Методика виконання лабораторної роботи.

Програма створює вікно, на якому зверху розташовуються поля, в яких записані параметри всіх класів – математичні сподівання, дисперсії, апріорні ймовірності. Будь-яка зміна будь-якого з цих полів призводить до негайної модифікації даних параметрів.

У правій частині вікна відтворена схема нейронної мережі з полями вагових коефіцієнтів і порогових значень. Будь-яка зміна будь-якого з цих полів приводить до негайної зміни коефіцієнта ваги або порогового значення. Всі ці поля автоматично змінюються при навчанні мережі.

Нижче розташовані кількість ітерацій, що здійснюються при навчанні мережі, а також крок навчання. Там же поруч описана розв’язувана даною нейронної мережею завдання.

Основним засобом візуалізації є картинка в лівій нижній частині вікна, в якому кружечками відображаються нормальні розподіли, розфарбовані різними кольорами (колір означає приналежність розподілу певного класу). І тут же відображаються у вигляді прямих три нейрони першого шару. Прямі будуються в просторі (x₁, x₂) за такою формулою: . Тут w₁ і w₂, а також porog – відповідні параметри нейрону. Прямі будуються для геометричного уявлення про стан першого шару мережі. У процесі навчання дані прямі прийдуть у рух, і цілком наочно побачимо, як модифікуються ваги і порогові значення нейронів першого шару.

Кнопка «Перезапустить» дозволяє скасувати все навчання і привести мережу в початковий стан.

Кнопка «Очистить» дозволяє очистити картинку від точок, що нагромаджені в процесі перевірки.

Кнопка «Учить сеть» запускає процес навчання, який буде складатися з кількості ітерацій, що задані в конкретному полі. На час навчання дана кнопка стає кнопкою «Остановить», натиснувши яку дозволяє зупинити процес навчання, якщо він здається тривалим.

Кнопка «Проверить сеть» дозволяє перевірити, наскільки добре навчена мережа. Після натискання на неї, картинка заповнюється десятьма тисячами згенерованих точок, кожну з яких мережа намагається пізнати. Наприкінці перевірки програма видає звіт, скільки помилкових і скільки правильних рішень прийняла мережу. Якщо відсоток помилок досить низький, то можна зробити висновок, що мережа навчена.

У механізмі візуалізації продумано питання простого і наочного зміни положення математичного сподівання нормального розподілу. Для цього потрібно натиснути на кнопку «а...» під потрібним вам розподілом, після чого натиснути на точку на картинці, в яку необхідно перенести математичне сподівання обраного розподілу. Після натискання математичне сподівання буде моментально змінено.

Візуалізація роботи даної нейронної мережі графічно відображає тільки три нейрона першого шару, але вона також передбачає відображення всіх вагових коефіцієнтів всіх нейронів нейронної мережі. На рис. 26 показано вікно програми відразу ж після запуску.

Спочатку всі нейрони першого шару злиті в один – тобто мають абсолютно однакові ваги. Але після натискання на кнопку «Обучить сеть» відбувається навчання мережі і після закінчення заданої ітерації вікно виглядає як показано на рис. 27.

Як видно, тепер ваги спеціально підігнані, щоб помилка була мінімальною - для більшої точності можна спробувати ще змінити швидкість навчання, зробивши її поменше. Якщо ж мережа «не бажає» навчатися, то можна спробувати на деякий час навчання збільшити швидкість, щоб спробувати «перескочити» мабуть заважає локальний мінімум функціоналу помилок.

На рис. 28 показаний результат, який з’являється після натискання кнопки «Проверить сеть».

Рис. 26. Вікно спеціального програмного забезпечення

(на момент запуску).

Рис. 27. Вікно спеціального програмного забезпечення

(після навчання).

Рис. 28. Вікно спеціального програмного забезпечення

(після перевірки мережі).

Контрольні питання.

1. В чому суть класифікації?

2. Опишіть структуру нейронної мережі в даній лабораторній роботі.

3. Що означають прямі лінії в зоні візуалізації?

4. Як працювати з даним програмним засобом?

5. Як впливає кількість ітерацій та швидкість навчання на роботу нейронної мережі?

Лабораторна робота №6

Ознайомлення з програмним середовищем для побудови

експертних систем CLIPS.

Мета: Засвоїти принципи побудови правил та фактів для експертної системи в програмному середовищі CLIPS.

Теоретичні відомості.

Поняття експертної системи.

Експертна система  комп’ютерна система, яка емулює здатності експерта до прийняття рішень. Термін емуляція означає, що експертна система зобов’язана діяти у всіх відносинах як експерт-людина. Поняття емуляції є набагато вимогливішим, чим моделювання, оскільки моделююча система зобов’язана діяти подібно реальному об’єкту лише в певних відносинах.

Принципи роботи експертної системи, заснованої на знаннях, ілюструються на рис. 29. Користувач передає в експертну систему факти або іншу інформацію й одержує як результат експертну пораду або експертні знання. По своїй структурі експертна система розділяється на два основних компоненти  базу знань і машину логічного висновку. База знань містить знання, на підставі яких машина логічного висновку формує висновки. Ці висновки являють собою відповіді експертної системи на запити користувача, що бажає одержати експертні знання.

Рис. 29. Основні принципи функціонування експертної системи.

Елементи типової експертної системи показані на рис. 30. У системі заснованої на правилах, знання в проблемній області, необхідні для рішення завдань, закодовані у формі правил і утримуються в базі знань. Безумовно, для подання знань найбільше широко застосовуються правила.

Експертна система складається з описаних нижче компонентів:

• Інтерфейс користувача. Механізм, за допомогою якого відбувається спілкування користувача й експертної системи.

• Засіб пояснення. Компонент, що дозволяє пояснити користувачеві хід міркувань системи.

• Робоча пам’ять. Глобальна база фактів, використаних у правилах.

• Машина логічного висновку. Програмний компонент, що забезпечує формування логічного висновку (ухвалюючи рішення щодо того, яким правилам задовольняють факти або об’єкти), розташовує активні правила, по пріоритетах і виконує правило з найвищим пріоритетом.

• Робочий список правил. Створений машиною логічного висновку список правил й розташований по пріоритетах, шаблони яких задовольняють фактам або об’єктам, що перебувають у робочій пам’яті.

• Засіб придбання знань. Автоматизований спосіб, що дозволяє користувачеві вводити знання в систему, а не залучати до рішення завдання явного кодування знань інженера по знаннях.

Рис. 30. Структура експертної системи заснованої на правилах.