- •Лекция 1 Цель преподавания дисциплины
- •Терминология
- •Философские аспекты проблемы систем ии (возможность существования, безопасность, полезность).
- •История развития систем ии.
- •Лекция 2 Различные подходы к построению систем ии
- •Вспомогательные системы нижнего уровня (распознавание образов зрительных и звуковых, идентификация, моделирование, жесткое программирование) и их место в системах ии
- •Лекция 3 Понятие образа
- •Проблема обучения распознаванию образов (оро)
- •Геометрический и структурный подходы.
- •Гипотеза компактности
- •Обучение и самообучение
- •Лекция 4: Адаптация и обучение
- •Персептроны
- •Нейронные сети История исследований в области нейронных сетей
- •Модель нейронной сети с обратным распространением ошибки (back propagation)
- •Нейронные сети: обучение без учителя
- •Нейронные сети Хопфилда и Хэмминга
- •Метод потенциальных функций
- •Метод группового учета аргументов мгуа Метод наименьших квадратов
- •Общая схема построения алгоритмов метода группового учета аргументов (мгуа)
- •Алгоритм с ковариациями и с квадратичными описаниями
- •Метод предельных упрощений (мпу)
- •Коллективы решающих правил
- •Лекция 5: Методы и алгоритмы анализа структуры многомерных данных
- •Иерархический кластерный анализ
- •Стандартизация
- •Быстрый кластерный анализ
- •Кластерный анализ
- •Иерархическое группирование
- •Лекция 6: Логический подход к построению систем ии Неформальные процедуры
- •Алгоритмические модели
- •Продукционные модели
- •Режим возвратов
- •Логический вывод
- •Зависимость продукций
- •Продукционные системы с исключениями
- •Язык Рефал
- •Лекция 7: Экспертные системы Экспертные системы, базовые понятия
- •Экспертные системы, методика построения
- •Этап идентификации
- •Этап концептуализации
- •Этап формализации
- •Этап выполнения
- •Этап тестирования
- •Этап опытной эксплуатации
- •Экспертные системы, параллельные и последовательные решения
- •Пример эс, основанной на правилах логического вывода и действующую в обратном порядке
- •Часть 1.
- •Лекция 8: Машинная эволюция Метод перебора как наиболее универсальный метод поиска решений. Методы ускорения перебора
- •Эволюция
- •Генетический алгоритм (га)
- •Как создать хромосомы?
- •Как работает генетический алгоритм?
- •Эволюционное (генетическое) программирование
- •Автоматический синтез технических решений
- •Поиск оптимальных структур
- •Алгоритм поиска глобального экстремума
- •Алгоритм конкурирующих точек
- •Алгоритм случайного поиска в подпространствах
- •Некоторые замечания относительно использования га
- •Лекция 9. Автоматизированный синтез физических принципов действия. Синтез речи Фонд физико-технических эффектов
- •Синтез физических принципов действия по заданной физической операции
- •Заключительные замечания
- •Слабосвязанный мир
- •Разделяй и властвуй
- •Синтез речи
- •Голосовой аппарат человека
- •Структура языка
- •Технология
- •Методы синтеза
- •Волновой метод кодирования
- •Параметрическое представление
- •Синтез по правилам
- •Конвертация текста в речь
- •Система преобразования текста в речь miTalk
- •Анализ текста
- •Морфологический анализ
- •Правила "буква-звук" и лексическое ударение
- •Парсинг
- •Модификация ударения и фонологические уточнения
- •Просодическая рамка
- •Синтез фонетических сегментов
- •Оценка синтетической речи
Часть 1.
Ввод данных.
Часть 2.
Просмотр данных на предмет нахождения априорной вероятности P(H). Программа вырабатывает некоторые значения массива правил и размещает их в массиве RULEVALUE. Это делается для того, чтобы определить, какие вопросы (симптомы) являются самыми важными, и выяснить, о чем спрашивать в первую очередь. Если вы вычислите для каждого вопроса RULEVALUE[I] = RULEVALUE[I] + ABS (P(H : E) – P(H : не E)), то получите значения возможных изменений вероятностей всех болезней, к которым они относятся.
Часть 3.
Программа находит самый важный вопрос и задает его. Существует ряд вариантов, что делать с ответом: вы можете просто сказать: "да" или "нет". Можете попробовать сказать "не знаю", — изменений при этом не произойдет. Гораздо сложнее использовать шкалу от –5 до +5, чтобы выразить степень уверенности в ответе.
Часть 4.
Априорные вероятности заменяются новыми значениями при получении новых подтверждающих свидетельств.
Часть 5.
