ЭА (разм.поп.селекц. управляем. ЭА Генетические алгоритмы Параметры ЭА (N, P cr, P mu ) Управляемые НЛК ЭА поиск объединенный с градиент. Гибридные ЭА системы Эволюционные алгоритмы Приближенные рассуждения Функциональная аппроксимация /Случайный поиск

20 20ECAI 2000 Общая архитектура нейро-нечеткой cистемы Вывода NFIS

21 21ECAI 2000 T-норма Треугольная норма T - функция двух аргументов T: [0,1] × [0,1] [0,1], которая удовлетворяет следующим условиям для a, b, c, d [0,1]: Монотонность:T (a, b) T (c, d); a c; b d Коммутативность:T (a, b) =T (b, a) Ассоциативность:T (T (a, b), c) =T (a, T (b, c)) Граничные условия:T (a, 0) =0; T (a, 1) = a

22 22ECAI 2000 T-конорма (S-норма) T- конорма (S-норма) - функция двух аргументов S: [0,1] × [0,1] [0,1], который удовлетворяет следующие условия для a, b, c, d [0,1] Монотонность:S (a, b) S (c, d); a c; b d Коммутативность: S (a, b) =S (b, a) Ассоциативность: S (S (a, b), c) =S (a, S (b, c)) Граничные условия: S (a, 0) = a; S (a, 1) =1

23 23ECAI 2000 Нечеткая импликация Нечеткое значение - это функция I : [0,1]2 [0,1], удовлетворяющая следующим условиям: (I1) Если a 1 a 3 тогда I( a 1, a 2) I( a 3, a 2), для всего a 1, a 2, a 3 [0,1] (I2) Если a 2 a 3 тогда I( a 1, a 2)I( a 1, a 3), для всего a 1, a 2, a 3 [0,1] (I3) I(0, a 2)=1, для всего a 2 [0,1] (ошибочность подразумевает что - нибудь) (I4) I( a 1,1)=1, для всего a 1 [0,1] (что - нибудь подразумевает тавтологию) (I5) I(1,0)=0 (booleanity)

24 24ECAI 2000 СКОПЛЕНИЕ ПРАВИЛИмпликация Гибкая нейро-нечеткая система: Логический подход Например:

25 25ECAI 2000 Гибкая нейро-нечеткая система: компромисс И-ТИПА NFIS 0 1 (0,1) СИСТЕМА MAMDANI типЛогический тип Компромисс (MAMDANI и логического)

26 26ECAI 2000 Методы когнитивного моделирования ситуации Нечеткая целевая иерархия Цель Динамика изменения достижимости цели Нечеткая когнитивная карта ситуации

27 27ECAI 2000 Гибридная модель слабо структурированной ситуации I. Обеспечение пересечения факторов ситуации, описываемой в каждой из моделей; II. Обеспечение отображения значений факторов ситуации, полученной в когнитивной модели, в значения листовых критериев модели иерархического оценивания; III. Учет консонанса значений факторов при оценивании прогнозов развития ситуации; IV. Определение альтернативы в интегрированной модели. + = Иерархия оценивания Когнитивная карта Интегрированная модель

28 28ECAI 2000 Когнитивное моделирование Внешняя среда Факторы Мониторинг ситуации Связи между Факторами Pij Взаимовлияние Факторов Cij Эксперт

29 29ECAI 2000 Построение целевой иерархии Целевой фактор Нечеткая целевая иерархия Эксперт

30 30ECAI 2000 Взаимодействие моделей Цель Мониторинг Целевая иерархия Нечеткая когнитивная карта ситуации

31 31ECAI 2000 Полученные результаты Реализована возможность построения нечеткой целевой иерархической модели ситуации Впервые создана гибридная система, использующая нечеткую когнитивную модель и нечеткую целевую иерархию Реализована возможность оценки состояния ситуации даже когда информация о состоянии отдельных факторах неизвестна Система минимизирует количество запросов о состоянии факторов и оптимизирует процесс передачи информации

32 32ECAI 2000 Заключение: Свойства интегрированной модели 1. Интегрированная модель поддерживает все этапы процесса поддержки принятия решений: анализ ситуации основывается на декомпозиции цели, определенной экспертом; генерация альтернатив осуществляется методами когнитивного моделирования; выбор лучшего решения основан на оценивании прогнозов развития ситуации. 2. Множество альтернатив не фиксировано, есть возможность конструирования альтернативы и получения ее оценки методами нечеткого иерархического моделирования. 3. Интегрированная модель позволяет оценивать изменения текущего состояния ситуации.

33 33ECAI 2000 Инструментарий формирования робастных БЗ Оптимизаторы БЗ на мягких и квантовых вычислениях

34 34ECAI 2000

35 35ECAI 2000 Что такое – Встроенные Интеллектуальные Системы?

36 36ECAI 2000 Применение БСС в повседневной жизни

37 37ECAI 2000 Развитие линейки «мотов» - Motes Прототипы «умной пыли» weC Mote. Rene Mote Dot Mica node Mica2 MicaZ Источник: Джейсон Хил, Беркли

38 38ECAI 2000 Многодисциплинарная область Сенсорные сети дают возможность использовать и смешивать знания и экспертизу из разных дисциплин: обработка сигналов; Искусственный интеллект теория информации ; теория передачи данных; операционные системы и языки программирования; базы данных; системы на базе запоминающих устройств (MEMs); и многое другое...

