Капралов Е.Г., Кошкарев А.В., Тикунов В.С. и др. Геоинформатика

Подождите немного. Документ загружается.

(Имя фрейма:

Имя слота 1 (значение слота 1),

Имя слота 2 (значение слота 2),

Имя слота К (значение слота К».

Значением слота может быть практически что угодно (числа

или математические соотношения, тексты на естественном языке

или программы, правила вывода или ссылки на другие слоты дан-

ного фрейма или других фреймов). В качестве значения слота мо-

жет выступать набор слотов более низкого уровня, что позволяет

во фреймовых представлениях реализовать «принцип матрешки».

При конкретизации фрейма ему и слотам присваиваются кон-

кретные имена и происходит заполнение слотов. Таким образом, из

протофреймов получаются фреймы-экземпляры. Переход от исход-

ного протофрейма к фрейму-экземпляру может быть многошаго-

вым, за счет постепенного уточнения значений слотов.

Поясним суть фреймового представления знаний на примере

оценки состояния природной среды с точки зрения ее антропо-

генной трансформации и прежде всего загрязнения [В.С.Тику-

нов,

1989].

Образуем протофрейм:

(Состояние природной среды:

выбросы вредных веществ в атмосферу (значение слота 1),

загрязнение подземных и поверхностных вод (значение слота 2),

состояние геологической среды (значение слота 3),

состояние почвенного покрова (значение слота 4),

состояние растительного и животного мира (значение слота 5)

Каждый слот кроме имени может иметь одно или несколько

значений (качественных или количественных), например, «выб-

росы вредных веществ предприятием в атмосферу» «изобути-

лен»,

«200», «600», «400», «600»; «этиленгликоль», «40», «70», «60»,

«80» и т.д. При характеристике выбросов изобутилена, этиленгли-

коля и других загрязняющих веществ первое числовое значение

может определять фоновые, второе — максимальные, третье —

реальные концентрации, а четвертое — предельно допустимую

концентрацию. В качестве слота могут использоваться сложные

структуры, включающие иерархию слотов более низкого порядка.

Так, в слот «выбросы вредных веществ в атмосферу» можно

включить слот «состояние атмосферы», который, в свою очередь,

будет характеризоваться слотами: «скорость ветра», «распределе-

ние температур», «стратификация атмосферы» и т.д. Изменяя со-

держание слотов, преобразуется вся семантическая структура в

зависимости от конкретных целей, например связанных с выра-

боткой рекомендаций по охране природной среды.

В продукционных моделях, наиболее распространенных в насто-

ящее время, знания представляются правилами вида

(/);/>; ЛЯ; Q, (4.1)

где / — имя продукции, с помощью которого данная продукция

выделяется из всего множества продукций; А -> В — ядро; Р —

условие применимости ядра продукции; Q — критерий, описыва-

ющий постусловия продукции.

В качестве имени может выступать некоторая лексема, отража-

ющая суть данной продукции (например, «размещение завода в

пункте (/)»), или порядковый номер продукций в их множестве,

хранящемся в памяти системы.

Основным элементом продукции является ее ядро: А -> В. Интер-

претация ядра продукции может быть различной и зависит от того,

что стоит слева и справа от знака секвенции Обычное прочтение

ядра продукции выглядит так: ЕСЛИ

А,

ТО В, более сложные кон-

струкции ядра допускают в правой части альтернативный выбор,

например, ЕСЛИ

А,

ТО В

ИНАЧЕ

2*2.

Секвенция может истолко-

вываться в обычном логическом смысле как знак логического сле-

дования В из истинного А (если А не является истинным выражени-

ем,

то о В ничего сказать нельзя). Возможны и другие интерпретации

ядра продукции, например А описывает некоторое условие, необ-

ходимое для того, чтобы можно было совершить действие В.

Элемент Р — условие применимости ядра продукции, обычно

представляет собой логическое выражение (как правило, предикат).

Когда Р принимает значение «истина», ядро продукции активизиру-

ется. Если

Р«ложно»,

то ядро продукции не может быть использовано.

Критерий Q описывает постусловия продукции. Они актуализи-

руются только в том случае, если ядро продукции реализовалось.

