Використання нейромережевих технологій при створенні СППР

Використання нейромережевих технологій при створенні систем підтримки прийняття рішень (СППР).

При сучасному рівні розвитки техніки, коли навіть побутова техніка обладнується мікропроцесорними пристроями, виникнула потреба в інтелектуальних адаптивних системах керування, спроможних пристосовуватися до дуже широкого діапазону зовнішніх умів. Більш того, виникнула потреба в універсальній технології створення таких систем. Науковий досвід людства свідчить про ті, у природі можна знайти безліч цінних ідей науці й техніки. Людський мозок є самим надзвичайним й загадковим створенням природи. Спроможність живих організмів, наділених вищою нервовою системою, пристосовуватися до навколишнього середовища може служити призовому до імітації природі чи імітації при створенні технічних систем.

Серед імітаційних підходів виділяється клас нейромережевих методів. Нейронні мережі (ПМ) [4] знайшли широке застосування в галузях штучного інтелекту, в основному заговорили українською у «язаних з розпізнаванням образів й із теорією керування. Одним із основних принципів нейромережевого підходу є принцип конективизма. Суть його виражається до того, що розглядаються дуже прості однотипні про «єкти, сполучені у велику й складну мережу. Таким чином, ПМ є в першу чергу графом, з яких, можна зв «язати сукупність образів, поданих як численні значення, асоційовані із вершинами графа, алгоритм для перетворення цих чисельних значень за допомогою передачі даних між сусідніми вершинами й простими операціями з них. сучасний рівень розвитку мікроелектроніки дозволяє створювати нейрочіпи, що складаються із дуже великого числа простих елементів, спроможних виконувати лише арифметичні операції. Таким чином, нейромережеві методи підтримується апаратно.

Математично ПМ можна розглядати як клас методів статистичного моделювання, що у свою чергу можна розділити втричі класи: оцінка щільності ймовірності, класифікація й регресія [2].

Передбачається, що система підтримки та прийняття рішень (СППР) може бути цілком реалізована на нейронній мережі. У відмінності від традиційного використання ПМ для рішення лише завдань розпізнавання й формування образів, у СППР узгоджено вирішуються задачі - розпізнавання й формування образів — одержання й збереження знань (емпірично знайдених закономірних зв «язків образів й впливів на про «єкт керування) — оцінки якісних характеристик образів — прийняття рішень (вибору впливів).

Особливостями СППР на базі ПМ є: — Надмірність нейронів у мережі, необхідна для адаптації системи керування.

(СК) до умів існування, що змінюються, про «єкта керування (ОК).

Внаслідок цого для практичної реалізації СК необхідно створення великих.

ПМ (для порівняння людський мозок містить ~1011 нейронів). — ПМ складається зі специфічних нейронів, що є более близькими аналогами біологічного нейрона й пристосованими для рішення завдань ППР. — Нейрони в мережі із «єднуються спеціальною чином, також для рішення задач.

ППР.

Особливості сучасних СППР роблять непридатними чи малопридатними існуючі системи САПР й системи моделювання традиційних ПМ (наприклад, BrainMaker) для створення прототипів СК ППР. Через цю обставину основні запитання, що розглядаються в з статтею це:

1. Розробка інструмента системи побудови та дослідження нейронних мереж (СПДНМ) для моделювання й дослідження нейромережевих реалізацій прототипів СК ППР.

2. Розробка загальної схеми нейромережевої реалізації прототипів СК.

ППР.

Розглянемо основні сторони створення СППР на базі нейронних мереж. Будемо називати керуючою системою (КС) систему керування, що імітує нервову систему відповідно до методології ППР. Під про «єктом керування (ОК) будемо розуміти організм, що несе в собі нервову систему, іншими словами, ОК — це про «єкт, що повинний управлятися за допомогою КС, розташованої усередині ОК й взаємодіючої зі своїм оточенням за допомогою блоку датчиків (БД) й виконавчих органів (ВО).

[pic].

Малий. 1.3.1.

На малий. 1.3.1 [1] подано система, под якою будемо розуміти середовище, у яку вкладений ОК, що містить КС. як бачимо із малюнку, можна стверджувати, що КС управляє не лише ОК, але й і всією системою. Під середовищем у системі можна розуміти різні про «єднання про «єктів. Будемо називати середовищем W сукупність про «єктів, що лежати поза КС; середовищем P. S — сукупність про «єктів, що лежати поза ОК; середовищем U — всю систему.