39 39ECAI 2000 Нечеткие встроенные системы Нечеткие системы являются универсальным инструментарием для систем интеллектуальной поддержки принятия решений в беспроводных сенсорных сетях для следующих уровней Сетевой уровень Уровень баз данных Уровень слияния данных Уровень распределенных ЭС Уровень распределенного вывода Многоагентный уровень

40 40ECAI 2000 Smart Engine В качестве инструментария предлагается оболочка нечеткого (интеллектуального) сенсора, позволяющая аппроксимировать любую зависимость«вход-выход» в виде набора нечетких продукционных правил правил типа ЕСЛИ Х = А, ТО Y = B где X -входная, Y- выходная переменная А,В – нечеткие лингвистические переменные

41 41ECAI 2000 Сетевой уровень В виде нечетких сенсоров могут быть описаны Нечеткие правила маршрутизации Нечеткие правила энергосбережения Нечеткая система управления узлами сети, встроенная в трафик (активные сети) Нечеткие алгоритмы кластеризации узлов Нечеткие алгоритмы мониторинга (или настройки параметров мониторинга) Правила управления качеством обслуживания Правила обнаружения аномалий в системе (искусственные иммунные системы)

42 42ECAI 2000 Пример 1 IF среднее использование каналов НИЗКОЕ И средний процент запаздывания в канале ВЫСОКИЙ то возможность возникновения очередей СРЕДНЯЯ А.Оценка качества работы сети IF (LS=HIGH) AND (LC=HIGH) AND (NE=HIGH) AND (NH=LOW) THEN CACHE IF (LS=LOW) AND (LC=HIGH) AND (NE=LOW) AND (NH=HIGH) THEN NO CACHE Где LS = надежность канала LC = пропускная способность канала NE = заряд узлов NH = число узлов Б.Оценка качества маршрута

43 43ECAI 2000 Слияние данных Нечеткие сенсоры могут быть использованы на разных уровнях многоуровневого слияния данных – для фильтрации данных, для выделения атрибутов, для распознавание образов, для распознавание ситуации. Процедура слияния данных, записанная в продукционной форме, легко декомпозируется и имеет иерархический характер. Слияние данных внутри сети осуществляется иерархией узлов, между которыми распределяются необходимые знания.

44 44ECAI 2000 Пример 2 (слияние данных) А. Определение комфортности комнаты Правило 1. Если Температура СРЕДНЯЯ и Влажность ВЫСОКАЯ и Освещенность ВЫСОКАЯ, то Комфортность ОЧЕНЬ ВЫСОКАЯ Правило 2. Если Температура НИЗКАЯ и Влажность ВЫСОКАЯ и Освещенность НИЗКАЯ, то Комфортность НИЗКАЯ Б. Определение возможности курения Правило 3. Если Температура СРЕДНЯЯ и Влажность НИЗКАЯ и Освещенность НИЗКАЯ, то Курят Наркотики ВОЗМОЖНО Правило 4. Если Температура НИЗКАЯ и Влажность НИЗКАЯ КАЯ и Освещенность ВЫСОКАЯ, то Курят Наркотики МАЛО ВОЗМОЖНО

45 45ECAI 2000 Уровень распределенных ЭС БСС используется, как экспертная системы, база знаний которой распределена по узлам БСС. Знания могут передаваться между узлами База знаний может быть послана в эти узлы вместе с запросом к БСС. Процесс обработки запроса распределен по сети. Процесс вывода распределен по сети Процесс распознавания распределен по сети

46 46ECAI 2000 Многоагентный уровень Нечеткие сенсорные узлы могут обладать активностью, мобильность, и коллективным поведением Миграция приложений для экономии памяти и энергии Мобильные агенты в сенсорные узлы для сбора и обработки данных Сенсорные узлы с функцией полезности – соглашаются или отказываются передавать данные в зависимости от заряда батареи Взаимодействие сенсоров- агентов для слияния данных (например, для лучшего распознавания объекта)

47 47ECAI 2000 Умный сенсорный узел: Система нечеткого вывода : Агрегация Кластеризация Слияние данных Нечеткая продукционная система на узле БСС

48 48ECAI 2000 Использование нечетких правил в качестве детекторов в искусственных иммунных системах в БСС Выявление аномалий и их устранение Распознавание Вероятностное обнаружение Совместная стимуляция Саморегуляция Динамическая защита Обучение Память Распределенный поиск

49 49ECAI 2000 Карта антител «чужого» пространства «Свои» X Антитело (с распознающим радиусом) «Чужие»

50 50ECAI 2000 Карта антител «чужого» пространства «Свои» Автореакция Антитело Разрушение «Чужие» X

51 51ECAI 2000 Карта антител «чужого» пространства «Свои» «Чужие» X X Антиген (сравнение с антителом)

52 52ECAI 2000 Карта антител «чужого» пространства «Свои» «Чужие» X X Клонирование (развитие) X X

53 53ECAI 2000 Спасибо за внимание!