64

РОЗДІЛ 1

Аналіз проблеми інформаційного синтезу ск, що навчаються

1. Основні визначення та класифікація СК, що навчаються

Недостатня розробка термінології і майже повна відсутність стандартів на СК, що навчаються (самонавчаються), потребує для них додаткового уточнення визначень, класифікації та формалізації процесів функціонування.

Визначення 1.1.1. За існуючими стандартами [58] під функціонуванням системи розуміється процес виконання системою заданого робочого алгоритму при використанні системи за призначенням, тобто за критерієм мети створення системи.

Відомо, що у рамках системологічного аналізу [59,60] система повністю визначається шляхом однозначного завдання таких її категорій як елемент, відношення та властивість.

Визначення 1.1.2. Метою проектування системи є конкретизація та визначення таких значень і співвідношень її категорій, які дозволяють системі функціонувати із визначеною ефективністю.

Оскільки поняття “ефективність” все ще залишається неформалізованим, тому пропонується таке її визначення.

Визначення 1.1.3. Загальна ефективність системи визначає ступінь відповідності її складових виконанню системою свого призначення згідно з критерієм мети.

Важливою складовою загальної ефективності є функціональна ефективність.

Визначення 1.1.4. Під функціональною ефективністю системи розуміється складова загальної ефективності, яка визначає ступінь відповідності функціонування системи за її робочим алгоритмом виконанню поставленої перед нею задачі згідно з критерієм мети.

Формування критерію мети спрямовано на зняття невизначеності в описі системи. Оскільки мірою невизначеності є кількість інформації, то критерій мети має інформаційну природу, а інформаційний критерій функціональної ефективності (КФЕ) навчання системи є його важливою складовою, яка визначає асимптотичні точнісні характеристики класифікатора. Залежно від вхідних даних і уявлень про побудову та функціонування системи задачі синтезу поділяються на три класи [61]:

• інформаційний синтез, який передбачає оптимізацію (тут і далі в інформаційному розумінні) функціональної ефективності системи;

• структурний синтез, який спрямований на оптимізацію складу, конфігурації, внутрішніх і зовнішніх зв’язків системи при заданих алгоритмах її функціонування;

• комбінований синтез структури та алгоритмів функціонування, пов’язаний з розподілом функцій за елементами системи та визначенням їх оптимального складу.

Необхідною умовою синтезу системи є наявність вхідного математичного опису.

Визначення 1.1.5. Вхідний математичний опис є адекватною моделлю вхідних даних, що відбивають основні характеристики та властивості функціонального стану системи.

Визначення 1.1.6. Під функціональним станом розуміються основні характеристики системи у визначений момент або інтервал часу її функціонування у заданому режимі, які залежать як від технічного стану системи, так і від середовища, що впливає на неї через контрольовані і неконтрольовані фактори.

Для СК, здатних навчатися, інформаційний синтез набуває важливого науково-практичного значення, що викликано необхідністю створення високоефективних алгоритмів прийняття рішень у процесі керування слабо формалізованими процесами. Невід’ємною частиною СК, що навчається, є система прийняття рішень (СПР), яка будується на основі електронно-обчислювальної техніки і безпосередньо моделює розумові процеси прийняття рішень, притаманні людині. В експертних СК та автоматизованих системах керування технологічними процесами (АСКТП) та іншими об’єктами і процесами замість СПР застосовується система підтримки прийняття рішень (СППР). При цьому термін “підтримка” стосується таких систем, де вирішальне слово належить особі, що приймає рішення (ОПР). Поняття СК, що навчається, охоплює широкий клас автоматизованих систем, які характеризуються такими основними загальними показниками:

• процес керування може бути різної природи;

• у контурі керування системи використовується ЕОМ або обчислювальний комплекс з потужною довготривалою пам’яттю, які функціонують у багатопотоковому режимі, що призводить до асинхронності оброблення інформації;

• система має замкнені зворотні зв`язки і допускає можливість роботи в автоматичному режимі;

• невід’ємною обов’язковою частиною СК, що навчається, є СПР або СППР, що виконують функції регулятора системи і можуть функціонувати у двох роздільних (або об’єднаних) у часі режимах: навчання і екзамену, на якому безпосередньо приймаються рішення про оцінку функціонального стану системи та формуються відповідні керуючі сигнали;

• система, у математичному розумінні, є слабо формалізованою (за Г. Саймоном), тобто її релевантна математична модель існує у рамках системного аналізу на теоретико-множинному рівні, а сама динамічна система функціонує за умов апріорної невизначеності, багатофакторності, нестаціонарності та імплікативності взаємозв’язку характеристик при довільних (ненульових) початкових умовах;

• система є інтерактивною і має можливість функціонувати в режимі моніторінгу;

• система є знання-орієнтованою, тобто вона здатна засвоювати знання та здійснювати виведення на їх базі нових знань.

