Использование гибридных систем для проведения экспертного анализа: преимущества, адаптированный алгоритм обучения нейро-нечетких сетей

РефератПомощь в написанииУзнать стоимостьмоей работы

Использование гибридных систем для проведения экспертного анализа: преимущества, адаптированный алгоритм обучения нейро-нечетких сетей (реферат, курсовая, диплом, контрольная)

Гибридные нейронные сети (или иначе нейро-нечеткие сети) представляют собой структуры, в полной мере реализующие основополагающие принципы построения мягких интеллектуальных систем.

Обратите внимание!

Мягкие вычисления в отличие от классических вычислительных методов не ставят своей целью нахождение максимально точных решений тех задач, строгая формализация которых затруднена, а количественная оценка всех параметров невозможна. Благодаря этому можно избежать потери важной информации, содержащейся в неточных, выраженных в качественной форме данных, сделать процесс решения задачи максимально близким к человеческому мышлению, а выводы — интуитивно понятными.

Мягкие вычисления опираются на три базовые методики, обеспечивающие указанные выше преимущества этого направления: нечеткая логика, искусственные нейронные сети и генетические алгоритмы (рис. 19.4).

Рис. 19.4. Компоненты мягких вычислений¹

Все компоненты «мягких вычислений» преследуют одну цель — предоставить возможность получения новых знаний на основе обобщения и анализа имеющихся, но путь достижения цели у каждой из методик свой, также как и свои слабые и сильные стороны.

Искусственные нейронные сети — системы, способные автоматически обучаться на основе существующей базы знаний, однако процесс тренировки сети часто происходит медленно и требует значительных аппаратных ресурсов. Еще один недостаток нейронных сетей состоит в том, что сам процесс получения новых знаний обученной сетью не поддается четкой, понятной для человека интерпретации, поэтому и не существует универсальных методов определения структуры сети (количества нейронов, связей между ними). Таким образом, зачастую приходится руководствоваться методом проб и ошибок, но очереди проверяя качество различных конструкций.

Схожая характеристика применима и к генетическим алгоритмам — одному из видов эволюционных вычислений. В данном случае дополнитель-^[1]

но можно отметить еще более низкую скорость обучения, которая компенсируется более высоким качеством получаемых знаний и требованием от исследователя лишь минимальных априорных знаний об изучаемой проблеме. Еще одно преимущество генетических алгоритмов состоит в том, что в процессе обработки данных ими может быть использован более широкий класс функций, так как нет необходимости вычислять производные, что является основным этапом градиентных методов, наиболее часто используемых для обучения нейронных сетей.

Механизмы обработки информации, основанные на нечеткой логике, наоборот, не располагают возможностью самообучения и требуют присутствия эксперта, который бы сформулировал базу правил для нечеткого вывода. Тем не менее нечеткие системы имеют важные преимущества по сравнению с двумя другими методиками мягких систем: их использование не требует больших временных затрат, а этапы реализации и получаемые результаты понятны исследователю и поддаются логическому обоснованию.

Исходя из особенностей каждой из описанных выше методик естественно попытаться объединить их в гибридные системы, которые бы обладали всеми достоинствами, но не имели бы недостатков, присущих отдельным компонентам^[2].

Рассмотрим одну из возможных разновидностей гибридных систем нейро-нечеткие сети, использование которых позволяет, с одной стороны, уменьшить роль эксперта в создании системы, так как часть параметров механизма нечеткого вывода определяется автоматически в процессе обучения, а с другой — становится логичной структура нейронной сети, так как каждый слой нейронов выполняет свою, заранее определенную роль, а сложившиеся в результате обучения параметры элементов сети обретают понятный исследователю смысл.

Обратите внимание!

При построении нечетких экспертных систем нередко возникают сложности при формировании базы правил (например, подобно базе (18.12)) или определении параметров функций принадлежности нечетких множеств (Д в рамках записи (18.12)). Наиболее сложной является проблема построения функций принадлежности, точно отражающих специфику параметров нечеткой системы.

Существуют различные методы построения функций принадлежности нечеткого множества^[3]:

• прямые — эксперт непосредственно задает функцию принадлежности;
• косвенные — чаще всего представлены методами парных сравнений;
• использование типовых форм кривых для задания функций принадлежности;
• статистические методы.

