Студопедия.Орг Главная | Случайная страница | Контакты | Мы поможем в написании вашей работы!  
 

Самообучающиеся системы



Искусственная нейронная сеть (ИНС, нейронная сеть) - набор нейронов, соединенных между собой. Некоторые входы нейронов помечены как внешние входы нейронной сети, а некоторые выходы - как внешние выходы нейронной сети. Подавая любые числа на входы нейронной сети, мы получаем какой-то набор чисел на выходах нейронной сети. Таким образом, работа нейронной сети состоит в преобразовании входного вектора в выходной вектор (рис. 11). Однако преобразование основано не на

Рисунок 11. Формирование нейронной сети.

Пусть стоит задача по 9 параметрам, описывающим лицо, определить пол (человек может приклеить усы или надеть парик). Для этого можно использовать нейронную сеть с 9 входами и 2 выходами (м, ж).

Теперь сеть нужно обучить. Берем некую выборку из базы фотографий, вводим параметры на вход и получаем ответ (возможно, неверный). Вычисляем ошибку и вводим это значение в программу. На основе этой информации нейронная сеть изменит способ преобразования. После многократного предъявления фотографий ошибка будет равна нулю или близка к нулю. Нейронная сеть обучена.

Если теперь ввести параметры произвольной фотографии (например, загримированного человека), можно ожидать верный ответ.

Важно отметить, что вся информация, которую нейронная сеть имеет о задаче, содержится в наборе примеров. Поэтому качество обучения нейронной сети напрямую зависит от количества примеров в обучающей выборке, а также от того, насколько полно эти примеры описывают данную задачу. Если предъявлять ей фотографии одного и того же человека, скорее всего, она не сумеет определять пол других людей.

Нейронные сети хорошо решают задачи кластеризации, разделяя набор данных на подгруппы со сходными свойствами. Так, например, можно выявить «группы риска» среди автомобилистов или налогоплательщиков.

Нейронные сети также применяют в задачах распознавания образов:

Распознавание речи, идентификация подписи, графологическая экспертиза.

4. Системы обработки прецедентов (CBR – Case-Base Reasoning)

Не всегда от ИС ждут конкретный ответ. В некоторых случаях важнее узнать способ достижения цели. В этом случае используют свой или чужой опыт поведения в сходной ситуации – прецеденте.

Предположим, студент не готов к экзамену. Если обратится к ЭС, она скажет, что он получит «2» с вероятностью 90%. Но цель студента, как не получить «2». Знакомые могут предложить ему аналогичные прецеденты:

а) «заболтать» преподавателя,

б) списать у соседа,

в) списать с учебника,

г) получить подсказку через мобильный телефон,

д) послать сдавать брата.

Важной проблемой CBR (буквально, является проблема выбора подходящего прецедента. Естественно искать подходящий прецедент в той области пространства поиска, где находятся решения сходных проблем, однако понятие «сходный» зависит от постановки задачи. Тут встает задача, какой из прецедентов больше похож на его случай. Скажем, (б) и (в) не подходит, если у студента плохое зрение. А (д) – если у преподавателя хорошая память.

Иногда гораздо более результативным будет нестандартный прием, применимый обычно в другой предметной области.

Второй проблемой является метод представления результата пользователю: словесное описание, графическое или др. Пользователь должен легко и быстро понять, что ему предлагает система, иметь возможность уточнить какие-то моменты или проконтролировать себя, так ли он понял.





Дата публикования: 2014-11-03; Прочитано: 344 | Нарушение авторского права страницы | Мы поможем в написании вашей работы!



studopedia.org - Студопедия.Орг - 2014-2024 год. Студопедия не является автором материалов, которые размещены. Но предоставляет возможность бесплатного использования (0.005 с)...