Гибридные сети. нечеткий гибридный классификатор.

Гибридные сети: преимущества и недостатки

Ответ: Существует множество различных вариаций этих типов топологий. Поскольку мы можем комбинировать различные топологии в одной сети, гибридные сети являются комбинацией, по крайней мере, двух типов то­пологий.

Особо следует выделить топологию «дерево» (tree), которую можно рассматривать как объединение нескольких «звезд». Именно эта топология является наиболее популярной при построении локальных сетей.

Следует упомянуть о сетчатой или сеточной (mesh) топологии, в которой все либо многие компьютеры и другие устройства соединены друг с другом напрямую такая топология исключительно надежна – при обрыве любого канала передача данных не прекращается, т.к. возможно несколько маршрутов доставки информации.

Обратите внимание

Сеточные топологии (чаще всего не полные, а частичные) используются там, где требуется обеспечить максимальную отказоустойчивость сети, например, при объединении не­скольких участков сети крупного предприятия или при подключении к Интернету.

Преимущества гибридных сетей

Гибридные сети имеют следующие преимущества:

Достоинства серверной сети

Многие преимущества одноранговых вычислений

Позволяют пользователям и администраторам управлять защитой в зависимости от важности разделяемого ресурса

Недостатки гибридных сетей

те же, что и у серверных сетей

Сервер приложений «Беспроводной сервер»

Ответ: В своей простейшей интерпретации такой компьютер может представлять собой типичный Web-сервер или сервер приложений, который просто знает, как передавать документы, составленные на стандартном для беспроводных устройств языке. Часто в качестве такого языка выступает Wireless Markup Language (WML).

Адаптация Web-сервера для работы в качестве беспроводного сервера, способного обрабатывать документы WML-типа, обычно сводится просто к тому, чтобы обучить сервер распознаванию этих документов.

Web-серверу требуется только сообщить клиенту, что документ составлен в формате для беспроводных устройств, и на этом его работа заканчивается.

Протоколы

Ответ: Протоколы (protocols) – это правила и технические процедуры, позволяющие нескольким компьютерам при объединении в сеть общаться друг с другом.

Три основных момента, касающихся протоколов.

Существует множество протоколов. И хотя все они участвуют в реализации связи, каждый протокол имеет различные цели, выполняет различные задачи, обладает своими преимуществами и ограничениями.

Протоколы работают на разных уровнях модели OSI. Функции протокола определяются уровнем, на котором он работает.

Важно

Если, например, какой-то протокол работает на Физическом уровне, то это означает, что он обеспечивает прохождение пакетов через плату сетевого адаптера и их поступление в сетевой кабель.

Несколько протоколов могут работать совместно. Это так называемый стек, или набор, протоколов.

Как сетевые функции распределены по всем уровням модели OSI, так и протоколы совместно работают на различных уровнях стека протоколов. Уровни в стеке протоколов соответствуют уровням модели OSI. В совокупности протоколы дают полную характеристику функциям и возможностям стека.

Работа протоколов

Передача данных по сети, с технической точки зрения, должна быть разбита на ряд последовательных шагов, каждому из которых соответствуют свои правила и процедуры, или протокол. Таким образом, сохраняется строгая очередность в выполнении определенных действий.

Кроме того, эти действия (шаги) должны быть выполнены в одной и той же последовательности на каждом сетевом компьютере. На компьютере-отправителе эти действия выполняются в направлении сверху вниз, а на компьютере-получателе – снизу вверх.

Билет 22:

Глобальные сети

Ответ: Глобальные сети (Wide Area Networks, WAN), которые также называют территориальными компьютерными сетями, служат для того, чтобы предоставлять свои сервисы большому количеству конечных абонентов, разбросанных по большой территории – в пределах области, региона, страны, континента или всего земного шара.

