|
Для
облегчения разработки ИС, наряду с
традиционными инструментальными
средствами (ART, KEE, G2 и др. [2]) находят
применение программные системы,
использующие различные элементы
мягких вычислений (нечеткую логику,
ИНС или ГА). Наличие таких систем
освобождает конструктора ИС от
многих деталей и рутинных приемов и
позволяет сосредоточить внимание
на основных проблемах и особенно на
идее разработки. Ниже дается
характеристика систем,
обеспечивающих реализацию
алгоритмов мягких вычислений.
кн.1.п.1.4.
Инструментальный комплекс для
разработки систем с нечеткой
логикой [19] рассматривается как
генератор персональных советующих
систем. Комплекс предоставляет
возможность создавать или
адаптировать проблемно-ориентированные
советующие системы без специальных
знаний в области ИИ.
Структура комплекса включает
шесть основных блоков (рис.3.12). Пять
из них (блоеи оценки состояния и
принятия решений, блоки выдачи,
объяснения и адаптации, базы знаний
и данных) являются блоками
персональной советующей системы с
нечеткой логикой. <Настройка> этих
блоков на конкретную предметную
область ведется на основе шестого
блока, получившего название блока
экспертного опроса. Взаимодействие
блоков в режиме настройки отражено
на рисунке пунктирными линиями, а в
режиме эксплуатации - сплошными.
Рис.3.12.Структура
генератора персональной советующей
системы
Блок экспертного опроса
осуществляет генерацию и настройку
блоков оценки состояний и принятия
решений (в том числе и собственных
знаний), а также создания и
заполнения в интерактивном режиме
базы знаний и данных. Блок
объяснения и адаптации по запросу
пользователя объясняет <мотивы>
выработки решений. Корректировка
баз знаний и данных и адаптация
системы возможны на любом этапе
решения. Базы знаний и данных
содержат характеристики признаков,
лингвистических переменных и
управляющих решений, а также
зависимости между этими решениями и
ограничения на их применение,
соответствия между конфликтными и
эталонными ситуациями, описания
параметров системы. <Настройка>
пустой системы на конкретное
приложение сводится к заполнению
базы знаний и данных в процессе
обучения.
Программный инструментарий для
разработки нейросетевых ИС <Multi Neuron 2.0> [11] создан с использованием языка
высокого уровня Borland Pascal 7 с применением
модифицированной авторами системы
объектной библиотеки Turbo Vision 2.0 и библиотеки баз данных Paradox -
стандарта Paradox Engine 2.0.
Комплекс состоит из трех
программ:
·
Trainer (обучатель)
- программа для создания обучения и
тестирования нейронных сетей, а
также для проведения различных
экспериментов при реализации
дополнительных возможностей
нейросетей ( вычисление значимости
обучающих параметров, минимизация
параметров, исключение примеров и т.д.).
·
Constructor (сборщик
ИС) - программа для конструирования
элементов ИС: структуры баз данных,
окна редактора данных, окна вывода
результатов работы системы,
определение списка нейронных сетей
для использования в создаваемой ИС.
·
NES (Neural Expert System) - нейросетевая
ИС - программа, представляющая
базовый каркас ИС и потребляющая
файл-ресурс, созданный предыдущей
программой ( в зависимости от
содержащихся элементов приобретает
свойства, заданные пользователем в
программе Constructor).
При работе с пакетом
используются:
-
файлы баз данных (расширение
DB) стандарта Paradox;
файлы нейронных сетей (расширение
NM, в каждом из котррых
хранится одна нейронная сеть,
решающая установленную подзадачу;
-
файлы подзадач (проекты
обучения, расширение PR), содержащие
информацию об обучении нейронной
сети (стратегия, параметры,
установки);
-
файлы задач (суперпроекты
обучения, расширение SP), представляющие
собой логически связанные одной
темой списки файлов подзадач;
-
файлы проектов (расширение
PRJ), каждый из
которых хранит схему,
определяющую элементы
создаваемой ИС (указатель на базу
данных), структура которой будет
использована в ИС);
-
указатели на один или
несколько файлов обученных для ИС
нейронных сетей; проект окна
редактора и окна вывода
результатов;
-
файлы-ресурсы (расширение
RES), потребляемые
программой NES и содержащие
структуру баз данных;
-
комплект нейронных
сетей, объект-окно редактора
данных, объект-окно вывода
результатов (рис.3.13).
