Содержание к диссертации
Введение
1. Обработка слабо формализованной информации 18
1.1. Методы, алгоритмы и системы обработки информации 18
1.1.1. Экспертные системы 21
1.1.2. Эвристические методы . 22
1.1.3. Приближенные множества . 23
1.1.4. Нечеткие множества . 23
1.1.5. Нейронные сети . 26
1.1.6. Эволюционные алгоритмы . 27
1.1.7. Методы группирования данных 32
1.1.8. Нейро-нечеткие структуры 32
1.1.9. Эластичные нейро-сетевые системы . 33
1.2. Слабо формализованная информация. 33
1.3. Система совместной обработки слабо формализованной информации . 36
1.4. Выводы 38
2. Модели обработки слабо формализованной информации, поступающей от технических систем 40
2.1. Технические системы 40
2.2. Идеология построения обобщенного алгоритма обработки слабо формализованной информации 42
2.3. Распознавание и классификация поступающей слабо формализованной информации 46
2.4. Модели обработки слабо формализованной информации 50 2.4.1. Обработка видеоинформации . 50
2.4.2. Обработка аудиоинформации . 54
2.4.3. Обработка информации поступающей от тактильных датчиков... 58
2.4.4. Обработка информации поступающей от ионных датчиков . 60
2.4.5. Сочетания различных вариантов . 61
2.4.6. Объекты, изменяющиеся в нескольких классах 61
2.4.7. Сравнение с живыми системами 62
2.5. Оценивание работоспособности системы 64
2.5.1. Вероятностный алгоритм оценивания работоспособности системы наблюдения 64
2.5.2. Проверка работоспособности системы наблюдения 76
2.6. Алгоритмы оценивания характеристик поступающей слабо формализованной информации 77
2.6.1. Оценивание достоверности поступающей слабо формализованной информации 77
2.6.2.Оценивание безопасности поступающей слабо формализованной информации 78
2.6.3. Установление связей между вновь полученной слабо формализованной информацией и ранее полученной, находящейся в хранилище, информацией 79
2.6.4. Оценивание вероятности, с которой можно доверять вновь полученной слабо формализованной информации 81
2.7. Выводы 81
3. Алгоритмы обработки слабо формализованной информации 83
3.1. Алгоритмы поддержки принятия решений 83
3.1.1. Алгоритмы поддержки принятия решений в классах,
выявленных после классификации слабо формализованной информации 83
3.1.2. Оценивание числа связей, подтверждающих правильность принятого решения 87
3.1.3. Выработка устойчивой реакции на поступающую слабо формализованную информацию 88
3.1.4. Обобщенная поддержка принятия решений 88
3.2. Коррекция связей в хранилище и генерация новой информации 88
3.3. Обобщенный алгоритм обработки слабо формализованной информации 95
3.4. Выводы . 99
4. Экспериментальное оценивание полученных результатов . 100
4.1. Использование системы обработки слабо формализованной информации . 100
4.1.1. Динамическое равновесие длинного стержня . 100
4.1.2. Безопасное движение автотранспорта 104
4.1.3. Регулирование неравновесной реакции . 104
4.2. Выводы 107
Заключение 108
Литература
- Приближенные множества
- Идеология построения обобщенного алгоритма обработки слабо формализованной информации
- Установление связей между вновь полученной слабо формализованной информацией и ранее полученной, находящейся в хранилище, информацией
- Безопасное движение автотранспорта
Приближенные множества
В основе представления знаний с помощью семантических сетей лежит идея использования ориентированного графа, вершины которого – понятия, а дуги – отношения между ними.
Представление знаний с помощью фреймов (абстрактных образов для представления стереотипа восприятия) было предложено Минским в 1979 г. В качестве фреймов могут быть объекты, понятия, роли, сценарии, ситуации и т.д.
Искусственные нейронные сети были разработаны на основе исследований биологических нейронов, и первая математическая модель нейрона была создана в 1943 г. МакКаллоком и Питсом [92]. На основе этой модели были разработаны различные нейронные сети.
В основе модели представления знаний на основе нечеткого множества лежит понятие нечеткого множества, с помощью которого можно определить многозначные и неточные понятия, которые часто используются в повседневной жизни, например, много денег, молодая женщина, высокая температура и др. [11, 30, 45]. Наряду с нечетким множеством вводятся понятия неточного суждения, нечеткого отношения, нечеткого утверждения, нечеткой логики, нечеткого вывода, т.е. вывода на основе нечетких суждений, и др.
Формальные логические модели основаны на исчислении предикатов первого порядка [22]. В начале ХХI века быстро стали развиваться интеллектуальные технологии и интеллектуальные вычисления, под которыми понимают решение различных задач искусственного интеллекта с помощью компьютеров, осуществляющих вычислительные операции. Интеллектуальные вычисления связаны с использованием следующих технологий: нейронные сети [129], нечеткая логика [11, 45, 128], эволюционные алгоритмы [66], приближенные множества [103, 104], неопределенные переменные [53], вероятностные методы [46, 100], а также их различные комбинации, т.е. гибридные технологии [30, 83].
