Особенности построения гибридных интеллектуальных систем обработки информации

Под гибридной интеллектуальной системой будем понимать систему, в которой для решения задачи используется более одного метода имитации интеллектуальной деятельности человека. Интеграция методов, с одной стороны, дает возможность использовать индивидуальную силу каждого из методов для решения специфических частей задачи, что позволит создать более эффективные модели представления и обработки знаний. С другой стороны, гибридный подход основывается на том, что только синергетическая комбинация интеллектуальных технологий может достичь полного спектра когнитивных и вычислительных возможностей, реализуемых в компьютерных моделях интеллектуальных систем.

Существуют, по крайней мере, две главные причины, по которым необходимо использовать именно гибридные системы:

- некоторые требования для решения проблем ИИ не могут быть принципиально выполнены на основе единственного подхода;

- для решения сложных проблем ИИ создаваемые модели также не могут быть реализованы с помощью одного какого-то метода.

По мере социального и технического развития общества появляются новые требования, которые приходится учитывать при решении сложных интеллектуальных задач. Например, представление точных и неточных, определенных и неопределенных знаний о проблеме в одной системе, извлечение знаний из данных, учет прошлого опыта для принятия решений при возникновении новых ситуаций; необходимость адаптации в поведении систем при изменении характеристик среды; терпимость к неточности, робастность, возможность расширения выполняемых функций, необходимость объяснения результатов решений; возможность получения альтернативных решений.

Естественно, что одного метода для удовлетворения всем этим требованиям не существует. Выбор методов для обработки исходной информации зависит от особенностей решаемых задач, от числа количественных и качественных параметров, описывающих проблему, от уровня проработанности задачи. Поэтому необходимо определять условия применимости каждого из методов, а также алгоритмы, позволяющие адаптировать их к решению конкретных задач проблемной области.

Обзор информационных технологий, использующихся в современных интеллектуальных системах (рис.2), показывает, что в статических и динамических проблемных средах эффективными являются определенные методы. Например, в некоторых случаях наилучшее решение может быть получено путем использования эволюционных методов, в частности на основе генетических алгоритмов, на всех этапах поиска рационального решения, что позволяет перейти от моделей представления и использования знаний с жесткими связями к моделям с динамически меняющейся структурой в зависимости от решаемой задачи.

Рис. 2. Области использования интеллектуальных технологий

1.5 Гибридные интеллектуальные системы.

Под гибридной интеллектуальной системой принято понимать систему, в которой для решения задачи используется более одного метода имитации интеллектуальной деятельности человека. Таким образом ГИС — это совокупность:

- аналитических моделей

- экспертных систем

- искусственных нейронных сетей

- нечетких систем

- генетических алгоритмов

- имитационных статистических моделей

Междисциплинарное направление «гибридные интеллектуальные системы» объединяет ученых и специалистов, исследующих применимость не одного, а нескольких методов, как правило, из различных классов, к решению задач управления и проектирования.

1.6 Классификация гибридных интеллектуальных систем.

В свою очередь, ГИС можно классифицировать, в зависимости от архитектуры, на следующие типы: 1) комбинированные (combination), 2) интегрированные (integration), 3) объединенные (fusion) и 4) ассоциативные (association) гибридные интеллектуальные системы

Рис 3. Классификация гибридных интеллектуальных систем.

1.7 Базовые функции проектирования гибридных систем.

Необходимо для реализации нечеткой нейронной сети тип ANFIS:

Tnorm (X,Y, Typefun), Snorm(X,Y, Typefun) - Должна выполнять Т-норму, тип которой задается параметром Typefun над аргументами X и Y Должна выполнять S- конорму, тип которой задается параметром Typefun на аргументами X и Y.

Andneuron (N, Xn, Typefun T, Typefun S) - Реализует И-нейрон по формуле: Tfun(Sfun(Xn),Sfun(Xn)), где Tfun и Sfun- Т-норма и S-конорма, заданные параметрами Typefun T, Typefun S ,Xn-входной вектор размерности N. Функция создает описанный нейрон как объект. Функция создает описанный нейрон как объект .

Orneuron (N, Xn, Typefun T,Typefun S) - Реализует нейрон по формуле Sfun(Tfun(Xn),Tfun(Xn)), где Tfun и Sfun - Т-норма и S-конорма, заданные параметрами Typefun T, Typefun S,Xn - входной вектор размерности N. Функция создает описанный нейрон как объект.

Mfneuron (x, MF) - Представляет собой нейрон, содержащий функцию принадлежности MF и вычисляющую  степень принадлежности  значения к этой функции. Функция создает описанный нейрон как объект.

Mfneuronrev (level, MF) - Представляет собой нейрон, содержащий функцию принадлежности MF и вычисляющий значение х по заданной уровню степени принадлежности. Функция создает описанный нейрон как объекту.

Mfnlayer (N, Xn, MFn) - Конструирует слой нейронов-функций принадлежности размерности N и типов функции принадлежности MF. Функция имитирует проход входного вектора Xn размерности N через слой.