Ввиду большой протяженности каналов связи построение глобальной сети требует очень больших затрат, в которые входит стоимость кабелей и работ по их прокладке, затраты на коммутационное оборудование и промежуточную усилительную аппаратуру, обеспечивающую необходимую полосу пропускания канала, а также эксплуатационные затраты на постоянное поддержание в работоспособном состоянии разбросанной по большой территории аппаратуры сети.

Типичными абонентами глобальной компьютерной сети являются локальные сети предприятий, расположенные в разных городах и странах, которым нужно обмениваться данными между собой.

Услугами глобальных сетей пользуются также и отдельные компьютеры.

Совет

Крупные компьютеры класса мэйнфреймов обычно обеспечивают доступ к корпоративным данным, в то время как персональные компьютеры используются для доступа к корпоративным данным и публичным данным Internet.

Глобальные сети обычно создаются крупными телекоммуникационными компаниями для оказания платных услуг абонентам. Такие сети называют публичными или общественными. Существуют также такие понятия, как оператор сети и поставщик услуг сети.

Оператор сети (network operator) – это та компания, которая поддерживает нормальную работу сети. Поставщик услуг, часто называемый также провайдером (service provider), – та компания, которая оказывает платные услуги абонентам сети.

Владелец, оператор и поставщик услуг могут объединяться в одну компанию, а могут представлять и разные компании.

Гораздо реже глобальная сеть полностью создается какой-нибудь крупной корпорацией (такой, например, как Dow Jones или «Транснефть») для своих внутренних нужд. В этом случае сеть называется частной.

Очень часто встречается и промежуточный вариант – корпоративная сеть пользуется услугами или оборудованием общественной глобальной сети, но дополняет эти услуги или оборудование своими собственными.

Наиболее типичным примером здесь является аренда каналов связи, на основе которых создаются собственные территориальные сети.

Кроме вычислительных глобальных сетей существуют и другие виды территориальных сетей передачи информации. В первую очередь это телефонные и телеграфные сети, работающие на протяжении многих десятков лет, а также телексная сеть.

Обратите внимание

Ввиду большой стоимости глобальных сетей существует долговременная тенденция создания единой глобальной сети, которая может передавать данные любых типов: компьютерные данные, телефонные разговоры, факсы, телеграммы, телевизионное изображение, телетекс (передача данных между двумя терминалами), видеотекс (получение хранящихся в сети данных на свой терминал) и т. д., и т. п.

На сегодня существенного прогресса в этой области не достигнуто, хотя технологии для создания таких сетей начали разрабатываться достаточно давно – первая технология для интеграции телекоммуникационных услуг ISDN стала развиваться с начала 70-х годов.

Пока каждый тип сети существует отдельно и наиболее тесная их интеграция достигнута в области использования общих первичных сетей – сетей PDH и SDH, с помощью которых сегодня создаются постоянные каналы в сетях с коммутацией абонентов.

Тем не менее каждая из технологий, как компьютерных сетей, так и телефонных, старается сегодня передавать «чужой» для нее трафик с максимальной эффективностью, а попытки создать интегрированные сети на новом витке развития технологий продолжаются под преемственным названием Broadband ISDN (B-ISDN), то есть широкополосной (высокоскоростной) сети с интеграцией услуг.

Сети B-ISDN будут основываться на технологии АТМ, как универсальном транспорте, и поддерживать различные службы верхнего уровня для распространения конечным пользователям сети разнообразной информации – компьютерных данных, аудио- и видеоинформации, а также организации интерактивного взаимодействия пользователей.

Хотя в основе локальных и глобальных вычислительных сетей лежит один и тот же метод – метод коммутации пакетов, глобальные сети имеют достаточно много отличий от локальных сетей.

Читайте также:  Несколько технологий на основе искусственного интеллекта, которые появятся в ближайшем будущем

Эти отличия касаются как принципов работы (например, принципы маршрутизации почти во всех типах глобальных сетей, кроме сетей TCP/IP, основаны на предварительном образовании виртуального канала), так и терминологии.

