Масленникова О.Е., Попова И.В. Основы искусственного интеллекта

Подождите немного. Документ загружается.

- 61 -

фрейма:

ПОЛУЧЕНИЕ:

ОБЪЕКТ (КНИГА: (Автор, Л.Н. Толстой), (Название, Воскресение));

АГЕНТ (СТУДЕНТ: (Фамилия, Сидоров)); МЕСТО (БИБЛИОТЕКА:

(Название, им. Н.В. Гоголя), (Расположение, г. Москва)).

Рис. 32. Фрейм и его элементы

Принципиальные особенности фреймовой модели, отличающие ее от

реляционной:

• возможность смешанного заполнения слотов константами (как в

базе данных) и переменными;

• возможность наличия пустых слотов;

• размещение в слотах указателей на другие фреймы (наследование

частей) для создания сети;

• размещение в слотах имен выполняемых процедур /

База знаний — сеть фреймов с корневой вершиной.

Различают фреймы-образцы, или прототипы, хранящиеся в базе

знаний, и фреймы-экземпляры, которые создаются для отображения

реальных ситуаций на основе поступающих данных.

Виды фреймов:

• фреймы-структуры, для обозначения объектов и понятий (заем,

залог, вексель);

• фреймы-роли (менеджер, кассир, клиент);

• фреймы-сценарии (банкротство, собрание акционеров, празднование

именин);

• фреймы-ситуации (тревога, авария, рабочий режим устройства) и др.

Важнейшим свойством теории фреймов является заимствованное из

теории семантических сетей наследование свойств. И во фреймах, и в

семантических сетях наследование происходит по АКО-связям (A-Kind-Of =

это). Слот АКО указывает на фрейм более высокого уровня иерархии,

откуда неявно наследуются, т.е. переносятся, значения аналогичных слотов.

Основной механизм вывода — сопоставление (matching). Различают

синтаксическое сопоставление, когда сравнивается структура единиц знания

(фреймов или слотов), и семантическое сопоставление, когда сравнивается

- 62 -

содержимое этих единиц. Результат сопоставления может быть бинарным

(да/нет) или иметь параметрический характер (введенный параметр отражает

степень сопоставимости образцов).

2.5. Продукционная модель

Продукционные модели используются для решения более сложных

задач, которые основаны на применении эвристических методов

представления знаний, позволяющих настраивать механизм вывода на

особенности проблемной области и учитывать неопределенность знаний.

В продукционной модели основной единицей знаний служит правило в

виде: «если <посылка>, то <действие>», с помощью которого могут быть

выражены пространственно-временные, причинно-следственные,

функционально-поведенческие (ситуация - действие) отношения объектов.

Правилами могут быть описаны сами объекты: "объект - свойство" или

"набор свойств - объект", хотя чаще описания объектов фигурируют только в

качестве переменных ("атрибут - значение") внутри правил. В основном

продукционная модель предназначена для описания последовательности

различных ситуаций или действий и в меньшей степени для

структурированного описания объектов.

Продукционная модель предполагает более гибкую организацию

работы механизма вывода по сравнению с логической моделью. Так, в

зависимости от направления вывода возможна как прямая аргументация,

управляемая данными (от данных к цели), так и обратная, управляемая

целями (от целей к данным). Прямой вывод используется в продукционных

моделях при решении, например, задач интерпретации, когда по исходным

данным нужно определить сущность некоторой ситуации или в задачах

прогнозирования, когда из описания некоторой ситуации требуется вывести

все следствия. Обратный вывод применяется, когда нужно проверить

определенную гипотезу или небольшое множество гипотез на соответствие

фактам, например, в задачах диагностики.

В общем виде под продукцией понимается выражение вида:

(i); Q; P; A→B; N. Здесь A→B – ядро продукции, интерпретирующееся

фразой «ЕСЛИ А, ТО В»;

Q — сфера применения продукции, описывающая ПО или ситуацию;

Р — условие применимости ядра продукции (предикат). Если Р

истинно, ядро продукции активизируется;

N — постусловие продукции. Оно представляет собой процедуру,

которую следует выполнить после успешной реализации ядра. Например,

после покупки вещи их количество следует уменьшить на 1.