Постусловия продукции описывают действия и процедуры, кото-

рые необходимо выполнить после реализации В. Выполнение Q

может происходить сразу после реализации ядра продукции.

При использовании продукционных моделей у систем, осно-

ванных на знаниях, имеется возможность:

• применения простого и точного механизма использования

знаний;

• представления знаний с высокой однородностью, описывае-

мых по единому синтаксису.

Эти две отличительные черты и определили широкое распрос-

транение методов представления знаний правилами.

Программные средства, оперирующие со знаниями, представ-

ленными правилами, получили название продукционных систем

(или систем продукции) и впервые были предложены А. Постом в

1941 г.

В качестве примера применения «продукции» рассмотрим зада-

чу, сформулированную по аналогии с примером из книги

[И.А.Портянский,

1989].

Допустим, требуется найти место

для

размещения завода

(А) по

производству алюминия (объем произ-

водства —

100

тыс.

т в

год).

Для

этого желательно выполнение сле-

дующих условий:

—

залежи бокситов удалены

не

более

чем на 500 км;

— добыча бокситов

не

менее

400

тыс.

т в год;

Ру — производство

из

бокситов

не

менее

200

тыс.

глинозема;

— наличие значительных энергоресурсов;

— район размещения завода — Северный Кавказ;

—

город,

где

будет находиться завод, должен обеспечить пол-

ное укомплектование персоналом

(700

чел.).

«Продукция», описывающая ситуацию

для

пункта

(/),

такова:

(i);P&P

(N>70O),A->

В, (?,

где

определяет выполнение первых пяти условий размещения

предприятия

(А), т.е.

Р=Р

{

&Р

;

определит, достаточно

ли

свободных трудовых ресурсов (более

700

чел.),

фиксирует пригодность пункта

(/) для

размещения

завода,

a Q

определяет условия

связи

с тем, что в

пункте

будет

завод.

Применение «продукции» упрощает диалог

объяснения

пользователю, почему принято

то или

иное решение. Соответству-

ющие примеры показаны

книге [И.А.Портянский,

1989].

Для

подчеркивания сильных сторон фреймов

«продукций» возможен

их синтез [Г.С.Поспелов, Д.А.Поспелов,

1985],

например «про-

дукции»

качестве слотов

во

фреймах.

Важной особенностью экспертных систем является возможность

работать

«нечеткими» данными

[L.AZadeh,

1965;

Нечеткие..,

1986;

С.Rolland-May,

1987;

В.С.Тикунов,

1989],

но и, что

самое глав-

ное,

«нечеткими» знаниями.

Для

этого применяются понятия

не-

четкой логики — надмножества булевой логики, которая была рас-

ширена

целях обработки концепции частичной правды — значения

истинности между «полностью истинным»

«полностью ложным».

Нечеткая логика была введена доктором

Л.

А.

Заде

60-х годах XX

в.

как способ моделирования неопределенностей естественного языка.

Основная идея Л.

А.

Заде состояла

том,

что

человеческий спо-

соб рассуждений, опирающийся

на

естественный язык,

не

может

быть описан

рамках традиционных математических формализмов.

Этим формализмам присуща строгая однозначность интерпрета-

ции,

а все, что

связано

использованием естественного языка,

имеет многозначную интерпретацию.

самого начала основная

прагматическая цель Л.

А.

Заде

—

создание аппарата, способного

моделировать человеческие рассуждения

объяснять человече-

ские приемы принятия решений

ходе решения различных задач,

привлекла в эту область многочисленную армию прикладников.

Идеи

Л.

А.

Заде и его последователей находят применение при со-

здании систем, понимающих тексты на естественном языке, при

создании планирующих систем, опирающихся на неполную ин-

формацию, при обработке зрительных сигналов, при управлении

техническими, социальными и экономическими системами. Ис-

пользуя комбинации элементов знаний, можно прийти к вполне

определенным заключениям, т.е. даже на основе ненадежных дан-

ных есть возможность получать правдоподобные выводы. «Нечет-

кость» определений, которыми оперирует географ, ведет к «не-

четкости» знаний. Например, обратившись к понятию «широкая

река», мы отчетливо представляем, что для разных людей этот

размер может варьировать в значительных пределах. Для характе-

ристики фактов используется нечеткая логика, разработаны коэф-

фициенты уверенности для измерения степени доверия к любому

заключению [Экспертные..,

1987].