Поэтому целесообразно изучение глобальных сетей начать с основных понятий и определений.



Источник: https://infopedia.su/9x59f.html

Сеть Такаги-Сугено-Канга

Структура ANFIS

Нечеткие нейронные (гибридные) сети

Сети данного типа получили свое название в силу того, что для аппроксимации зависимости выходного сигнала от входного вектора X=[x1, x2, …, xN, ]T в них используются выражения, заимствованные из нечетких систем (в частности, из систем Мамдани и Такаги-Сугено).

Теоретически доказано, что эти выражения позволяют с произвольной точностью аппроксимировать любую непрерывную нелинœейную функцию многих переменных суммой функций (называемых нечеткими) одной переменной.

Пример 1

Пример 2

Пример 3

Гибридная нейронная сеть, отражающая данный механизм, представлена на рис.

Нечеткий гибридный классификатор

В сети Такаги-Сугено-Канга (сокращенно, TSK) выходной сигнал рассчитывается с помощью выражения

y(X)=sum[i=1:M](wi*yi (X))/sum[i=1:M](wi ),

где yi(X)=pi0+sum[j=1:N](pij*xj) – i-ый полиномиальный компонент аппроксимации.

Важно

Веса wi компонентов рассчитываются по следующей формуле (с использованием рациональной формы функции Гаусса)

wi=prod[j=1:N](wij(xj))=prod[j=1:N](1/(1+((xj-cij)/sij)2*bij)).

Приведенным выражениям соответствует пятислойная нейронная сеть, структурная схема которой представлена ниже.

Первый слой содержит N*M узлов, каждый из которых реализует расчет функции Гаусса с параметрами cij, sij и bij. С точки зрения нечетких систем это слой фуззификации входных переменных. Слой принято называть параметрическим, поскольку в процессе обучения сети подбору подлежат параметры этого слоя.

Второй слой параметров не содержит. С точки зрения нечетких систем это слой агрегирования левых частей продукций.

Третий слой – генератор (полиномиальных) функций TSK yi(X) и их умножитель на весовой коэффициент wi. Это параметрический слой, в котором в процессе обучения сети адаптации подвергаются коэффициенты pij, i=1,2 ,…, M, j=0,1 ,…, N. Общее количество коэффициентов pij в сети равно M*(N+1).

Четвертый слой составляют два нейрона-сумматора. Первый ряссчитывает взвешенную сумму сигналов yi(X), а второй – сумму весов wi, i=1,2 ,…, M. Это непараметрический слой.

Последний, пятый, слой осуществляет нормализацию весов. Это также непараметрический слой.

Из описания сети TSK следует, что она содержит два параметрических слоя (первый и третий), параметры которых подлежат подбору в процессе обучения.

Совет

Параметры первого слоя будем называть нелинœейными, так как они относятся к нелинœейной функции, а параметры третьего слоя – линœейными.

Общее количество параметров (линœейных и нелинœейных) сети TSK равно

M*3*N+M*(N+1)=M*(4*N+1).

Во многих практических приложениях это чрезмерная величина, в связи с этим часто для входных переменных xj используют ограниченный набор функций mu(xj), что уменьшает количество нелинœейных параметров.

Источник: http://referatwork.ru/category/matematika/view/145158_set_takagi_sugeno_kanga

Гибридный алгоритм классификации текстовых документов на основе анализа внутренней связности текста

Введение.В настоящее время во многих прикладных областях, таких как, распознавание речи, распознавание образов, техническая диагностика, биоинформатика, распознавание рукописного ввода, категоризация ввода, хемоинформатика и др., важную роль начинают играть методы машинного обучения и интеллектуального анализа данных.

Основное назначение данных методов – анализ, классификация и выявление скрытых закономерностей в больших объемах разнородных сложно структурированных данных[1].