Пример

(#11); Q=«Оценка надежности поставщика»; (Задолженность =

"нет")&(Рентабельность = "удовл.") → Финансовое_состояние = "удовл»

- 63 -

Все части продукции, кроме ее ядра, являются факультативными.

В зависимости от оценок реализации ядро делится на обязательное и

необязательное. В качестве оценок реализации могут применяться

вероятность, возможность, коэффициент уверенности. Например: Если А,

то с большой долей уверенности реализовать В.

Взаимосвязанный набор продукций образует систему. Основной

проблемой вывода знания в системе продукций является выбор для анализа

очередной продукции, т.е., с одной стороны, неоднозначность выбора

очередной продукции, а с другой — возможность распараллеливания

вычислений (одновременной реализации группы продукций).

Конкурирующие продукции образуют фронт.

Пример. Дана система продукций:

а) А→В;

б) B&D→A;

в) AvB→D;

г) D→C.

Если истинно условие А, то кандидатами на выполнение являются

продукции а) и в), если же истинны условия В и D, то — б), в) и г).

Если порядок выполнения продукций важен, то имеется возможность в

постусловиях указывать номера следующих продукций. В этом случае

система продукций превращается в обычную программу. В противном случае

для выбора очередной продукции применяются различные эвристики:

приоритетный выбор, принципы метапродукций, стопки книг, наиболее

длинного условия.

1. Приоритетный выбор. Приоритет может устанавливаться

статически или динамически. В первом случае продукции упорядочиваются в

процессе построения модели в соответствии со спецификой ПО.

Динамические приоритеты вырабатываются в процессе функционирования

системы продукций, например в зависимости от времени нахождения

продукции во фронте. Статические приоритеты используются, в частности, в

системе PROLOG.

2. Принцип метапродукций. Он является разновидностью

предыдущего принципа. На основе анализа заданных признаков в условиях

продукций, находящихся во фронте, метапродукции устанавливают порядок

их выполнения. Если признаки, подлежащие анализу, фиксируются в рабочей

памяти, принцип сводится к «классной доске».

3. Принцип стопки книг. Он основан на той идее, что наиболее

часто используемая продукция является наиболее полезной. Готовые

продукции образуют «стопку», в которой порядок определяется частотой

использования продукций в прошлом. В этом методе нужно накапливать

частоты. Этот принцип используется в планирующих системах роботов для

систем относительно независимых продукций.

- 64 -

4. Принцип наиболее длинного условия. Из фронта выбирается та

продукция, у которой стало истинным наиболее длинное условие

выполнимости ядра. Принцип основан на той идее, что частные правила,

относящиеся к узкому классу ситуаций, важнее общих правил, относящихся

к широкому классу ситуаций. Используется в системах продукций,

упорядоченных в отношении частное-общее.

Продукционная модель имеет следующие преимущества:

• простоту и ясность основной единицы базы знаний (БЗ) —

продукции;

• независимость продукций и легкость модификации БЗ;

• строгость, простоту и изученность механизма логического вывода;

• асинхронность и естественный параллелизм функционирования, что

дает возможность использовать параллельные вычисления.

К ее недостаткам относятся:

• малая степень структуризации БЗ (всего 1—2 уровня знаний);

• неясность взаимных отношений продукций;

• сложность оценки целостного образа знаний (противоречия);

• неуниверсальность.

При использовании продукционной модели база знаний состоит из

набора правил. Программа, управляющая перебором правил, называется

машиной вывода. Чаще всего вывод бывает прямой (от данных к поиску

цели) или обратный (от цели для ее подтверждения — к данным). Данные —

это исходные факты, на основании которых запускается машина вывода —

программа, перебирающая правила из базы.

2.6. Другие модели представления знаний

Продукционно-фреймовая

В соответствии со своим названием эта модель является смешанной,

что позволяет сочетать преимущества составляющих моделей. Такая модель

реализована в инструментальной системе Leonardo, предназначенной для

создания, отладки и функционирования экспертных систем [71].

