гибридные интеллектуальные системы: синергия сигнала, числа

реклама
ГИБРИДНЫЕ ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ:
СИНЕРГИЯ СИГНАЛА, ЧИСЛА, СЛОВА И ПОНЯТИЯ
Н.Г. Ярушкина
Ульяновский государственный технический университет
jng@ulstu.ru
В современной нейроинформатике соотношение фундаментальных и технологических
задач складывается в пользу технологических. Отметим, что фундаментальные задачи:
моделирование ощущений, восприятий, распознавание образов, обучение и запоминание
паттернов являются основными задачами когнитивной науки. Технологические задачи связаны с
повышением эффективности использования нейронных сетей в решении задач кластеризации,
классификации образов и сцен, аппроксимации функций для процессов технической,
экономической, биологической природы. Достижения нейроинформатики в решении
технологических задач привели к созданию целого спектра разнообразных нейронных сетей: сетей
с прямым распространением сигнала, рекуррентных сетей, радиально базисных сетей. Созданы
развитые архитектуры гибридных систем: нечетких нейронных сетей, нечетких нейронных с
генетической настройкой параметров. Ситуация в нейроинформатике требует вернуться к
фундаментальным когнитивным задачам и выяснить, позволяют ли новые классы нейронных и
гибридных систем решать новые когнитивные задачи.
Объектом анализа в представляемой работе служили нечеткие нейронные сети с
генетической оптимизацией параметров, так как они обладают комплексной структурой и
сложными алгоритмами обучения, интегрирующими структурные части различных нейронных
сетей. Далее будем называть именно их гибридными системами. Гибридные системы включают в
себя слои радиально базисных нейронов, логических нейронов, традиционных пороговых
суммирующих нейронов. Алгоритм их обучения обычно комбинирует соревновательное обучение
(по алгоритму победителя), генетическую оптимизацию параметров и классический метод
обратного распространения ошибки [1].
Исследование известных архитектур гибридных систем и алгоритмов их обучения
позволяет, по нашему мнению, считать их моделями, адекватно отражающими соотношение
восприятия и логического умозаключения при когнитивной деятельности человека. При реальном
решении задачи, человек комбинирует процессы мышления (компьютерный аналог – логический
вывод), вспоминания (сознательное «внутреннее» возбуждение образа), восприятия окружающих
предметов (распознавание) и, возможно, движения (управление телом). Обученная нечеткая
нейронная сеть и хранит паттерны, и выполняет логические операции, так как содержит И-ИЛИнейроны, и переключается от распознавания на логический вывод, так как обычно включает в себя
несколько отдельно обученных сетей с разными функциями.
Таким образом, несмотря на то, что нечеткие нейронные сети созданы как нейро-нечеткие
контроллеры для управления процессами, они могут служить когнитивной моделью для изучения
взаимодействия процессов восприятия и мышления при когнитивной деятельности.
Следующей особенностью гибридных систем является их принципиальная
интерпретируемость, то есть как и всякая система логического вывода гибридная система
объясняет свой результат с помощью обратного просмотра протокола применяемых
вербализованных правил. Любая нечеткая нейронная сеть работает как система нечеткого
логического вывода, но строится не с помощью инженерии знаний, а с помощью обучения по
образцам. В результате матрица весов отражает силу связи входных и выходных переменных.
Результатом обучения нечеткой нейронной сети служит не только матрица весов, но совокупность
правил и оценок их достоверности. Следовательно, любая гибридная система является как
минимум двухуровневой системой, включающей систему и метасистему, отражающую систему
первого уровня. Исходя из сказанного, можно предложить нечеткие нейронные сети в качестве
когнитивной модели соотношения сознательного (логического) и бессознательного (аналогового,
вычислительного) процессов в решении интеллектуальной задачи.
Таким образом, в нечеткой нейронной сети возможно сочетать манипулирование
образами, заданными количественными параметрами, с преобразованием символов (слов). Такая
возможность заложена в самой базовой конструкции теории нечетких множеств. Каждое нечеткое
множество связывает слово, имя с порядковой или метрической шкалой с помощью функции
принадлежности, т.е. количественно моделирует новое качество – смысл.
Для всех классов нейронных сетей, в том числе гибридных систем, связь системы с
окружением устанавливается с помощью обучающей выборки. Чем более полна и адекватна
обучающая выборка, тем выше аппроксимирующая или классифицирующая способность
нейронной сети после обучения. При использовании кроме классического метода обратного
распространения сигнала, еще и генетического алгоритма обучения , гибридные системы
получают еще один инструмент адаптации – функцию оптимальности генетического алгоритма,
fitness-function.
Генетические алгоритмы различных видов в основном используются в нейронных сетях и
гибридных системах для оптимизации параметров функций принадлежности входных и выходных
переменных. Но появляются работы, в которых генетический алгоритм выполняет структурный
синтез нейронной сети, в частности, определяет тип сети, количество скрытых слоев и нейронов,
выбирает функции оптимальности, то есть с помощью компьютерного моделирования можно
наблюдать разработку (развитие) нейронной сети (когнитивной структуры) в ходе искусственно
организованной эволюции.
Таким образом, нечеткие нейронные сети с генетическом алгоритмом оптимизации
структуры можно рассматривать, как перспективные модели компьютерного моделирования
эволюции интеллекта.
Эволюция интеллекта по современным представлениям может быть охарактеризована
формулой:
Моторика + Сенсорика + Безусловные рефлексы + условные рефлексы + инстинкты +
мышление = интеллект.
Взаимодействие всех названных в формуле систем подразумевает сочетание восприятия и
логики. Вместе с тем, реализация решения интеллектуальных задач в ходе непрерывной эволюции
интеллекта создала сложные структуры (мозг), огромное число элементов которых представляют
собой взаимодействующую (синергетическую) систему. Гибридные системы позволяют изучать
проявление таких когнитивных параметров порядка, как обучающие паттерны, в
самоорганизующихся структурах.
Перспективой развития самих гибридных систем считают разработку синергетического
компьютера, построенного как взаимодействующая система. В то же время можно отметить
работы, считающие синергетику перспективной моделью мозга. Следовательно, синергетический
компьютер, как результат развития нейроинформатики и синергетическая модель мозга, как
направление в когнитивной науке имеют возможность развиваться взаимодействуя, благодаря
общему вектору развития.
Литература:
1. Ярушкина Н.Г. Основы теории нечетких и гибридных систем. М.: Финансы и статистика,
2004.- 320 с. Ил.
2. Хакен Г. Тайны природы. Синергетика: учение о взаимодействии. Москва-Ижевск:
Институт компьютерных исследований, 2003, 320 с.
3. Хакен Г., Хакен-Крелль М. Тайны восприятия. Синергетика как ключ к мозгу. Москва:
Интститут компьютерных исследований, 2002, 320 с.
Скачать