Нейронная модель представления знаний

В последние годы бурно развиваются нейронные экспертные системы. В основе их построения лежит принцип обучения нейронной сети на известных примерах с последующим тестированием по любому входному вектору.

Нейронные сети могут выступать в качестве модели представления знаний. Во-первых, это обучающая выборка, которая представляет неявную базу знаний (до обучения нейросетевой экспертной системы).

Во-вторых, это синаптическая карта, сформированная по результатам выбора оптимальной архитектуры и обучения нейронной сети. Однако при дополнении обучающей выборки требуется дообучение или переобучение нейронной сети.

Дообучение сети не требует изменения архитектуры нейронной сети, а переобучение может привести к изменению архитектуры нейронной сети.

Достоинства: не требуется разрабатывать множество продукционных правил и реализовывать механизм разрешения конфликтов. Обучающее множество можно оптимизировать по количеству примеров.

Недостатки нейросетевой модели: невозможность представления функциональной зависимости между входами и выходами обучающей выборки; трудность формирования представительской выборки; возникновение проблемы «стабильности-пластичности»; трудность определения оптимальной архитектуры нейронной сети.