Блок датчиків поставляє КС вхідну інформацію у вигляді двійкового вектора. Цей блок необхідний у реальних системах для сполучення середовища й КС, тому при моделюванні КС на ЕОМ не використовувався й ми не акцентуємо увагу.

Роботу блоку формування й розпізнавання образів (ФРО) можна уявити таким чином. У блоці ФРО на підставі апріорної інформації про можливі функціональні властивості середовища задані деякі про «єкти, назвемо їхніми нейронами, на котрі відображаються деякі класи просторово-тимчасових явищ, що потенційно можуть існувати в системі. Відображення задається топологією мережі. У класі, відображуваному на нейрон, виділяється підклас, що може сприйматися даним нейроном. Кожний нейрон може статистично аналізувати сприйманий їм підклас. Накопичуючи статистичну інформацію про сприйманий підклас, нейрон може прийняти рішення, чи є цей підклас випадковим чи невипадковим явищем у системі Якщо якийсь нейрон приймає рішення, що відображуваний на нього підклас є невипадковою подією, то він переходити у деякий відмінний від вихідного (навчений (стан. Якщо нейрон навчений, то будемо говорити також, що сформований образ, цей образ ідентифікується номером даного нейрона. Підклас явищ, що сприйнятий нейроном, й який викликав його навчання, тобто просторово-тимчасові явища, статистично вірогідно існуючі в системі, називається прообразом даного образу. Сформований образ може бути розпізнаний блоком ФРО, коли прообраз даного образу спостерігається БД. Блок ФРО вказує, котрі із сформованих образів розпізнані в сучасний момент. Одночасно із цим розпізнані образи беруть доля в формуванні образів более високих порядків, тобто має місце агрегування та абстрагування образів.

Блок формування бази знань (БЗ) призначений для автоматичного уяввлення емпірично знайдених КС знань про функціональні властивості системи.

Блок оцінки стану (БОС) виробляє інтегральну оцінку якості стану ОК St.

Блок вибору дії чи, надалі, блок прийняття рішень (БПР) реалізує процедуру ухвалення рішення, засновану на аналізі поточної ситуації, цільових функцій, змісту БЗ, а також оцінки поточного значення оцінки St.

Блок визначення години ухвалення рішення визначає глибину перегляду БЗ у залежності від поточної оцінки St. Чим вище значення St, тім понад образів (у порядку спадання модулю їхньої ваги) може врахувати КС при ухваленні рішення, тім менше темп прийняття рішень.

У КС можуть бути засоби для апріорного аналізу наслідків альтернативних дій, що вибираються на декілька кроків вперед.

Такий самих загальних рисах алгоритм керування, реалізований КС у СППР. Основні властивості процесу керування складаються до того, що КС автоматично накопичує емпіричні знання про властивості перед «явленого їй про «єкта керування й приймає рішення, спираючись на накопичені знання. Якість керування зростанні ВДВ у міру збільшення обсягу накопичених знань. Зауважимо також, що керування складається над бо КС реагує на вхідну інформацію, а бо КС постійно активно шукає можливий у поточних умовах засіб поліпшити стан ОК. Тім самим КС СППР має внутрішню активність.

При створенні додатків може бути доцільним використання КС СППР для керування лише в західних областях простору ознак, у яких раніше використовувані методи були неефективними. Іншими словами, корисно розділити ознаковий простір на дві області: галузь, для якої є апріорна інформація про властивості ОК, й в який можна застосувати систему керування, й галузь, у котрої немає інформації про властивості ОК, де потрібно адаптація в реальному часі керування.

Біологічний нейрон.

На малий. 3.1.1 [4], поданий у спрощеному виді біологічний нейрон. Схематично його можна розділити на трьох частини: тіло клітини, що містить ядро й клітинну протоплазму; дендрити — деревоподібні відростки, котрі служать входами нейрона; аксон, чи нервове волокно, — Єдиний вихід нейрона, що являє собою довгий циліндричний відросток. Для опису формальної моделі нейрона виділимо такі факти:

Малий. 3.1.1.