Другим важным элементом экспертной системы является меха-

низм логических выводов (машина вывода). «Машина логического

вывода является универсальной думающей машиной, а база зна-

ний — это то, над чем ей предстоит думать» [Экспертные.., 1987. —

С. 65]. Иными словами, в ответ на запрос система способна стро-

ить логические выводы и на их основе приходить к заключениям.

Здесь проверяется выполнимость условий конкретной ситуации по

отношению к имеющимся правилам и подбирается путь их удов-

летворения. Причем в отличие от традиционных алгоритмов, осу-

ществляющих механический перебор всех правил, в экспертной

системе пространство поиска сужается за счет того, что, как и

человек, ЭВМ должна ожидать, что же ей встретится. Например,

анализируя видовой состав смешанных и широколиственных ле-

сов средней полосы европейской части России, географ ожидает

встретить ель, березу, дуб, липу, клен, но не пальмы или мангры,

перебор которых для анализа противоречит здравому смыслу.

Процедуру получения выводов путем анализа фреймов или «про-

дукций» называют прямой стратегией. В том случае, если человек

выдвигает гипотезы (делает он это, как правило, с охотой), а ЭВМ

их проверяет (что проще для машины), то мы переходим к обратной

стратегии. Используются и смешанные стратегии, когда машина вы-

дает ряд вариантов решения, а экспертная система именно так и

поступает, выбрав из них какое-нибудь одно, которое анализируется

с помощью обратной стратегии. Естественно, что этот путь будет

неоднозначным, причем могут добавляться новые значения и т.д.

Модуль приобретения знаний проверяет непротиворечивость вновь

поступающих сведений имевшимся правилам. Достигается это пу-

тем проверки семантической непротиворечивости, а также авто-

матическим тестированием. Проверка семантической непротиво-

речивости определяет согласование вносимых изменений прави-

лам базы знаний, а автоматическое тестирование проверяет ново-

введения на большом количестве задач, чтобы оценить, сколь по-

ложительно они влияют на работу экспертной системы [Построе-

ние..,

1987].

В случае конфликтных ситуаций требуется пересмотр

правил. Здесь применяются различные степени доверия для потен-

циальных решений, чтобы они не противоречили здравой логике,

хотя сделать это не всегда просто.

Здесь может оказаться целесообразным характеристика не от-

дельных явлений, а их классов, когда конкретная ситуация срав-

нивается с типичными примерами. Допустим, географ, классифи-

цируя типы берегов (риасовый, шхерный, фьордовый), как бы

сравнивает их с идеальными моделями: фьорды — узкие, глубоко

вдающиеся в сушу клинья и т.д. Но экспертная система не ограни-

чивается алгоритмической классификацией и учитывает семанти-

ку. Классифицируя географические объекты «Москва», «Орел»,

«Брянск», человек легко сгруппирует их в города, но «Москву» в

сочетании с «Волгой» и «Леной» отнесет к рекам, а вот «Орел» в

сочетании со словами «Коршун» и «Ястреб», так же, как и «Лена»,

«Ирина», «Валентина» приводят к совершенно иным смысловым

значениям, то же должна уметь эвристическая программа.

Более того, иногда требуется и не совсем «логичное» заключе-

ние.

Например, анализируя уровни социально-экономического раз-

вития стран по ряду формальных критериев, в том числе таким,

как национальный доход на душу населения, число автомобилей на

1 тыс. жителей и другим показателям, Кувейт должен быть отнесен

к числу ведущих стран, но эксперт-географ, сильно занизив его оцен-

ку, не выглядит странным. Так же должна поступать и экспертная

система, выводя одни правила из других, и приходить к заключе-

ниям, получить которые из формальной логики невозможно.

Существует еще один характерный момент для экспертной си-

стемы. Так как правила, создаваемые одним географом, чаще все-

го сильно отличаются от того, как это делает другой специалист,

экспертная система как бы становится «вторым я» того или иного

ученого, копируя его стиль работы.