Andnlayer (N, M, Mlinknm) - Констатирует слой N, нейронов размерности М. Связи N входной для слоя сигналов и М нейронов задаются матрицей Mlinknm. Функция имитирует проход входного вектора Xn размерности N через слой из М нейрона.

Ornlayer (N, M, Mlinknm) - Констатирует слой ИЛИ- нейронов размерности М. Связи N входной для слоя сигналов и М нейронов задаются матрицей Mlinknm. Функция имитирует проход входного вектора Xn размерности N через слой из М нейрона.

1.8 Проектирование систем управления (Fuzzy Logic Toolbox).

1.8.1 ANFIS-редактор

ANFIS является аббревиатурой Adaptive Neuro-Fuzzy Inference System – (адаптивная нейро - нечеткая система). ANFIS-редактор позволяет автоматически синтезировать из экспериментальных данных нейро - нечеткие сети. Нейро - нечеткую сеть можно рассматривать как одну из разновидностей систем нечеткого логического вывода типа Сугэно. При этом функции принадлежности синтезированных систем настроены (обучены) так, чтобы минимизировать отклонения между результатами нечеткого моделирования и эксп ериментальными данными. Загрузка ANFIS-редактора осуществляется по команде anfisedit. В результате выполнения этой команды появится графическое окно, изображенное рис. 4. На этом же рисунке указаны функциональные области ANFIS-редактора, описание которых приведено ниже.

ANFIS-редактор содержит 3 верхних меню - File, Edit и View, область визуализации, область свойств ANFIS, область загрузки данных, область генерирования исходной системы нечеткого логического вывода, область обучения, область тестирования, область вывода текущей информации, а также кнопки Help и Close, которые позволяют вызвать окно справки и закрыть ANFIS-редактор, соответственно.

Меню File и View одинаковые для всех GUI-модулей используемых с системами нечеткого логического вывода.

Рисунок 4. Основное окно ANFIS-редактора

ANFIS-редактор содержит 3 верхних меню - File, Edit и View, область визуализации, область свойств ANFIS, область загрузки данных, область генерирования исходной системы нечеткого логического вывода, область обучения, область тестирования, область вывода текущей информации, а также кнопки Help и Close, которые позволяют вызвать окно справки и закрыть ANFIS-редактор, соответственно.

Меню File и View одинаковые для всех GUI-модулей используемых с системами нечеткого логического вывода.

Меню Edit.             

Общий вид меню приведен на рис.5.

Рисунок 5. Меню Edit

- Команда Undo отменяет ранее совершенное действие. Выполняется также по нажатию Ctrl+Z.

- Команда FIS Properties… открывает FIS-редактор. Эта команда может быть также выполнена нажатием Ctrl+1.

- Команда Membership Functions… открывает редактор функций принадлежностей. Эта команда может быть также выполнена нажатием Ctrl+2.

- Команда Rules… открывает редактор базы знаний. Эта команда может быть также выполнена нажатием Ctrl+3.

- Команда Anfis… открывает ANFIS-редактор. Эта команда может быть также выполнена нажатием Ctrl+3. Заметим, что данная команда, запущенная из ANFIS-редактора не приводит к выполнению каких-либо действий, так этот редактор уже открыт. Однако, в меню Edit других GUI-модулей, используемых с системами нечеткого логического вывода, добавляется команда Anfis…, позволяющая открыть ANFIS-редактор из этих модулей.

Область визуализации.

В этой области выводится два типа информации:

- при обучении системы – кривая обучения в виде графика зависимости ошибки обучения от порядкового номера итерации.

- при загрузке данных и тестировании системы – экспериментальные данные и результаты моделирования.

Экспериментальные данные и результаты моделирования выводятся в виде множества точек в двумерном пространстве. При этом по оси абцисс откладывается порядковый номер строчки данных в выборке (обучающей, тестирующей или контрольной), а по оси ординат - значение выходной переменной для данной строчки выборки. Используются следующие маркеры:

- голубая точка (.) – теструющая выборка;

- голубая окружность (o) – обучающая выборка;

- голубой плюс (+) – контрольная выборка;

- красная звездочка (*) – результаты моделирования.

Область свойств ANFIS

В области свойств ANFIS (ANFIS info) выводится информация о количестве входных и выходных переменных, о количестве функций принадлежностей для каждой входной переменной, а также о количестве строчек в выборках. В этой области расположены две кнопки Structure и Clear Plot.

Нажатие кнопки Structure открыет новое графическое окно, в котором система нечеткого логического вывода представляет в виде нейро-нечеткой сети. В качестве иллюстрации на рис. 6 приведна нейро-нечеткая сеть, содержащая четыре входных переменных и одну выходную. В этой системе по три лингвистических терма используеться для оценки каждой из входных переменных и четыре терма для выходной.

Нажатие кнопки Clear Plot позволяет очистить область визуализации.