1. У будь-який момент можливі лише два стани волокна: наявність імпульсу й його відсутність, так називаний закон «усе чи нічого». 2. Передача вихідного сигналу із аксона попереднього нейрона на дендрити чи безпосередньо в тіло такого нейрона здійснюється в спеціальних утвореннях — синапсах. Вхідні сигнали підсумовуються з синаптичними затримками і у залежності від сумарного потенціалу генерується чи ані вихідний імпульс — спайк.

Формальна модель нейрона.

Вперше формальна логічна модель нейрона був введена Маккалоком й Питтсом [3] у 1948 році та тихий пір було б запропоновано величезна кількість моделей. Алі усі смердоті призначені для рішення в основному завдань розпізнавання й класифікації образів. Можна зазначити цілий ряд основних відмінностей запропонованої в даній роботі моделі й уже існуючих. По-перше, у класичних моделях завжди є присутнім «вчитель» чи «супервізор», що підбудовує параметри мережі по визначеному алгоритму, запропонований ж нейрон повинний підбудовуватися «сам» у залежності від «побаченої» їм послідовності вхідних векторів. Формально говорячи, при роботі нейрона винна використовуватися лише інформація із його входів. По-друге, у запропонованій моделі немає речовинних важелів й зваженої сумації по цих вагах, що є великим плюсом при створенні нейрочипу й модельних обчислень, оскільки цілочисленна арифметика виконується завжди швидше, ніж раціональна й простіше в реалізації. Головна ж відмінність запропонованої моделі складається в цілі застосування. З її допомогою вирішуються усі задачі керуючої системи: формування й розпізнавання образів (ФРО), розпізнавання й запам «ятовування закономірностей (БЗ), аналіз інформації БЗ й вибір дій (БПР), у відмінності від класичних моделей, де вирішується лише перша задача.

Система побудови й дослідження нейронних мереж (СПДНМ).

Для моделювання на ЕОМ компонентів КС, сконструйованих з нейронів усвідомлена необхідність у спеціальному інструменті, що дозволяє за допомогою зручного графічного інтерфейсу створювати бібліотеки шаблонів блоків, будувати мережі із блоків, побудованих по шаблонах, й прораховувати мережу із можливістю перегляду проміжних станів мережі, збору і аналізу статистики про роботу мережі із метою налагодження.

При створенні (чи виборі) інструмента використовувалися такі критерії: відкритість, чи специфікація й реалізація інтерфейсу й (процедур обробки) форматів даних, що дозволяють проводити модифікацію й нарощування функціональності системи не торкаючись ядра системи й із мінімальними витратами на модифікацію зв «язаних компонентів, іншими словами, мінімізація зв «язків між компонентами; гнучкість, можливості по конструюванню як можна більшої кількості класів формальних моделей нейронів й мереж под сам різноманітні додатки від моделей КС супутників й космічних апаратів до систем підтримки прийняття рішень й систем прогнозування курсу цінних паперів; багатоплатформеність, максимальна незалежність від операційної системи; зручність й пристосованість до моделювання саме систем підтримки прийняття рішень, простота у використанні й спроможність ефективно працювати на слабких ресурсах ЕОМ (класу персональних комп «ютерів).

Аналіз існуючих у наявності чи доступних СППР й інших систем (наприклад, LabView чи систем з класичними ПМ), тім чи іншою чином задовольняючих першим трьом критеріям, показавши, що усі смердоті є чи великоваговими, чи занадто дорогими, чи дуже зле пристосовані до моделювання систем керування із формальною моделлю нейрона. Таким чином, виникнула необхідність в інструменті для науково-дослідних цілей, який бі дозволяв перевіряти ідеї створення СППР й створювати прототипи КС на НМ.

Малий. 5.1. Загальна схема ядра СПДНМ.