Модуль советов и объяснений (система объяснений) использу-

ется для разъяснения пользователю того, как экспертная система

пришла к тому или иному конкретному выводу. Причем в процес-

се работы пользователь может задавать дополнительные вопросы о

получении промежуточных результатов, уточнять цели, инспекти-

ровать правила с точки зрения их согласования между собой и

соответствия поставленным целям и др. «Метод рассуждения, ко-

торый не может быть объяснен человеку, является неудовлетвори-

тельным, даже если с ним система работает лучше, чем специа-

лист» [Экспертные.., 1987. — С. 19].

Как правило, модуль советов и объяснений делает трассировку

хода проведения рассуждений в обратном порядке от того места, к

которому относится вопрос, или от конечного результата. Каждый

шаг рассуждения подкрепляется выводами из правил базы знаний.

Экспертная система объясняет также, почему она не пошла другим

путем, какие правила базы знаний этот путь заблокировал. Объяс-

нения экспертной системы помогают пользователю совершенство-

вать базу знаний, показывая слабые места, ведущие к неправиль-

ным выводам. Пример работы экспертной системы и блока объяс-

нения логики решений приведен в книге [И.А.Портянский,

1989].

Экспертные системы могут сильно отличаться своей конфигу-

рацией в зависимости от целей их создания, имеющихся техни-

ческих средств, объема данных и знаний [Искусственный.., 1990;

Г. В. Рыбина, 1991; Введение.., 1995; Статистические.., 1996; Экс-

пертные.., 1996; П.Джексон,

2001].

Причем важной является воз-

можность комбинирования экспертных систем с математически-

ми моделями, служащими для алгоритмических вычислений. Та-

кие системы принято называть интегрированными.

В обобщающих работах по экспертным системам выделяют не-

сколько их типов [Построение.., 1987; Экспертные..,

1987]:

интер-

претирующие, позволяющие на основе полученных фактов делать

описания и выводы; прогнозирующие

—

выводящие следствия из со-

вокупности состояний исследуемых явлений, например, прогноз

погоды, урожайность сельскохозяйственных культур и др.; диагнос-

тические, прежде всего в медицине; проектирования — в строи-

тельстве;

планирования*,

мониторинга, ремонта', обучения и др.

Важны классификационные аспекты географии, и здесь роль

экспертных систем в решении неподдающихся математической

формализации и сложных для логического анализа задач может

быть велика, например, в случае типизации географических ситуа-

ций, при применении метода ситуационного управления, пред-

ложенного Д.

А.

Поспеловым, в частности в географии при разра-

ботках геоситуационного направления [А. М. Трофимов, М.В.Па-

насюк,

1982].

Типология геоситуаций необходима для выработки правил,

фактов и связей в соответствующих базах знаний, формируемых

на основе знаний экспертов. Сценарии, построенные на базе ти-

пов геоситуаций, позволяют в каждом конкретном случае обра-

щаться не к перебору нескольких вариантов, а, идентифицировав

тип, анализировать структуру соответствующих пространственных

образований по отношению к характеристикам их типа. В дальней-

шем экспертные системы смогут определять структуру геоситуа-

ций и рекомендовать мероприятия для их целенаправленных транс-

формаций или консервации, например при выработке рекоменда-

ций по охране окружающей среды и т.д.

Одно из интересных приложений экспертных систем может со-

стоять в их применении не только для обучения отдельным дис-

циплинам с использованием опыта наиболее известных препода-

вателей (безгранично расширив их аудиторию), но и служить в

качестве «интеллектуального интерфейса» для'связи, например, с

вычислительными пакетами программ, с которыми пользователь

мало знаком, т.е. быть своеобразным гидом.