Для решения этих задач разработано множество подходов, имеющих свои преимущества и недостатки, среди которых: метод опорных векторов, метод k-ближайших соседей, нейронные сети, линейная регрессия.

Согласно большинству исследований [2-4], одни из лучших результатов показывает наивный байесовский классификатор, основная идея которого заключается в предположении независимости, переданных для классификациипризнаков, что делает метод довольно простым и точным.

В тоже время, неспособность учитывать зависимость результата от сочетания признаков, оказывает существенное влияние на качество классификации в большинстве реальных задач. Другим подходом, показывающим не менее высокие результаты, является нечеткая классификация[2,8].

При таком методе классификации элементы данных могут принадлежать нескольким классам, связанным с каждым элементом набором степеней принадлежности. Они указывают силу ассоциации между элементом данных и определенным классом. Нечеткая классификация – процесс определения этих степеней принадлежности и использования их, чтобы присвоить элементы данных двум или более классам. В реальных случаях не может быть никаких резких границ между классами, и тогда нечеткая классификация будет лучшим выбором.

Целью настоящего исследования является разработка метода позволяющего объединить два подхода к классификации данных – наивную байесовской модель и нечеткую логику. Основу для классификации данных, составляет байесовская модель, а нечеткая логика используется для перехода от оперирования с независимыми друг от друга элементами данных, к связным данным.

  1. Математическая модель гибридного способа классификации текстовых документов

Формально задачу классификации можно описать следующим образом. Предполагается, что алгоритм классификации работает на некотором множестве документов D={}. Все множество документов разбивается на непересекающиеся подмножества классов:

Задачей классификации является определение класса, к которому относится данный документ. Каждому элементу d ставится в соответствие набор признаков d={}.Далее применяется алгоритм классификации для выделения документов наиболее соответствующих заданному классу[3].

В основе предложенной системы классификации гипертекстовых документов на естественных языках, лежит наивная байесовская модель, при которой набор переданных для классификации признаков является независимым друг от друга.В общем виде определение наиболее вероятного класса алгоритмом наивной байесовской классификации выглядит следующим образом:
где С – набор классов, а– набор признаков.Классификация сводится к вычислению максимального значения аргумента, при известном наборе независимых признаков. При этом:

Вычисление вероятности класса P(С), при известных признакахсводится к следующему:

где А– набор известных признаков, полученных при обучении классификатора.

Классификация текста, при этом, выглядит следующим образом:
где T – классифицируемый текст, а – набор предложений текста. Таким образом, принадлежность текста к тому или иному классу сводится к вычислению максимального значения суммы коэффициентов принадлежности предложений.
Для повышения точности классификации в системе реализован метод предварительного анализа предложений, использующий нечеткую логику. Задачей метода является переход от независимых предложений классифицируемого текста, к связным. Таким образом, устраняется основной недостаток Байесовской классификации – предположение о независимости признаков используемых при классификации. Нечеткая логика позволяет рассматривать классифицируемый текст в виде связных предложений, т.е. в «контексте».
Пусть имеется множество предложенийи множество степеней принадлежности этих предложений n, соответствующих классам С. Преобразование предложения t в степень принадлежности n классу с происходит по формуле (1). Тогдастепень принадлежности предложения известному классу,предыдущее и следующее предложение соответственно. Логика алгоритма представлена на Рис.1 и сводится к набору правил переопределения степеней принадлежности.

Читайте также:  Intel выпускает интеллектуальный браслет премиум-класса

Рисунок1 – Набор правил переопределения степеней принадлежности

Графики отражают изменения степеней принадлежности, нескольких предложений текста, в зависимости от применения этих правил. Процесс фаззификации предложений при этом выглядит следующим образом:

(1)

где    n – элемент нечеткого множества N().

  • 2.Алгоритм работы гибридного способа классификации

Логически предложенную гибридную систему классификации документов можно разбить на 3 модуля, это модули обучения системы, модуль байесовской классификации и модуль нечеткого анализа. Алгоритм 1 представляет псевдокод общего алгоритма системы.