База знаний этой модели состоит из совокупности продукций (правил),

задающих причинно-следственные отношения между простыми и сложными

объектами (сущностями). В качестве сложных объектов используются

фреймы. На основе объектов-условий определяется значение выделенного

объекта цель, играющее роль одной из гипотез.

Вывод истинной гипотезы в этой модели может осуществляться в двух

направлениях: прямом (от правил) и обратном (от цели), а также смешанным

образом. При прямом выводе осуществляется обход дерева условий от корня

до соответствующей заданным условиям гипотезы. При обратном выводе

выполняется проверка истинности условий, при которых предполагаемая

гипотеза оказывается истинной.

Если степень уверенности в истинности объектов менее 1, то при

выводе подсчитывается степень уверенности выбранной гипотезы.

- 65 -

Нейронные сети

С начала 80-х годов в области исследований по искусственному

интеллекту (ИИ) начало бурно развиваться направление работ, связанное с

созданием нового класса устройств вычислительной техники -

нейрокомпьютеров. Нейрокомпьютер - это программно-техническая система

(ее также можно назвать специализированной ЭВМ), которая реализует, или,

как говорят, обеспечивает некоторую формальную модель естественной

нейронной сети. По сравнению с ЭВМ традиционных типов

нейрокомпьютеры обладают рядом необычных свойств. Программирование

нейрокомпьютеров осуществляется не заданием последовательности команд,

а предъявлением образцов, примеров решения задач из нужной области.

Нейрокомпьютеры хорошо распознают образы различных классов,

причем время распознавания не зависит от количества распознаваемых

объектов. В ряде случаев производительность нейрокомпьютеров во много

раз превышает производительность обычных ЭВМ. Эти и ряд других свойств

нейрокомпьютеров делает весьма перспективным их применение для

решения наиболее сложных задач искусственного интеллекта.

Нейронные сети превосходят последовательные машины в решении тех

же задач, в которых машину превосходит человек. Задачи, требующие

большого объема вычислений или высокой точности, лучше выполняются

обычной ЭВМ.

К задачам, успешно решаемым нейронными сетями на данном этапе их

развития, относятся:

 распознавание зрительных, слуховых образов; огромная область

применения: от распознавания текста и целей на экране радара до

систем голосового управления;

 ассоциативный поиск информации и создание ассоциативных

моделей; синтез речи; формирование естественного языка;

 формирование моделей и различных нелинейных и трудно

описываемых математически систем, прогнозирование развития

этих систем во времени:

 применение на производстве; прогнозирование развития

циклонов и других природных процессов, прогнозирование

изменений курсов валют и других финансовых процессов;

 системы управления и регулирования с предсказанием;

управление роботами, другими сложными устройствами

 разнообразные конечные автоматы: системы массового

обслуживания и коммутации, телекоммуникационные системы;

 принятие решений и диагностика, исключающие логический

вывод; особенно в областях, где отсутствуют четкие

математические модели: в медицине, криминалистике,

финансовой сфере.

Уникальное свойство нейросетей — универсальность. Хотя почти для

всех перечисленных задач существуют эффективные математические методы

- 66 -

решения и, несмотря на то, что нейронные сети проигрывают

специализированным методам для конкретных задач, они являются важным

направлением исследования, требующим тщательного изучения.

История нейрокомпьютера

Ученых всегда интересовало устройство человеческого мозга и

принципы его функционирования. Попытка создать искусственный разум

«снизу-вверх» предпринималась начиная еще с 40-х годов специалистами по

«нейронной кибернетике». Они стремились разработать

самоорганизующиеся системы, способные обучаться интеллектуальному

поведению в процессе взаимодействия с окружающим миром, причем

компонентами их систем обычно являлись модели нервных клеток.

В конце 40 годов канадским психологом Хеббом была выдвинута

концепция клеточных ансамблей. Хебб считал кору головного мозга

структурой активной распределенной памяти, функционирование которой

можно охарактеризовать как самоорганизующееся и ассоциативное, а не

логико-цифровое. В конце 50-х годов усилиями Розенблата и Уиндроу было

создано устройство для распознавания образов - персептрон, положившее

начало другому интересному направлению в моделировании нейронных

сетей (рис. 33).