Однако у перечисленных выше методов есть существенные недостатки, состоящие либо в неспособности эксперта адекватно оценить принадлежность, либо в недостаточности статистического материала. В случае же, если у разработчиков экспертной системы имеется набор фактических данных относительно значений входных переменных и соответствующих им значений выходной переменной, эти знания могут быть использованы для обучения нечеткой нейронной сети, настраиваемые параметры которой соответствуют параметрам выбранной функции принадлежности.

Обратите внимание!

Очная настройка параметров функций принадлежности, является, пожалуй, самой востребованной задачей нейро-нечеткого моделирования. Обучение нейронной сети на этом этапе происходит с помощью алгоритма обратного распространения ошибки или его модификаций.

Широко распространенным типом гибридных сетей, который может быть использован в рамках настройки параметров функций принадлежности, является ANFIS {Adaptive Network-based Fuzzy Inference System) — Адаптивная система нечеткого вывода, основанная на нейронной сети (рис. 19.5).

Рис. 19.5. Структура нечеткой нейронный сети архитектуры ANFIS

Архитектура сети на рис. 19.5 соответствует реализации алгоритма нечеткого вывода Сугено, в котором предполагается формирование базы знаний на основе нечетких правил, соответствующих записи (19.8):

Использование гибридных систем для проведения экспертного анализа: преимущества, адаптированный алгоритм обучения нейро-нечетких сетей.

гдех, — лингвистические переменные; A_i — нечеткие множества, соответствующие термам (значениям) лингвистических переменных; xf — наблюдаемые точные значения входных переменных; у — выходная переменная в форме точного значения, определяемого как линейная комбинация значений входных переменных.

В данной архитектуре нейроны выполняют следующие функции:

• нейроны входного слоя передают входной сигнал, выполняя транзитную функцию;
• нейроны 1-го слоя осуществляют фазификацию, т. е. моделируют функции принадлежности и в процессе обучения оптимальным образом (исходя из предъявляемых примеров) настраивают их параметры; 1-й слой состоит из количества нейронов, равного общему числу нечетких множеств, описывающих возможные значения входных переменных (на рис. 19.5 — 4 нейрона);
• 2-й слой отвечает за определение степени истинности правил, максимальное количество которых равно числу сочетаний из всех нечетких значений входных переменных. В рассматриваемом примере 3-й слой состоит из двух нейронов (обозначены буквой Т), каждый из которых получает по два входных сигнала от нейронов второго слоя и реализует логическую связку «И» с помощью одной из функций, относящихся к классу Г-норм (чаще всего используется min (*));
• 3-й слой вычисляет нормированную силу правил, нейроны обозначены буквой N;
• последние два слоя (4-й и 5-й) формируют итоговое значение выхода сети у.

Существует ряд алгоритмов, адаптированных для обучения нейро-нечетких сетей подобного типа, с некоторыми из которых можно ознакомиться в работах японских ученых Лин (С. Т Lin) и Ли (С. S. G. Lee)^[4].

Пример применения нейро-нечеткой сети для планирования ресурсов на предприятии. Предметом изучения в рамках примера является процесс управления оперативной деятельностью производственного предприятия, цель которого состоит в оптимальном планировании ресурсов и наиболее эффективном использовании производственных мощностей.

Рассматриваемое предприятие осуществляет производство и введение в эксплуатацию программно-аппаратных комплексов, которые имеют модульный принцип построения. Поставляемые изделия требуют проведения комплекса монтажных и пусконаладочных работ на объекте заказчика. Максимально точное планирование трудоемкости указанных работ является важной задачей, так как позволяет максимизировать объемы производства и осуществлять календарное планирование занятости специалистов.

В качестве основных факторов, определяющих трудоемкость проведения работ, экспертная группа определила следующие:

• масштаб устанавливаемой системы;
• характер проводимых работ;
• уровень технологической сложности модулей (косвенно выражается через стоимость оборудования).