Алгоритм 1 Псевдокод общего алгоритма системы

1:  if (есть (ссылка на страницу)){передать ссылку системе обработки html страниц 2:                                 // Система обработки html страниц

3:            functionparser($ссылка на страницу) { $html = file_get_html($ссылка на страницу);

4:                            Найти в результирующем массиве $html целевой текст;
5:                            разбить целевой текст  на предложения;
6:                            return$result; }
7:            Передать обучающие выборки функции AddToIndex;Обучить классификатор; 8:                                // Обучение классификатора

9:            functionaddToIndex($файл с обучающей выборкой, $класс которому

10:                      принадлежит выборка) { создать массив признаков;
11:                      загрузить данные из файла в массив признаков;}
12:          foreach($result as $key => $line) {
13:          $результат->classify($line); 14:                              // Классификатор

15:                              function classify($line){

16:                                          $tokens = $this->tokenise($line);
17:                                                         functiontokenise($line) {разбитьпредложениянаслова;
18:                                                                        return массив слов;}
19:                         классифицировать  слова $tokens из предложения $line;  
20:                          преобразовать $line в степень принадлежности $fuzzy;return $result;
21:          $ns->fuzzy($result); 22:                         //Нечеткийанализ

23:                         functionfuzzy($result){

24:                                         собрать массив степеней принадлежности $fuzzy;
25:                                         произвести корректировку;returnоткорректированный массив;} 26:          рассчитать результат;

27:          print “Результат классификации”;}

28: else{ print “Ошибка: передана пустая ссылка”;}

Обратите внимание

    Модуль обучения классификатора представлен в алгоритме 2. Задача модуля сводится к созданию базы признаков для последующей классификации.

Алгоритм 2Псевдокод обучения классификатора

1: functionaddToIndex($file, $class)
2:            $text = fopen($file, 'r');
3:            while ($line = fgets($text)) {
4:                            $tokens=tokenise($line);  // разбитьнаслова $line, создатьмассивслов.

5:                            foreach($tokensas $token) {
6:                                           if(вмассивеиндексов!isset(слова $tokenпринадлежащегоклассу
7:                                           $class)){добавить запись в массив индексов}}
8:            fclose($text);

         Алгоритм 3 описывает модуль непосредственной классификации документов. Задачей модуля является классификация переданного текста и создание массива нечетких признаков предложений, для последующего их анализа.

Алгоритм 3 Псевдокод модуля байесовской классификации

1: functionclassify($line)
2:            $tokens = разбить $line на слова, собрать массив слов;
3:            $classScores = array(); // создать массив значений классов.

4:foreach (classesas $class){
5:                            $classScores =добавить все классы из массива классов;
6:                            foreach($tokensas $token) {
7:                                           if(вмассивеиндексов!isset(слова $tokenпринадлежащегоклассу
8:                                           $class)){счетчик класса $class ++;рассчитать значение $classScores;}}
9:                            массивclassScores=значение $classScores;}
10:          преобразовать значения счетчика классов в нечеткий вид и записать в массив ns[];
11:          arsort($classScores);returnkey($classScores) ;

   В задачи модуля нечеткого анализа входит корректировка предложений в соответствии с логикой, описанной в разделе 1. Схема модуля представлена в алгоритме 4.

Алгоритм 4 Схема Нечеткого анализа

1: functionfuzzy()
2:            switch($ns[$i])
3:            case 0.6-0.

9:
4:                            if(предыдущее и следующие значения=0.5 )
8:                            $ns[$i] = 0.

6;
9:                                       
10:                         записать в массив;break;}
9: return($ns[]) ;

         Графически предложенный способ классификации представлен на рисунке 2.

