О ВОЗМОЖНОСТЯХ ПОСТРОЕНИЯ ГИБРИДНЫХ СИСТЕМ ПРИНЯТИЯ РЕШЕНИЙ НА ОСНОВЕ СИНТЕЗА МЕТОДОЛОГИЙ РБП И НЕЙРОСЕТЕЙ

О возможностях построения гибридных систем принятия решений на основе синтеза методологий РБП и нейросетей

А.Е. Соколов

Санкт-Петербургский государственный электротехнический университет “ЛЭТИ”

Abstract – The posibility of the development of the new class of the Decision Support System (DSS) on the basic Regularizing Bayesian Approach and NeuroNets Metodologies Combination are considered.

Вокруг проблемы искусственного интеллекта ведётся много споров уже много лет. Эта проблема волнует людей с самого начала изобретения компьютерной техники. О степени интереса к этой за даче можно судить по тому, что этот вопрос поднимается не только людьми, которые напрямую связаны с информационными технологиями, кибернетикой и математикой, но и философами, а также людьми, которые, казалось бы, не имеют ничего общего с данной проблемой (в частности, ни для кого уже не новы художественные фильмы, где информационные системы обладают не просто разумом, но и его уровень сравним с человеческим).

Что же такое интеллект. “Интеллект (от латинского intellectus – познание, понимание, р ассудок), способность мышления, рационального познания”. Мышление же “позволяет получать знание о таких объектах, свойствах и отношениях реального мир а, которые не могут быть непосредственно восприняты на чувственной ступени познания”. Следовательно, одной из характеристик интеллекта является способность принимать логические (а иногда и не очень логи ческие) решения. В настоящее время уже существуют, успешно работают и пользуются большим спросом системы принятия решений на базе различных информационных технологий, и если пока что ещё нельзя говорить о создании искусственного интеллекта, то, во всяком случае, первый шаг в этом направлении уже сделан.

Системы принятия решений должны не только на основе каких-либо данных делать выводы, но и накапливать информацию, полученную ранее (так называемая априорная информация), и на её основе обучаться. Это позволяет подобным системам как бы накапливать опыт, проходить путь от “наивного младенчества к мудрой старости”. И если в начале работы подобные системы будут допускать множество ошибо к, то со временем их (системы) будет довольно трудно сбить с правильного пути. Системы принятия решений можно создать на основе регуляризирующего байе совского подхода, а также на базе нейронных сетей и нейронного программирования.

Алгоритм объединения априорной информации с новой информацией можно рассмотреть на основе регуляризирующего байесовского подхода применительно к метрическим шкалам. Формула Байеса для метрической шкалы имеет вид:

h_k I H_K некоторое множество решений с определёнными вероятностями их появления;

P^а(h_k) - априорная вероятность выполнения решения h_k;

P(h_k) - апостериорная вероятность выполнения решения h_k;

P^Т(h_k) - текущая вероятность выполнения решения h_k.

Динамику изменения вероятности выполнения гипотез в зависимости от вновь поступивших данных можно увидеть на трёх нижеприведённых рисунках:

Рис. 1 Множество проверяемых гипотез с нормальным законом распределния плотности вероятности.

Рис. 2 Значения априорных вероятностей для проверяемых гипотез.

Рис. 3 Значения апостериорных вероятностей после получения и обработки новой информации.

Немаловажным положительным фактором систем принятия решений является и то, что они способны работать в условиях недостаточности информации, в статистике, например, с выборками малого объёма. Это особенно важно в условиях, когда для получения опытной выборки необходимо затратить большие материальные средства, например, на машиностроительных заводах.

Большим плюсом как регуляризирующего байесовского подхода, так и нейронных сетей является то, что они могут работать не только с числовой, но и лингвистической информацией, то есть существует возможность не сбрасывать со счетов высказы вания экспертов, которые зачастую основываются только на большом практическом опыте. Появляется также возможность параллельно работать с различными характеристиками объекта, которые с математической точки зрения ничего общего между собой не имеют и иметь не могут, например, объём, площадь, цвет, запах, вкус и так далее.

Как уже говорилось выше, одной из важных особенностей нейронных сетей является то, что они могут распознавать образы, принимать решения в условиях недостающей информации. Уже здесь нейронные системы можно сравнить (хотя и с огромным допуском) с человеческим мозгом: человек, увидев только часть предмета, может узнать его, или же на основе недостаточной информации принять какое-либо р ешение. Специалисты отмечают, что нейронные системы обладают высокой надёжностью, что обуславливается незначительным влиянием отказов отдельных нейронов на результаты решения задачи.

Нейронные системы “состоят из большого числа параллельно работающих простых вычислительных элементов (нейронов). Элементы связаны м ежду собой, образуя нейронную сеть. Они выполняют единообразные вычислительные действия и не требуют внешнего управления. Большое число параллельно работающих вычислительных элементов обеспечивает высокое быстродействие”, так если количество проверяемых гипотез для решаемой задачи достаточно велико, система основанная на регуляризирующем байесовском подходе затратит достаточно большой промежуток времени на обработку новых данных, время же, требуемое на обработку этих же данных в системах, имеющих в свое й основе нейронные сети, будет сравнительно мало. Малые временные затраты являются немаловажным фактором, так как можно найти огромное количество задач, где время обработки данных играет одну из первых ролей, если не первостепенную.

К сожалению, несмотря на большое количество достоинств нейронных сетей, пока что невозможно дать математическое обоснование точности и надёжности полученных результатов. То есть, можно сказать, что нейронное программирование больше нап равлено на решение практических задач, оставляя широкое поле деятельности для теоретиков. Байесовский подход, напротив, даёт чёткое математическое обоснование полученного результата: оценки точности, достоверности и надёжности.

Как видно из краткого сравнения двух подходов к системам принятия решений, у них обоих есть как и плюсы, так и недостатки. Можно попытаться создать гибридную систему, в которой положительные стороны регуляризирующего байесовского подхо да закрывали бы минусы нейронных сетей и наоборот.

Как пример такой гибридной системы можно рассмотреть алгоритм, на основании которого классифицируется тип закона распределения плотности вероятности и выявляется из множества гипотез для данного типа закона распределения наиболее вероя тная гипотеза. Входная информация проходит через два этапа обработки:

алгоритм первичной обработки реализован на основе многослойной нейронной сети; входными параметрами являются коэффициент асимметрии выборки и коэффициент эксцесса выборки, а выходным параметром — тип закона распределения плотности вероятности, к которому относится данная выборка;

алгоритм вторичной обработки реализован на основе регуляризирующего байесовского подхода; на основании коэффициента асимметрии выборки и коэффициента эксцесса выборки, а также типа закона распределения плотности вероятности выборки (эта информация получена после первичной обработки данных) выделяется наиболее вероятная гипотеза из множества гипотез, которые содержат значения мом ентов, характеризующих данный тип плотности вероятности закона распределения.

Рис. 4 Пример реализации многослойной нейронной сети.

Таким образом, на основании значений коэффициента асимметрии выборки и коэффициента эксцесса выборки принимается решение о типе плотности вероятности закона распределения выборки и находятся наиболее вероятные значения моментов, характеризующих эту плотность распределения.

Заканчивая, можно сказать, что у систем принятия решений огромный потенциал и прекрасное будущее, они должны и, я надеюсь, будут развиваться в дальнейшем.

Site of Information Technologies
Designed by inftech@webservis.ru.