С распространением экспертных систем в географии и эколо-

гии специалисты получат возможность использовать технику для

уточнения, распространения, пропаганды, а главное, получения

новых индивидуальных знаний, сопоставлять между собой конеч-

ные и промежуточные выводы при несовпадающих мнениях. Кста-

ти,

экологи и географы, обходившиеся в своей работе без матема-

тических методов и расчетов на компьютере, смогут использовать

вычислительные машины без применения алгоритмических под-

ходов. Роль специальных знаний еще более возрастет, а их переда-

ча от «учителя к ученику» облегчится, улучшится сохранность на-

копленных знаний и возможность их дальнейшего пополнения и

совершенствования. Для специалистов особенно важно, что наи-

более ценной и дорогостоящей частью в экспертных системах ока-

зываются их профессиональные знания. В целом экспертные систе-

мы могут рассматриваться как одно из самых мощных средств ис-

следований на ближайшую перспективу.

Контрольные вопросы

В чем специфика систем искусственного интеллекта?

2. Какова типовая структура экспертной системы?

3. Что такое «фреймы»?

4. Что такое «продукции»?

5. В чем смысл методов нечеткой логики?

6. Что такое «база знаний»?

7. Объясните механизм логических выводов ЭС.

8. Как работает модуль приобретения знаний?

9. Для чего необходима система объяснений?

10. Как классифицируют ЭС в географии и экологии?

4.2. Нейронные сети и ГИС

Основы создания нейронных сетей. Современные компьютеры

устроены по так называемой схеме фон-Неймана, реализующей бы-

стрые последовательности большого числа бинарных операций.

Видимо, такой подход отчасти был обусловлен структурой матема-

тики первой половины XX в., когда высшие разделы математики

опирались на арифметику, а последняя — на бинарную логику. По-

нятно, что если бы за основу было взято что-то иное, а не булева

алгебра, могли бы получиться существенно иные компьютеры.

В качестве основной альтернативы подходу Дж. фон-Неймана

обсуждалась ориентация на воспроизведение принципов работы био-

логических нейронных сетей. Примерно в те же годы, что и первый

компьютер, была создана первая нейроподобная система — пер-

септрон Розенблатга. Некоторое время оба направления

—

Дж. фон-

Неймана и Ф. Розенблатга

—

развивались независимо, затем персеп-

тронное направление пережило кризис и возродилось уже в 80-е

годы под именем нейронных сетей, при этом на новом этапе би-

нарно-логический и бионический принципы стали сочетаться. Ин-

тересно, что кризис бионического направления во многом был

обусловлен не техническими сложностями и не отсутствием при-

ложений, а содержательным математическим рассмотрением, про-

веденным М. Минским и С.Пейпертом, — они показали, что не

существует персептрона, способного надежно определять топологи-

ческие характеристики образа, такие, как связность, и этого оказа-

лось достаточно для резкого падения первоначального энтузиазма.

Любопытно также, что и возрождение энтузиазма было связано не

с опровержением выводов Минского и Пейперта, а просто с фор-

мированием обширной ориентированной на приложения сферы

деятельности. Впрочем, в последние годы появились некоторые

приложения нейроподобных алгоритмов и к задачам топологий.'

Сопоставление машины фон-Неймана и биологической нейрон-

ной сети приведено в табл. 4.1.

Таблица 4.1

Сопоставление машины фон-Неймана и биологической нейронной сети

Показатель Машина фон-Неймана

Биологическая

нейронная сеть

Процессор Сложный

Простой

Процессор

Высокоскоростной Низкоскоростной

Процессор

Один или несколько Большое количество

Память Отделена от процессора

Интегрирована

в процессор

Память

Локализована Распределенная

Память

Адресация не по

содержанию

Адресация по содержа-

нию

Вычисления

Централизованные

Распределенные

Вычисления

Последовательные

Параллельные

Вычисления

Хранимые программы

Самообучение

Надежность Высокая уязвимость

Живучесть

Специализация

Численные и символь-

ные операции

Проблемы восприятия

Среда функциони-

рования

Строго определенная

Плохо определенная

Среда функциони-

рования

Строго ограниченная

Без ограничений

Схема

ал

<*1.

_02

Дендрит!

Нелинейный Точка

Входной преобразо- ветвления

сумматор ватель

Функция

отклика

Ф(а)

Рис.