Рис.2.– Графическое представление гибридного способа классификации

3.Теоретическая оценка вычислительной сложности способа

Для теоретической оценки, использовалась модель вычислений RAM, которая позволяет анализировать алгоритмы машинно-независимым способом [7-9]. Время исполнения алгоритма в RAM-модели вычисляется по общему количеству шагов, требуемых алгоритму для решения некоторого экземпляра задачи.

Постоянные множители, при оценке, были опущены, так как, при возрастании функции они не оказывают существенного влияния.
Вычислительная сложность просмотра каждого элемента в массиве, при обучении классификатора и непосредственной классификации – линейна и равна n.

Сложность функций двоичного поиска применяемыхдля просмотра и сравнения элементов в модулях байесовской классификации и нечеткой логики алгоритма, равны logn. Вычислительная сложность квадратичной функции сортировки массива используемая при обработке результатов классификации равна n².

Важно

Остальные функции, примененные в алгоритме, в среднем имеют сложность равную константе. Таким образом, функция вычислительной сложности,предложенного способа гибридной классификации текстовых документов, имеет следующий вид:

Сложность алгоритма квадратична, что является приемлемым, при достаточно больших значениях n.

  • 4.Экспериментальное исследование работы гибридного способа классификации

Для проведения эксперимента использовалась коллекция аналитических статей по экономике опубликованных российскими информационными агентствами в период с 05.2012 по 05.2013 гг. В качестве обучающих выборок, использовались коллекции по экономике и политике, общим объемом 10 тыс. слов.

Для сравнительного исследования эффективности предлагаемого способа были проведены эксперименты по классификации разработанным гибридным способом и классическим Байесовским методом. Точность определялась как отношение числа верных определений целевого класса, к общему числу определений [10].

Результаты сравнения способов классификации приведены в таблице №1.

Таблица № 1
Результаты экспериментов

Наивный байесовский классификатор Гибридный способ классификации
5 000 слов 87,5% 88,3%
10 000 слов 89% 90,8%
15 000 слов 90,1% 93,7%
20 000 слов 90,7% 94,2%
Общая оценка 89% 92%

Разработанный метод классификации показывает лучшие результаты в сравнении с классическим Байесовским методом на больших (св. 15 тыс. слов) документах, что подтверждают результаты эксперимента.

Заключение. Разработанный гибридный метод классификации текстовых документов позволяет эффективно организовать классификацию коллекций, плохо структурированных данных, больших объемов. Сложность алгоритма является квадратичной, что позволяет показывать  высокую производительность при объемах n,близких к 1 000 000.

Также предложен подход к устранению основной проблемы Байесовского классификатора – предположению о независимости классифицируемых данных. Использование нечеткой логики позволило выделять «контекст» из классифицируемых данных, и рассматривать текст – связно. Эффективность способа подтверждена результатами экспериментальных исследований.

Предметом исследований автора, проводимых в настоящие время, является разработка метода выявления семантических структур из классифицируемого текста.

Работа выполнена при поддержке РФФИ (проект № 13-07-00951).

Литература:

