Обучаемые интеллектуальные системы

Обучаемые интеллектуальные системы стали развиваться недавно и в настоящее время завоевывают прочные позиции как самостоятельно развивающийся класс систем, в которых путем обучения создаются знания в разной форме. Такие системы могут быть условно разделены на два подкласса: логические и нейронные. Первые в результате обучения накапливают знания в виде логических отношений, например импликативных (продукции), а вторые — в виде нейросетевых отображений с настраиваемыми весами связей элементов.

В этой главе рассмотрим некоторые варианты логических обучаемых систем, а также систем на нейронных сетях.

Логические обучаемые системы

Самыми первыми разработками в области логических обучаемых систем являются продукционные системы с дедуктивным и индуктивным обучением. Дедуктивное обучение малоэффективно для сложных систем и применяется реже. Индуктивное, или обобщающее, обучение используется чаще, но является слабо обоснованным теоретически и может приводить к некорректным знаниям.

Рассмотрим кратко организацию логической системы «Рада» с параметрическим обучением [16].

Метод параметрического обучения, применяемый в системе «Рада», позволяет автоматически формировать продукционные правила с коэффициентами уверенности и весами в виде переменных порогов срабатывания правил и ослаблений. Веса-пороги регулируют срабатывания правил, которое может иметь место только при превышении установленного порога по коэффициенту уверенности условия правила. Веса-ослабления связаны с заключениями правил и используются для их ослабления, если заключение получено при слишком большой уверенности: вес, меньший единицы, умножается на коэффициент уверенности заключения.

Обучение в системе производится в соответствии со схемой.

где LS (Learning Set) — обучающее множество из упорядоченных пар (/, D), где I — множество начальных суждений (условий) и их коэффициенты уверенности, a D — множество конечных суждений (заключений) и их коэффициенты уверенности; RULES — процедура и множество правил, генерируемых системой и адекватных множеству LS после подгонки весов; ST (STUDIER) — процедура-ученик, заставляющая RULES создавать то же множество D для данного множества /, которое рекомендуется множеством LS] D* — множество заключений, сформированных RULES случайно из числа готовых правил; С — генерация правил процедурой STUDIER.

Процедура STUDIER включает две фазы: раздача сообщений и регулировка весов. В каждой фазе из LS считывается элемент (/,-, Д) и к /, применяются правила из RULES, сформированные случайно (или направленно, если есть соответствующие эвристики). Полученные при этом заключения D* помещаются в группу CONSi, суждения в которой изначально разделяются на три класса: первый — встречающиеся в CONSi и в Д; второй — встречающиеся в Д, но не в CONSi; третий — встречающиеся в CONSi, но не в Д. Первый класс разделяется еще на три подкласса: 1а — суждения с одинаковыми коэффициентами уверенности в CONSi и в Д; 16 — суждения, у которых в CONSi больший коэффициент уверенности, чем в Д; 1в — суждения, у которых в CONSi меньший коэффициент уверенности, чем в Д.

В фазе раздачи сообщений для каждой пары (/, Д) определяются последовательности правил, ведущие к каждому суждению в CONSi, причем каждому правилу дается список свойств с идентификаторами правил 1а, 16, 1 В, Нужен путь, Плохой путь. Правила, дающие Д 1-го класса, запоминаются как правила, полезные в множестве RULES. Для суждений Д 2-го класса определяется, какой путь вел бы из /, в Д, и правило помечается свойством Нужен путь с запоминанием текущей нары (/, Д), если правило должно было сработать, но не сработало. Для суждений Д 3-го класса текущее правило помечается свойством Плохой путь.

В фазе регулировки весов изменяются веса с целью улучшения работы множества RULES на LS. При 1а нет необходимости изменений, а при 16 должны быть понижены веса-ослабления тех правил, которые вели от /, к Д.

Степень ослабления и порог пропорциональны разности в коэффициентах уверенности и алгебраической оценке истории работы с суждениями на пути от /, к Д. При 1 В ослабление и порог повышаются. Для суждений класса 2 увеличивается вероятность того, что сработает тот путь, который не сработал. Это достигается понижением порога следующего правила, которое должно было сработать, что повышает вероятность его запуска. Суждений 3-го класса не должно быть, поэтому порог правила, создавшего такое суждение, повышается так, что в следующий раз оно не сработает.

В этом методе обучения наиболее трудоемкой работой в предварительной настройке системы является создание множества LS. Однако если оно создано, то в результате обучения при небольшом количестве циклов раздачи сообщений и регулировки весов создается множество RULES, хорошо работающее на обучающих примерах из LS.

В отличие от простых систем с параметрическим обучением в системе, «Рада» использует несколько уровней правил и несколько форм эвристик обучения. Учитывается также история изменения каждого правила сразу с нескольких точек зрения — это делает его работоспособным при решении достаточно сложных задач.