Период 50-70 годов характеризуется спадом интереса к

нейроподобным структурам, связанным с техническими сложностями их

реализации и активизацией работ по представлению знаний и символьному

программированию.

К концу 70-х годов созрели условия для возрождения интереса к

нейросетевым моделям ИИ. Этому способствовал большой объем новых

знаний, полученных за 25 лет при экспериментальных исследованиях мозга,

которые можно было применить при построении моделей.

Развитие микроэлектроники и компьютерной техники, создав

техническую базу для моделирования сложных нейронных структур, привело

к пониманию того, что радикально увеличить скорость информационной

обработки можно лишь за счет параллелизма, который органически присущ

нейронным сетям мозга. Кроме того, сыграли свою роль и несовершенство

существующих систем ИИ, более глубокое осознание специалистами

сложности интеллектуальных функций, а также понимание того, что

аналогия «человеческий мозг = логическая ВМ» - слишком упрощенная.

Начало 80-х годов было отмечено ростом интереса к моделям

нейронных сетей. Поводом послужила публикация американского биофизика

Хопфилда, в которой была установлена аналогия между моделью нейронной

сети Хебба и определенным классом физических систем. Считают, что

косвенно работы Хопфилда способствовали вовлечению в область

нейронных сетей до 80% работающих в ней специалистов, число которых к

концу 80-х составило около 5000 чел.

- 67 -

Рис. 33. История нейрокомпьютеров

С 1996 года под флагом нового термина «нейрокомпьютер» область

вступила в стадию бурного роста. Ежегодно проводится несколько крупных

международных конференций по нейросетям:

 International (Joint) Conference on Neural Networks,

 Neural Information Processing Systems,

 International Neural Network Society Meeting.

Выпускаются специализированные журналы, число которых

перевалило за дюжину:

 Neural Networks,

 NeuroComputers,

 Neural Network Review,

 Neural Computation Intelligence.

Возникли фирмы, связанные с нейросетевой технологией, которых к

концу 80-х насчитывалось более сотни. Начался серийный выпуск и

эксплуатация основанных на нейросетевой технологии прикладных систем,

которые, как предполагается, окажут глубокое влияние на многие сферы

жизни общества.

Нейроподобный элемент

Нейроподобный элемент (НПЭ), который обычно используется при

моделировани нейронных сетей, приведен на рис.34.

На НПЭ поступает набор входных сигналов x

, ... x

(или входной

вектор X), представляющий собой выходные сигналы других нейроподобных

элементов. Этот входной сигнал соответствует сигналам, поступающим в

синапсы биологических нейронов. Каждый входной сигнал умножается на

- 68 -

соответствующий вес w

, w

, ... w

- аналог эффективности сигнала. Вес

является скалярной величиной, положительной для возбуждающих и

отрицательной для тормозящих связей.

Рис. 34. Нейроподобный элемент

Взвешенные весами связей входные сигналы поступают на блок

суммирования, соответствующий телу клетки, где осуществляется их

алгебраическое суммирование и определяется уровень возбуждения

нейроподобного элемента S:

. (3)

Выходной сигнал нейрона y определяется путем пропускания уровня

возбуждения через нелинейную функцию f (блок F на рис. 34)

Y=F(S,T),

где T - некоторое постоянное смещение - аналог порога нейрона.

В настоящий момент для задания функции y могут использоваться

десятки различных функций, однако обычно используют простейшие

нелинейные функции, изображенные на рис. 35, 36.

Рис. 35. Бинарная функция выходного сигнала нейрона

В такой модели нейрона пренебрегают многими известными

характеристиками биологического прототипа, например такими как:

 нелинейность пространственно-временного суммирования;

 временные задержки;

 эффекты синхронизации и частотной модуляции.

- 69 -

Рис. 36. Сигмоидная функция выходного сигнала нейрона.

Несмотря на это нейроподобные сети (НПС), построенные на основе

таких элементов, демонстрируют ассоциативные свойства, напоминающие

свойства биологических систем.