Все три фактора на стадии технического проектирования являются по своей сути нечеткими значениями, так как в процессе согласования параметров поставляемой системы окончательный состав оборудования и детальный перечень работ не известны. Предполагается, что каждый из трех факторов и искомая трудоемкость, играющие роль лингвистических переменных, могут быть охарактеризованы с помощью нечетких множеств и соответствующих им функций принадлежности. Для описания первого и третьего факторов предусмотрено пять функций принадлежности, для второго — три; экспертами выбраны функции принадлежности на основе функции Гаусса; первоначальный способ определения параметров функций принадлежности экспертами — равномерное распределение областей определения в рамках диапазона, определяемого значениями переменной.

Для формирования базы нечетких правил в описанной ситуации эксперты могут формулировать лишь нечеткие высказывания, подобные тому, что представлено ниже (соответствует алгоритму нечеткого вывода Мамдани):

В результате опроса сотрудников компании была сформирована база, состоящая из 24 подобного вида правил из максимально возможных 75.

Предполагается, что в распоряжении имеется достаточный объем статистических данных, характеризующих ранее реализованные поставки. Это оправдывает целесообразность использования аппарата искусственных нейронных сетей для более точной настройки параметров функций принадлежности нечетких множеств на базе ретроспективных данных.

В качестве инструментального средства реализации нейро-нечеткой системы выбрана программная среда MATLAB и ее приложение Fuzzy Logic Toolbox, позволяющее как в режиме графического пользовательского интерфейса, так и из командной строки формировать системы нечеткого вывода, настраивать их, получать заключения в нечеткой или числовой форме.

В качестве примера на рис. 19.6 сравниваются графики функций для фактора «масштаб устанавливаемой системы». В результате обучения параметры функций принадлежности переменных оптимальным образом настраиваются, отличаясь от первоначальных значений, которые были распределены равномерно.

По горизонтальной оси указаны значения базового множества нечетких множеств «малый комплекс», «ниже среднего», «средний», «выше среднего», «большой комплекс», отвечающих лингвистической переменной «мас;

Настройка параметров функций принадлежности штаб устанавливаемой системы», которые представлены количеством «модулей», входящих в систему, единица измерения — шт.

Рис. 19.6. Настройка параметров функций принадлежности штаб устанавливаемой системы", которые представлены количеством «модулей», входящих в систему, единица измерения — шт. По вертикальной оси — значение функций принадлежности, которые являются безразмерными величинами в диапазоне от 0 до 1.

Система нечеткого вывода, модифицированная с помощью нейросетевого моделирования, демонстрирует лучшие результаты как относительно обучающего множества примеров, так и при предъявлении примеров из тестовой выборки.

Структура сформированной нейро-нечеткой сети представлена на рис. 19.7.

Описанная выше экспертная система на основе нейро-нечеткой сети позволяет оперативно получать искомую оценку трудоемкости, при этом обладая способностью к дальнейшему обучению и адаптации параметров в соответствии с вновь появляющимися фактическими результатами производственной деятельности компании.

Рис. 19.7. Архитектура нейро-нечеткой сети.

Обратите внимание!

Использование максимального объема доступной информации (не только документально подтвержденной или числовой, опыта и знаний сотрудников, неточных предварительных данных, предположений и т. д.) и современных инструментальных средств анализа необходимо для устойчивого экономического развития компаний в условиях жесткой конкуренции и высокой неопределенности внешней среды. Тем не менее, насколько бы совершенной ни была информационная система, нельзя переоценивать ее возможности, необходимо помнить, что окончательное решение должно оставаться за человеком — квалифицированным специалистом.

[1] Russo М. FuGcNcSys — A Fuzzy Genetic Neural System for Fuzzy Modeling // IEEE Transactions on Fuzzy Systems. Vol. 6. No. 3. 1998. P. 373—388.
[2] Ботвин Г. А., Забоев М. В., Завьялов О. В., Черныш В. В. Указ. соч.
[3] Круглов В. В., Дли М. И., Голу нов Р. /О. Указ. соч.
[4] См.: Lin С. Т., Lee S. С. G. Neural-network-based fuzzy logic control and decision system //IEEE Transactions on Computers. Vol. 40. 1991. P. 1320—1336; Wael A. Farag, Quintana V. H., Lambert-Torres G. A Genetic-Based Ncuro-Fuzzy Approach for Modeling and Control of Dynamical Systems // IEEE Transactions on Neural Networks. Vol. 9. No. 5. 1998. P. 756—767.

Показать весь текст

Заполнить форму текущей работой