Подсчитываются новые значения правил. Определяются также минимальное и максимальное значения для каждой болезни, основанные на существующих в данный момент априорных вероятностях и предположениях, что оставшиеся свидетельства будут говорить в пользу гипотезы или противоречить ей. Важно выяснить: стоит ли данную гипотезу продолжать рассматривать или нет? Гипотезы, которые не имеют смысла, просто отбрасываются. Те же из них, чьи минимальные значения выше определенного уровня, могут считаться возможными исходами. После этого возвращаемся к части 3.
Лекция 8: Машинная эволюция Метод перебора как наиболее универсальный метод поиска решений. Методы ускорения перебора
Как Вы уже знаете, существуют задачи, для которых доказано отсутствие общего алгоритма решения (например, задача о разрешимости Диофантова множества). В то же время можно сказать, что, если бы мы обладали бесконечным запасом времени и соответствующими ресурсами, то мы могли бы найти решение любой задачи. Здесь имеется в виду не конструирование нового знания на основании имеющегося (вывод новых теорем из аксиом и уже выведенных теорем), а, прежде всего, "тупой" перебор вариантов.
Еще в XVII столетии великий Лейбниц пытался раскрыть тайну "Всеобщего Искусства Изобретения". Он утверждал, что одной из двух частей этого искусства является комбинаторика — перебор постепенно усложняющихся комбинаций исходных данных. Второй частью является эвристика — свойство догадки человека. И сейчас вторая часть Искусства Изобретения все еще остается нераскрытой. На языке нашего времени эта часть — модель мышления человека, включающая в себя процессы генерации эвристик(догадок, изобретений, открытий).
Однако прежде чем перейти к рассмотрению улучшенных переборных алгоритмов (улучшенных потому, что для простого перебора у нас в запасе нет вечности), я бы отметил еще один универсальный метод ускорения перебора — быстрое отсечениеложных (или вероятно ложных, что и используется большинством алгоритмов) ветвей перебора.
Эволюция
Прежде всего, упомяну, что отнюдь не все ученые признают наличие эволюции. Многие религиозные течения (например, свидетели Иеговы) считают учение об эволюции живой природы ошибочным. Я не хочу сейчас вдаваться в полемику относительно доказательств за и против по одной простой причине. Даже если я не прав в своих взглядах, объясняя эволюционные алгоритмы как аналоги процессов, происходящих в живой природе, никто не сможет сказать, что эти алгоритмы неверны. Несмотря ни на что, они находят огромное применение в современной науке и технике и показывают подчас просто поразительные результаты.
Основные принципы эволюционной теории заложил Чарльз Дарвин в своей самой революционной работе — "Происхождение видов". Самым важным его выводом был вывод об основной направляющей силе эволюции — ею признавался естественный отбор. Другими словами — выживает сильнейший (в широком смысле этого слова). Забегая вперед, замечу, что любой эволюционныйалгоритм имеет такой шаг, как выделение самых сильных (полезных) особей. Вторым, не менее важным выводом Дарвина былвывод об изменчивости организмов. Аналогом данного закона у всех алгоритмов является шаг генерации новых экземпляров искомых объектов (решений, структур, особей, алгоритмов).
Именно отбор наилучших объектов является ключевой эвристикой всех эволюционных методов, позволяющих зачастую уменьшить время поиска решения на несколько порядков по сравнению со случайным поиском. Если попытаться выразить эту эвристику на естественном языке, то скажем: сложно получить самое лучшее решение, модифицируя плохое. Скорее всего, оно получится из нескольких лучших на данный момент.
Из основных особенностей эволюционных алгоритмов можно отметить их некоторую сложность в плане настройки основных параметров (вырождение, либо неустойчивость решения). Поэтому, экспериментируя с ними и получив не очень хорошие результаты, попробуйте не объявлять сразу алгоритм неподходящим, а попытаться опробовать его при других настройках. Данный недостаток следует из основной эвристики — можно "уничтожить" предка самого лучшего решения, если сделать селекцию слишком "жесткой" (не зря ведь биологам давно известно, что если осталось меньше десятка особей исчезающего вида, то этот вид сам по себе исчезнет из-за вырождения).
МГУА
Описанный в разделе алгоритмов распознавания образов метод группового учета аргументов так же относится к разряду эволюционных. Его можно представить как следующий цикл:
Берем самый последний слой классификаторов.
Генерируем из них по определенным правилам новый слой классификаторов (которые теперь сами становятся последним слоем).
Отбираем из них F лучших, где F — ширина отбора (селекции).
Если не выполняется условие прекращения селекции (наступление вырождения – инцухта), переходим на п. 1.
Самый лучший классификатор объявляется искомым решением задачи идентификации.
Как мы видим, налицо все признаки эволюционного алгоритма — отбор (селекция) и генерация нового поколения.