  1. Петровский М.И., Глазкова В.В. Алгоритмы машинного обучения для задачи анализа и рубрикации электронных документов.Вычислительные методы и программирование. 2007. Т. 8.№ 2. С. 57-69.
  2. Yang Y., Liu X. A re-examination of text categorization methods. // Proc. of Int. ACM Conference on Research and Development in Information Retrieval (SIGIR-99), 1999 — pp. 42-49.
  3. Joachims T. Text Categorization with Support Vector Machines: Learning with Many Relevant Features. // Proceedings of ECML-98, 10th European Conference on Machine Learning — 1998— pp. 137-142.
  4.  Dumais S., Platt J., Heckerman D., Sahami M. Inductive learning algorithms and representations for text categorization. // In Proc. Int. Conf. on Inform. and Knowledge Manage., 1998— pp. 64-71.
  5. M. Seetha, G. Malini Devi, K.V.N.Sunitha An efficient hybrid article swarm optimization for data clustering. [Электронный ресурс]  //  International Journal of Data Mining & Knowledge Management Process (IJDKP), 2012, Vol.2, No.6, Режим доступа:   http://airccse.org/journal/ijdkp/papers/2612ijdkp02.pdf (доступ свободный) – Загл. с экрана. – Яз. англ.
  6. Максаков А. В. Исследование способов уменьшения набора характеристик в алгоритмах классификации текстов. Четвертый российский семинар РОМИП. С. 92-100
  7. Скиена С. Алгоритмы.Руководство по разработке. – 2 изд. Спб.: БХВ-Петербург, 2011- 720 с.
  8. А..П.Рыжов. О качестве классификации объектов на основе нечетких правил. Интеллектуальные системы – 2005. Т.9.В.1-4. С. 253-264.
  9. С.П. Алёшин, Е.А. БородинаНейросетевое распознавание классов в режиме реального времени [Электронный ресурс]  // «Инженерный вестник Дона», 2013, №1. – Режим доступа:http://www.ivdon.ru/magazine/archive/n1y2013/1494 (доступ свободный) – Загл. с экрана. – Яз.рус.
  10. В.В. Галушка, В.А. Фатхи Формирование обучающей выборки при использовании искусственных нейронных сетей в задачах поиска ошибок баз данных [Электронный ресурс]  // «Инженерный вестник Дона», 2013, №2. – Режим доступа:http://www.ivdon.ru/magazine/archive/n2y2013/1597 (доступ свободный) – Загл. с экрана. – Яз.рус.
  11. Гладков Л.А., Гладкова Н.В. Особенности использования нечетких генетических алгоритмов для решения задач оптимизации и управления. //Известия ЮФУ. Технические науки. 2009.№4(93). С.130-136.
  12. Курейчик В.В., Сороколетов П.В., Щеглов С.Н. Анализ современного состояния автоматизированных систем приобретения и представления знаний//Известия ЮФУ. Технические науки. 2008. № 9 (86). С. 120-125
Читайте также:  Алан мэтисон тьюринг (alan mathison turing)

Источник: http://www.ivdon.ru/magazine/archive/n3y2013/1773

Гибридные экспертные системы – Ида Тен

История создания и развития интеллектуальных информационных систем неразрывно и тесно связана с историей развития вычислительной техники.

С появлением быстродействующих компьютеров появилась возможность моделировать и имитировать процессы деятельности человеческого мозга, например, процесс нахождения человеком оптимального пути до дома или побор необходимой книги.

Историю создания и развития интеллектуальных информационных систем можно отсчитывать с конца шестидесятых годов двадцатого столетия, когда Л. Заде ввел понятие нечетких множеств и разработал теорию нечетких множеств.

За прошедшее время были созданы разнообразные виды интеллектуальных информационных систем, такие как искусственные нейронные сети, генетические алгоритмы, экспертные системы, когнитивные системы, системы распознавания, интеллектуальные базы данных, системы, основанные на прецедентах.

Интеллектуальные информационные системы, созданные за последние годы, в зависимости от архитектуры можно классифицировать на две группы: однокомпонентные интеллектуальные информационные системы и многокомпонентные интеллектуальные информационные системы.

Кроме того, можно рассматривать и еще один тип интеллектуальных информационных систем, появление которого обусловлено стремительным ростом объемов знаний, информации и данных, которые могут храниться в распределенных базах данных и базах знаний, доступных через глобальную сеть Internet. Архитектуру интеллектуальной информационной системы такого типа можно назвать распределенной. При этом подходе каждый функциональный интеллектуальный модуль (агент) может работать автономно и во взаимодействии с другими модулями путем передачи данных и сообщений через глобальную сеть Internet. Существующие в настоящее время интеллектуальные информационные системы, такие как когнитивные системы, экспертные системы, системы на прецедентах, нейронные сети и тому подобные могут быть преобразованы в агенты.