44. Сравнение технического и биологического нейронов

Более конкретные характеристики мозга человека: кора голов-

ного мозга образована нейронами поверхностью толщиной от 2 до

3 мм и площадью около 2,2 дм

, содержит около 10

нейронов,

каждый нейрон связан с

—10

другими нейронами.

Нейроны взаимодействуют посредством короткой серии импуль-

сов,

как правило, продолжительностью несколько миллисекунд.

Сообщение передается посредством частотно-импульсной моду-

ляции. Частота может изменяться от нескольких единиц до сотен

герц, что в миллион раз медленнее, чем самые быстродействую-

щие переключательные электронные схемы. Тем не менее доста-

точно сложные решения по восприятию информации человек при-

нимает за несколько сотен миллисекунд.

Сопоставим биологический нейрон с наиболее часто рассматри-

ваемой схемой технического нейрона (рис. 44).

Оба типа нейронов реагируют на воздействие со стороны мно-

гих нейронов, в зависимости от величины связей с этими нейро-

нами. В отличие от технических нейронов, реакция биологического

нейрона всегда неотрицательна, причем, если воздействие на него

не достигло критического уровня, то реакции нет. Возможно, что

с этим связано одно из наиболее очевидных отличий биологиче-

ских нейронных сетей от существующих в настоящее время нейро-

программ — один и тот же мозг, в зависимости от того, какие

нейроны «молчат», может работать весьма различным образом,

это выглядит так, как будто мозг — «склад» процессоров, которые

по-разному соединяются при разных задачах. Аппаратное обеспе-

чение, реализующее технические нейроны, постепенно усложня-

лось — сначала это были релейные схемы, сейчас, например, опе-

рационные усилители, но чаще всего — эмуляция в обычном ком-

Однослойные

Многослойные

Полносвязные

Рис.

45. Типы технических нейросетей

пьютере. Характеризуя вычислительную мощность, можно отме-

тить,

что по

экспертным оценкам современные

ПК

могут модели-

ровать уровень нервной системы сложных червей, лучшие нейро-

сетевые спецпроцессоры — уровень мухи.

Если рассматривать биологические нейронные сети,

то

для

них

существует принципиальное внутреннее деление: нейронные сети

могут реализовывать либо рефлекторное поведение, либо мышле-

ние.

Нейрофизиологически рефлекторному поведению соответствует

относительно короткий всплеск процессов

ответ

на

внешнее воз-

действие

последующим возвращением

спокойное состояние,

мышлению

—

длительная работа сети, нередко

весьма умерен-

ным,

но

постоянным уровнем возбуждения мозга,

при

этом внеш-

ние воздействия скорее мешают.

технических системах воспро-

изводят

основном рефлекторное поведение, хотя возможно,

что

некоторые нейроалгоритмы, решающие «внутренне сложные»

за-

дачи, могут сопоставляться

и с

процессами мышления.

Типы технических нейросетей»

литературе заметное внимание

уделяется вопросам архитектуры технических нейронных сетей,

приведем вариант соответствующей классификации схем (рис.

45).

Более принципиальным является разбиение нейроалгоритмов

на

два класса

— Supervised

(обучающиеся

по

образцу,

учителем)

Unsupervised

(обучающиеся без образца, без учителя).

первом слу-

чае обучение организовано

как

воспроизведение набора правильных

образцов (обучающей выборки), после чего сеть может адекватно

реагировать

и на

примеры, которых

не

было

обучающей выборке,

во втором случае образцы правильной реакции исходно отсутству-

ют. В части русскоязычной литературы утвердились термины «обуче-

ние

учителем»

«обучение

без

учителя»,

что не

является точным

переводом

английского

и не

вполне точно

по

нормам русского

языка. Видимо, нейросети, обучающиеся

по

образцу, неплохо вос-

производят рефлекторное поведение. Нейросети, обучающиеся

без

образца, быть может, иногда моделируют более интересную вещь —

мышление, однако делают

это

несравненно менее успешно.

Нейросети, обучающиеся

по

образцу, произошли

от

персептро-

нов

и в

современной трактовке могут рассматриваться

как

вариан-

ты

модификации сетей

обратным распространением ошибки

(иногда

как

результат примитивизации такого рода сетей,

целях