На приведеній схемі (рис 5.1) [1] зазначені основні класи про «єктів ядра системи й їхня взаємодія. Стрілками показані потоки даних при роботі системи. Кожному із основних блоків КС відповідає свій блок у системі. Чотири блоки: ФРО, БЗ, БОС й БПР складають КС. З формальної моделі ПМ випливає, що блок — це ієрархічна структура, у якій елементи одного рівня сполучені в мережу й кожний із елементів рівня може бути мережею, що складається із елементів более низького рівня. Розглядаючи обраний елемент будь-якого рівня, можна вважати його «чорною скринєю», тобто абстрагуватися від його змісту й внутрішньої будови. Наприклад, можна на деякому проміжному етапі конструювання КС абстрагуватися від нейро-мережевої реалізації блоку верхнього рівня й спробувати різноманітні реалізації, причому необов’язково нейромережеві. Система не накладає обмежень на внутрішню будову шкірного блоку, тому воно та може не матір внутрішньої ієрархії, а й просто рекомендуватися деякою функцією виходу. Далі, у процесі розвитку КС, зміст окремих блоків може змінитись, можливо статі более складним й ієрархічним, при цьому поведінка системи не зміниться, якщо новий зміст забезпечує функціональність старого в еквівалентності вихідних функцій. Таким чином, полегшується розробка системи, бо із «являється можливість конструювання «зверху донизу», немає необхідності реалізовувати блок відразу через ПМ, можна поставити тимчасову «заглушку», а процесі розвитку системи ускладнювати, доповнювати чи заміняти на цілком іншу внутрішню конструкцію блоків.

Крім зазначених блоків, у систему входять ще два важливих класи про «єктів: конструктори мережі і аналізатори роботи мережі. Перші, як очевидно із назви, призначені для створення робочих копій ПМ у пам «яті комп «ютера по різноманітних джерелах, наприклад по специфікації мережі із файла. Власне, для шкірного джерела й створюється свій про «єкт. Специфікація мережі може посилатися на шаблони блоків із бібліотеки, котрі, таким чином, також можуть бути джерелом для конструкції. Аналізатори потрібні при налагодженні мереж. Праворуч до того, що мережі можуть містити тисячу й десятки тисяч елементів (принципових обмежень немає, мають місце обмеження лише по пам «яті й продуктивності комп «ютера), роботу які одночасно простежити просто неможливо, особливо якщо тимчасовий інтервал роботи складає сотні й более тактів. Тому необхідно якось узагальнювати інформацію про стан мережі (який є сукупність станів шкірного елемента) у кожний момент години й видавати користувачу сумарну інформацію, можливо, із деякою деталізацією на бажаняя користувача. Для такої задачі й потрібні спеціальні про «єкти — аналізатори. Ці про «єкти можуть зберігати історію станів обраних елементів в обрані інтервали години й згодом її аналізувати, тобто визначати статистичного роду інформацію. Кожний про «єкт вирішує цю завдання по-своєму й може бути обраний у залежності від роду необхідної інформації про роботу мережі.

Висновки.

Підсумовуючи інформацію, щодо побудови системи на базі нейронних мереж ми бачимо, що використання нейромережевих технологій є перспективним напрямком розвитку систем підтримки та прийняття рішень. Необмежені можливості використання подібних систем в економіці. Вже тепер створені системи підтримки прийняття рішень на базі нейронних мереж, котрі застосовуються фінансовими менеджерами компаній для зменшення ризику при плануванні фінансовой діяльності компаній. На шкода на вітчізняному ринку ці системи поки що не знайшли широкого застосування. Насамперед це пов’язано із недосконалістю фінансового ринку. Алі це не означає, що подібні системи не здайдуть місця в Україні. По мірі розвитку фінансового ринку постає запитання про створення СППР на базі нейронних мереж на Україні. Побудові системи для фінансового аналізу на базі нейронних мереж будуть присвячені наступні роботи автора.

СПИСОК ЛІТЕРАТУРИ.

1. [Диссер] Жданов А. А. Принципи автономного адаптивного керування.

Дисертація до конкурсу вченого ступеня доктора фізико-математичних наук. ОЦ РАН. Москва, 1993. 318 с.

2. В.Брауэр. Введення в теорію кінцевих автоматів. М, «Радіо й зв «язок » :1987. 392 с.

3. McCulloch W.W., Pitts W. 1943. A logical calculus of the ideas imminent in nervous activiti. Bulletinn of Mathematical biophysics.

5: 115−33. (Російський переклад: Маккалок У. С., Питтс У. Логічне числення ідей, що відносяться до нервової діяльності. Автомати. — М:

ІЛ. — 1956.).

4. Уоссермен Ф. Нейрокомпьютерна техніка. — М.: світ, 1992.

5. Герман О. В. Введення в теорію експертних систем й опрацювання знань.

— Мінськ, ДизайнПРО. 1995. ———————————- Визнач. години прийняття рішення.

[pic].

Бібліотека шаблонів Конструктор мереж Конструктор мереж Аналізатори мереж ФРО Блок оцінки стану База знань Блок прийняття рішень Модель середови-ща.