Ограничения модели нейрона

1. Вычисления выхода нейрона предполагаются мгновенными, не

вносящими задержки. Непосредственно моделировать динамические

системы, имеющие «внутреннее состояние», с помощью таких нейронов

нельзя.

2. В модели отсутствуют нервные импульсы. Нет модуляции уровня

сигнала плотностью импульсов, как в нервной системе. Не появляются

эффекты синхронизации, когда скопления нейронов обрабатывают

информацию синхронно, под управлением периодических волн возбуждения-

торможения.

3. Нет четких алгоритмов для выбора функции активации.

4. Нет механизмов, регулирующих работу сети в целом (пример -

гормональная регуляция активности в биологических нервных сетях).

5. Чрезмерная формализация понятий: «порог», «весовые

коэффициенты». В реальных нейронах нет числового порога, он

динамически меняется в зависимости от активности нейрона и общего

состояния сети. Весовые коэффициенты синапсов тоже не постоянны.

«Живые» синапсы обладают пластичностью и стабильностью: весовые

коэффициенты настраиваются в зависимости от сигналов, проходящих через

синапс.

6. Существует большое разнообразие биологических синапсов. Они

встречаются в различных частях клетки и выполняют различные функции.

Тормозные и возбуждающие синапсы реализуются в данной модели в виде

весовых коэффициентов противоположного знака, но разнообразие синапсов

этим не ограничивается. Дендро-дендритные, аксо-аксональные синапсы не

реализуются в модели ФН.

7. В модели не прослеживается различие между градуальными

потенциалами и нервными импульсами. Любой сигнал представляется в виде

одного числа.

- 70 -

Нейроподобная сеть

Нейроподобная сеть представляет собой совокупность нейроподобных

элементов, определенным образом соединенных друг с другом и с внешней

средой. Входной вектор (кодирующий входное воздействие или образ

внешней среды) подается на сеть путем активации входных нейроподобных

элементов. Множество выходных сигналов нейронной сети y

, y

,..., y

называется вектором выходной активности, или паттерном активности

нейронной сети. Веса связей нейронов удобно представлять в виде матрицы

W, где w

- вес связи между i-м и j-м нейронами.

В процессе функционирования (эволюции состояния) сети

осуществляется преобразование входного вектора в выходной, т.е. некоторая

переработка информации. Конкретный вид выполняемого сетью

преобразования информации обусловливается не только характеристиками

нейроподобных элементов, но и особенностями ее архитектуры, т.е.:

o топологией межнейронных связей;

o выбором определенного подмножества НПЭ для ввода и вывода

информации;

o наличием или отсутствием конкуренции по входам и по выходам;

o направлением и способами управления и синхронизации

информационных потоков между нейронами и т.д.

Важнейшие свойства биологических нейросетей

o Параллельность обработки информации. Каждый нейрон

формирует свой выход только на основе своих входов и собственного

внутреннего состояния под воздействием общих механизмов регуляции

нервной системы.

o Способность к полной обработке информации. Все известные

человеку задачи решаются нейронными сетями. К этой группе свойств

относятся ассоциативность (сеть может восстанавливать полный образ по его

части), способность к классификации, обобщению, абстрагированию и

множество других. Они до конца не систематизированы.

o Самоорганизация. В процессе работы биологические НС

самостоятельно, под воздействием внешней среды, обучаются решению

разнообразных задач. Неизвестно никаких принципиальных ограничений на

сложность задач, решаемых биологическими нейронными сетями. Нервная

система сама формирует алгоритмы своей деятельности, уточняя и усложняя

их в течение жизни. Человек пока не сумел создать систем, обладающих

самоорганизацией и самоусложнением. Это свойство НС рождает множество

вопросов. Ведь каждая замкнутая система в процессе развития упрощается,

деградирует. Следовательно, подвод энергии к нейронной сети имеет

принципиальное значение. Почему же среди всех диссипативных

(рассеивающих энергию) нелинейных динамических систем только у живых

существ, и, в частности, биологических нейросетей проявляется способность

к усложнению? Какое принципиальное условие упущено человеком в

попытках создать самоусложняющиеся системы?