Обоснование создания нейросетевой экспертной системы

Применение нейронных сетей (НС) оправдано только при выполнении следующих условий:

· наличие универсального типа архитектуры НС и универсального алгоритма ее обучения;

· наличие предистории (фиксированного опыта);

· наличие экспертов в данной области, для подготовки которых требуется длительное время;

· наличие согласованной оценки разных экспертов;

· отсутствие четких алгоритмов решения проблемы отсутствуют.

Технология создания, обучения и эксплуатации нейронной сети применительно к задаче распознавания образов строится следующим образом:

· формируется набор обучающих образов;

· осуществляется первоначальная настройка нейронной сети – весовым коэффициентам присваиваются случайные значения;

· обучающие пары входных и выходных векторов, в определенном порядке, предъявляются нейронной сети, которая в соответствии с имеющейся матрицей весов классифицирует предъявленные образы;

· полученные результаты сравниваются с оценками экспертов. На основе этого сравнения происходит коррекция весовых коэффициентов;

· обучение продолжается до тех пор, пока результаты оценки нейронной сетью с заданной вероятностью не совпадут с эталонными оценками экспертов.

После этого нейронная сеть считается настроенной (обученной) на задачу распознавания предъявляемых образов и ее можно использовать для классификации других снимков. Имеется возможность производить последующее дообучение нейронной сети в процессе ее эксплуатации.

Существует большое количество областей, где целесообразно применение нейросетевых экспертных систем. Но процесс создания и обучения экспертной системы на нейронной сети является сложной задачей, решение которой занимает значительное время, а иногда ее создание вообще невозможно. Следовательно, необходима модель, на которой можно попробовать различные варианты структуры нейронной сети, методов обучения, величины и состава обучающей выборки и выявить наиболее подходящий вариант.

Программные продукты, моделирующие нейронную сеть, имеют ряд недостатков. Самый главный из них – программы не предоставляют пользователю инструментов создания нейронной сети и оптимизации обучающей выборки. Размер, состав и даже порядок следования примеров в обучающей выборке значительно влияет на скорость и качество обучения нейронной сети. Оптимизация обучающей выборки позволяет сократить количество примеров в десятки раз, при этом качество обучения не ухудшается, а скорость обучения значительно возрастает.

Задача формирования выборки является достаточно сложной. Например, при создании экспертной системы на основе нейронной сети нет необходимости обучать сеть для всех наборов входных значений, так как только некоторые наборы входных данный дают максимум информации для пользователя, остальные же не несут практически никакой информации. Следовательно, требуется найти методы, позволяющие управлять наполнением обучающей выборки и минимизировать количество малоинформативных примеров. Для такой оптимизации целесообразно использовать математические методы, например кластерный и факторный анализ.

В последнее время в научной литературе все больше внимания уделяется зависимости скорости и качества обучения нейронной сети от обучающей выборки. Следовательно, необходим эффективный инструмент по созданию обучающих примеров, который позволит не только упростить формирование базы знаний нейронной сети, но и исследовать различного рода зависимости.

В некоторых пакетах нейросетевых программ имеются средства поиска оптимальной архитектуры для заданной обучающей выборки (количество слоев и количество нейронов в каждом слое, тип и параметры активационной функции и т.п.). В настоящее время наука не дает никаких однозначных указаний на то, как выбрать структуру сети. Есть два варианта.

Первый вариант: взять заведомо большее число слоев и нейронов а потом их редуцировать.

Второй вариант: постепенно наращивать количество слоев и нейронов в них, производя обучение после каждого изменения в структуре сети. Этот вариант даст наиболее оптимальную структуру нейронной сети, но займет значительное время.