Однокомпонентные интеллектуальные информационные системы основаны на использовании единственного средства искусственного интеллекта, такого, например, как нечеткая логика, вероятностный байесовский подход, генетический алгоритм или искусственная нейронная сеть. Многокомпонентные интеллектуальные информационные системы объединяют в себе различные методы, модели и средства искусственного интеллекта в единую сложную вычислительную модель.

Такое разнообразие интеллектуальных систем определяется необходимостью формализации разнообразных данных, информации и знаний, причем не всегда процесс формализации можно успешно выполнить для данных, информации и знаний любого вида и типа. Одним из видов многокомпонентных интеллектуальных информационных систем являются гибридные интеллектуальные системы.

Гибридные интеллектуальные системы позволяют использовать достижения и преимущества традиционных средств и методов искусственного интеллекта, и в то же время способны решать задачи, нерешаемые отдельными методами и средствами искусственного интеллекта. Гибридные интеллектуальные системы позволяют более эффективно и адекватно соединять формализуемые и не формализуемые знания, информацию и данные за счет интеграции традиционных средств, методов и моделей искусственного интеллекта в единую сложную систему.

Гибридная информационная система, как правило, состоит из четырех основных модулей: управляющего центра, нескольких помощников, нескольких исполнителей движений и планировщика.

В системе реализуют архитектуру с использованием управляющего центра, который связан с перечисленными основными модулями и координирует, направляет их функционирование.

Совет

В процессе разработки основные интеллектуальные модули могут быть дополнены управляющими и коммуникативными знаниями и моделями, интеллектуальным интерфейсом, необходимыми для их объединения в многоагентную интеллектуальную информационную распределенную систему.

Многоагентные системы могут осуществлять альтернативные рассуждения на основе применения знаний, информации и данных из разнообразных непересекающихся источников с использованием механизма устранения возникающих противоречий .

Под гибридной интеллектуальной системой принято понимать систему, в которой для решения задачи используется более одного метода имитации и моделирования интеллектуальной деятельности человека и более одного метода формализации представления знаний, например, экспертных систем, искусственных нейронных сетей, нечетких систем, генетических алгоритмов и имитационных статистических моделей . Экспертная система в таких системах является интегрирующим модулем и связана с другими компонентами гибридной системы. Вспомогательные подсистемы, такие как база данных и гео-информационная система, служат связующими звеньями экспертной системы с полнофункциональными внешними базами данных и гео-информационными системами.

Можно выделить две интерпретации понятия гибридной интеллектуальной системы – узкая, когда в ней объединяются разные парадигмы представления знаний и обработки данных, но она остается в рамках инженерии знаний, и широкая – когда в гибридной интеллектуальной информационной системе объединяются модели инженерии знаний и нейро-информатики.

В рамках исследования методологий создания гибридных интеллектуальных информационных систем в 2001 году были предложены проблемно-структурная методология и технология разработки гибридных интеллектуальных систем, которые позволили синтезировать гибридные интеллектуальные системы для решения задач, состоящих из множества подзадач, требующих применения различных методов имитации и моделирования интеллектуальной деятельности человека. Позднее в 2007 году была предложена проблемно-инструментальная методология разработки гибридных интеллектуальных систем как обобщение проблемно-структурной методологии на случай отсутствия соответствующих методов формализации знаний и методов решения подзадач сложной задачи.

На основе предложенных методологий и технологий разработаны гибридные интеллектуальные системы для практического применения в различных предметных областях: решения сложных транспортно-логистических задач, сменно-суточное планирование в морском порту, среднесрочного планирования на производственном предприятии с мелкосерийным характером производства, гибридная экспертная система для инвестиционных рекомендаций.

Статья на тему гибридные экспертные системы

Источник: https://idatenru.ru/technology/gibridnie-ekspertnie-sistemi

Ссылка на основную публикацию
Adblock
detector