Об`єднання широкого класу інтелектуальних систем поняттям СК, що навчається, не враховуючи їх відмінність за призначенням, обсягом інформаційних та керуючих функцій і складом комплекса технічних засобів (КТЗ), дозволяє з єдиних методологічних і теоретичних положень розробляти теорію їх проектування у відповідності з принципами системного підходу. За ступенем інтелектуалізації СК складними процесами можна поділити так:

• системи перебору варіантів рішень згідно з встановленою пріоритетністю для наперед змодельованих ситуацій [62];

• СК, які приймають рішення за детермінованими вирішальними правилами без навчання[63-76];

• СК, що реалізують алгоритми компаративного розпізнавання за еталонами [77-80];

• експертні системи, що з метою прийняття ефективних рішень маніпулюють спеціальними знаннями, накопиченими фахівцями-експертами у конкретно-предметній області знань [81 – 85];

• СК, що навчаються [86-95];

• знання-орієнтовані (knowledge-based) СК, що здатні утворювати базу знань [96-99];

Здатні навчатися СК можна поділити на такі основні класи:

• СК, що розв’язують задачу розпізнавання образів за апріорно класифікованою навчальною матрицею (навчання з “учителем”) [63-68];

• СК, що реалізують алгоритми факторного класифікаційного аналізу [67-69];

• СК, що реалізують алгоритми кластер-аналізу при незмінному словнику ознак і за апріорно некласифікованими навчальними матрицями, тобто за умови неповної апріорної інформації про функціональний стан системи (навчання без “учителя”) [90, 93, 100];

• СК, що самонавчаються, які реалізують так само алгоритми автоматичної класифікації за апріорно некласифікованими навчальними матрицями, але здатні оптимізувати параметри словника ознак розпізнавання [90,93,101];

• відмовостійкі СК, що здатні самостійно діагностувати свій функціональний стан і відновлювати свою функціональну спроможність при виникненні відмов [102,103];

• адаптивні СК, що здійснюють класифікаційне самонастроювання та самоорганізацію системи [78,104,105];

• томографічні СК, що відновлюють щільність перерізу об’єкту за його проекціями [68,106,107];

• СК, що вирішують проблему шкалювання, яка полягає в побудові для шкал з різними мірами виміру зведеної шкали, координати якої можуть бути обернено відображені на відповідні вихідні шкали [69,108];

• сенсорні СК, що моделюють чуттєві функції людини і КТЗ яких базується на “образному” комп’ютері, наділеному властивостями “технічного зору” [67,76,78], усномовного розпізнавання [109,110], розпізнавання пахощів [111] та інше;

• гібридні СК, які поєднують різні алгоритми та методи автоматичної класифікації [112-114].

До знання-орієнтованих СК за сучасною класифікацією відносяться:

• системи, що ґрунтуються на інструктивних знаннях (rulebased reasoning);

• системи, що ґрунтуються на автоматичному доведенні теорем (automatic theorem-proving techniques);

• системи, що ґрунтуються на автоматичному породженні гіпотез (automatic hypothesizing);

• системи, що ґрунтуються на доведенні за аналогією (analogical reasoning);

• об’єктно-орієнтовані інтелектуальні системи (object-oriented intelligent systems);

• об’єктно-логічні інтелектуальні системи, що поєднують окремі переваги об’єктно-орієнтованих систем з системами автоматичного доведення теорем і використовують об’єктно-логічні мови, фреймові логіки (F-logics), логіки транзакції (transaction logics) та інше.

Зрозуміло, що наведена класифікація не є досить повною, оскільки відбувається неперервне розширення номенклатури інтелектуальних СК як за призначенням, так і за принципами функціонування. Наприклад, багато авторів [96,97,116] поділяють точку зору, що одним із ефективних класів знання-орієнтованих систем є системи автоматичної класифікації, а серед них найбільш ефективними є саме системи, що здатні навчатися (самонавчатися).

У теперішній час можна виділити такі основні підходи до розробки методів автоматичної класифікації:

• алгебраїчний [117];

• теоретико-статистичний [117-129];

• геометричний [63,66,67];

• структурний (лінгвістичний) [130-136];

• біонічний (нейромережний) [137-150;

• мережний [151-153];

• нечіткий [154-160];

• теоретико-ігровий [161,162].

Незважаючи на те, що наведені підходи відрізняються один від одного рівнем і видом математичної формалізації слабо формалізованих процесів машинного навчання та прийняття рішень, між ними не існує чіткої межі, а самі підходи часто доповнюють один одного. Так, суть теоретико-статистичних методів навчання полягає в знаходженні роздільної функції, спосіб побудови якої в рамках геометричного підходу задає спосіб розбиття простору на класи розпізнавання. У нейромережних СК задача визначення в процесі навчання, наприклад, оптимальних в інформаційному розумінні радіусів для карт Кохонена [140,146], так само робить перспективним поєднання цього підходу з геометричним. Оскільки всі основні підходи в теорії автоматичної класифікації, окрім алгебраїчного, перетинаються з геометричним, то саме в рамках геометричного підходу формування загальної теорії високоефективного навчання комп’ютерізованих СК є найбільш виправданим.

Далі в дисертаційній роботі як об’єкт дослідження будуть розглядатися слабо формалізовані процеси автоматичної класифікації в СК, що навчається, тільки в рамках геометричного підходу. При цьому розуміється, що клас СК, що навчаються, поширюється і на здатні самонавчатися системи, оскільки процес самонавчання можна розглядати як навчання за некласифікованою навчальною матрицею за умови оптимізації відповідних параметрів словника ознак розпізнавання.