2.11 Контрастер нейросети.

Рассмотрим следующий важный блок нейрокомпьютера –контрастер нейронной сети [ 110]. Его назначение – сводить число связей сети до минимально необходимого или до «разумного» минимума (степень разумности минимума определяется пользователем). Наиболее важным следствием применения процедуры контрастирования является получение логически прозрачных сетей – сетей, работу которых легко описать и понять на языке логики [37,42,43].

Упрощение (контрастирование) нейронной сети строится как последовательный процесс исключения из сети наименее значимого элемента и дальнейшего подучивания сети. Если после шага упрощения невозможно доучивание сети до требуемой точности, то возвращаемся к сети, полученной на предыдущем шаге, и завершаем процесс упрощения. Из анализа литературы [41,42,110] можно сформулировать следующие задачи, решаемые с помощью контрастирования нейронных сетей.

Упрощение архитектуры нейронной сети.

Уменьшение числа входных сигналов.

Сведение параметров нейронной сети к небольшому набору выделенных значений.

Получение явных знаний из данных.

Процессы контрастирования работают как при проектировании информационных систем, так и при эксплуатации в процессе доучивания интеллектуальных блоков. При работающих информационных системах данную функцию желательно выполнять при периодическом запуске процедур обучения сетей в автоматическом режиме.

Уменьшение числа входных сигналов. При постановке задачи для нейронной сети не всегда удается точно определить, сколько и каких входных данных нужно подавать на вход. В случае недостатка данных сеть не сможет обучиться решению задачи. Однако, гораздо чаще на вход сети подается избыточный набор входных параметров. Например, в задачах диагностики состояния хозяйствующего субъекта, часто исследуется на первых этапах значительно большее число показателей, чем это необходимо. Затем, при помощи методов факторного анализа выбираются наиболее существенные. Однако, следует отметить, что использование данных методов требует от менеджера достаточной математической подготовки. При использовании нейронных сетей этот процесс можно в максимальной степени автоматизировать и сделать незаметным для конечного пользователя. Поэтому методы определения значимости входных параметров имеют важное значение в экономических информационных системах. Алгоритмы определения значимости входных сигналов приведены в работах [37,41].

2.12 Логически прозрачные сети, получение явных знаний

Одним из основных недостатков нейронных сетей, с точки зрения многих пользователей, является то, что из обученной нейронной сети нельзя извлечь алгоритм решения задачи. Таким образом, нейронные сети позволяют получать неявные знания из данных. Однако, в 1995 году была сформулирована идея логически прозрачных сетей, то есть сетей, на основе структуры которых можно построить вербальное описание алгоритма получения ответа [42,111]. Это достигается при помощи специальным образом построенной процедуры контрастирования. Алгоритмы формирования логически прозрачных сетей представлены в работах [42,111,113]. После получения логически прозрачной нейронной сети наступает этап построения вербального описания (формирования явных знаний). Принцип построения вербального описания представлен в работе [111].