Рис.3.13.Схема
взаимодействия программ в пакете (см.рис.1.6)
Обучение
нейросети в программе Trainer
производится в одном из трех
режимов:
·
Рабочий
режим (обучается одна выбранная
нейронная сеть на принятой базе
данных), используемый для сохдания
очень простых односетевых ИС, либо
дл я экспериментов с простым
обучением.
·
Режим
обучения подзадаче (обучение по
проекту), ведущийся в
автоматическом режиме без участия
пользователя при обучении одной
нейросети либо набора одинаковых
нейросетей. При
этом возможно задание
автоматической стратегии, когда
программа ищет оптимальные режимы
обучения для достижения
поставленной цели с максимальной
эффективностью.
·
Режим
обучения задаче (обучение по
суперпроекту) по заданному списку
подзадач, связанных одной темой.
Проверка обученности
нейросетей ведется с помощью
тестирования, осуществляемого в
различных ражимах: оперативном
режиме, когда тестируется
установленный в редакторе пример
текущей базы данных загруженной в
программу нейронной сетью, а также в
режимах тестирования всей текущей
базы данных и согласно
лопределенной подзадаче (по проекту).
После обучения всех созданных
нейронных сетей начинается работа с
программой Constructor,
позволяющей определить базы данных
(щаблон данных), структура которой
будет использоваться в создаваемой
ИС. Основу ИС составляет программа NES.EXE, обеспечивающая
работу пользователя с базой данных
той структуры, которая задана в файл-ресурсе.
Для исследования ГА предложена
интегрированная среда DSK-GEN [17]. Среда состоит
из трех основных блоков, содержащих
модель объекта, операционный базис
и анализ результатов.
Модель объекта
задается кодировкой исходной
информационной системы и оценкой
стратегий в популяции.
Моделирование поведения объекта
осуществляется в соответствии с
заданной стратегией и
установленной кодировкой. Объект
обнаруживает элементы,
произвольным образом расположенные
на координатной плоскости размером
20х20 клеток за заданное число шагов (шаг
- переход на следующую клетку).
Выполняемые операции представляют
собой поворот влево (или вправо) без
движения, движение на одну клетку
вперед и пустую операцию. Условие
выполнения операций (отсутствие или
присутствие элемента в клетке) и
критерий качества (число
обнаруженных элементов за заданное
число шагов) позволяет эффективно
решать задачу формирования
стратегии управления
рассматриваемым объектом. При этом
наилучшим результатом является
максимальное число обнаруженных
объектов.
Операционный базис
представляет собой набор
генетических операторов,
принимаемых для решения задачи.
Задавая различные типа
генетических операторов, схемы их
применения и вероятности
выполнения можно сформулировать ГА
для осуществления процесса
оптимизации. Задавая различные типы
генетических операторов, схемы их
применения и вероятности
выполнения, можно сформулировать ГА
для осуществления процесса
оптимизации. Связующим звеном между
блоками модели и операционного
базиса является задание стратегии (числа
состояний), количества стратегий в
популяции, критерия качества и
времени моделирования при оценке
каждой стратегии. Для работы
алгоритма также задается вариант
его схемы и количество поколений (число
шагов процесса оптимизации).
Анализ результатов
осуществляет обработку полученной
информации о функционировании
системы в виде графиков или
текстовых файлов, В среде также
имеется возможность контролировать
текущее состояние информационной
системы (кодировку стратегий и
эффективность их выполнения).
Решение задачи оптимизации с
помощью описанного пакета может
производиться как автоматически
так и в пошаговом режиме с
возможностью коррекции процесса.
Наряду с описанными системами
разработано множество других
предложений по созданию
инструментальных сред, особенно в
области ИНС. Информация о таких
программах содержится в Internet.
|