В последние годы обработка слабо формализованной информации, поступающей от технических систем, с целью поддержки принятия решений, осуществляется различными способами, в частности, разрабатываются детерминистские и вероятностные методы извлечения и обработки информации, экспертные системы и системы поддержки принятия решений [2, 3, 6 8, 17, 22-26, 28, 29, 31-38, 40, 43, 44, 73]. Каждый из подходов имеет свои преимущества и недостатки. Рассмотрим основные подходы, используемые при решении задач обработки информации, представлении знаний и поддержки принятия решений.
В последние десятилетия в различных областях деятельности широко используются экспертные системы. Под экспертной системой обычно понимают компьютерную программу, применяющей знания и процедуры вывода для решения задач, требующих обращения к эксперту (человеку, обладающему знаниями и опытом в некоторой области деятельности). Обычно экспертные системы накапливают в базе знаний опыт и знания эксперта и на их основе генерируются решения в соответствующей области знания. Одной из первых экспертных систем была программа DENGRAL, которая была разработана в 1960-х годах в Стенфордском университете и которая позволяла подсчитывать все возможные конфигурации заранее заданного набора атомов согласно законам химии, полученным экспериментально. В последующие годы были разработаны другие экспертные системы в различных областях знания. В частности, в геологии (система PROSPECTOR – для определения типа пробы грунта и поиска месторождений полезных ископаемых), в медицине (система MYCIN – для определения инфекционных заболеваний, NEOMYCIN – для обучения врачей) и др. В этих экспертных системах и других были заложены и реализованы основные принципы построения экспертных систем, а так же баз знаний, правил вывода и интерфейсов пользователя. В последние годы появилось большое количество скелетных экспертных систем, которые представляют собой программы с пустой базой знаний и специальными редакторами, позволяющими записывать в базу знаний правила решения задач, которые нужно решать с помощью разрабатываемой экспертной системы. [26, 30].
1.1.2. Эвристические методы.
Широко используются эвристические методы и поисковые стратегии в различных областях знания, в частности, в медицине, экономике, при поиске полезных ископаемых и др. Эвристические методы решения задач – это методы, позволяющие решать задачи путем эксперимента, методом проб и ошибок, по аналогии и пр. Эвристические методы используются обычно там, где требуются большие объемы вычислений. Часто из эвристических соображений можно исключить большое количество вариантов из рассматриваемой совокупности вариантов. Это приводит к сокращению числа вариантов перебора и ускорению получения окончательного решения. Эвристические подходы широко применяются в экспертных системах, системах поддержки принятия решений, исследовании операций и др. [26, 30].
Идеология построения обобщенного алгоритма обработки слабо формализованной информации
Объединение нейронных сетей и нечетких систем привело к нейро-нечетким структурам. Они применяются для решения задач классификации, аппроксимации и прогнозирования. Обычно выделяют системы типа Мамдани, Такаги-Сугено и логического типа [30, 60, 109]. Проектирование нейро-нечетких сетей отражено в [68, 90, 95, 96, 97, 114, 119, 120]. Подходы объединения теории приближенных множеств и нейро-нечетких структур нашли отражение в публикациях [98, 99], объединения теории нечетких множеств и нейро-нечетких структур – в [114]. Методы обучения нейро-нечетких структур рассматриваются в [105], критерии оценивания моделей - в [30]. В литературе так же нашли отражение методы вывода в нейро-нечетких структурах, в частности, предложена схема Такаги-Сугено, в которой заключения правил вывода не имеют нечеткого характера, а являются функциями входных переменных. Особенностью всех структур является то, что можно вводить веса, которые отражают важность как конкретных лингвистических значений в суждениях нечетких правил, так и весов, отражающих важность правил в целом. Рассматриваются алгоритмы обучения всех структур и проектирование нейро-нечетких систем. Задача проектирования нейро-нечетких систем, характеризуется компромиссом между погрешностью функционирования системы и количеством параметров, описывающих эту систему. [11, 30, 45].
Эластичные нейро-нечеткие системы используются при решении задач аппроксимации и идентификации. При решении задач классификации эластичная система в результате обучения становится системой логического типа. Были разработаны различные подходы, в частности, концепция мягких треугольных норм и параметризованные треугольные нормы [30, 91]. В последние годы получили развитие эластичные нейро-нечеткие структуры, особенностью которых является возможность выбора способа вывода (типа Мамдани) при обучении. Это возможно благодаря переключательным треугольным нормам. Для построения нейро-нечетких систем используются: мягкие треугольные нормы, параметризованные треугольные нормы и веса, характеризующие важность конкретных правил и суждений из этих правил [30].
В настоящее время в связи с развитием техники и средств связи используется большое количество технических систем, с которых осуществляется сбор разнообразной информации с помощью различных датчиков. Информация, поступающая от технических систем, весьма разнообразна. Это могут быть видеокамеры (аналоги зрения), датчики звука и ультразвука (аналоги слуха), тактильные датчики (аналоги осязания), датчики, регистрирующие ионы (аналоги вкуса и запаха), температуру, давление, вибрацию, направление силы тяжести, движения и пр. Количество таких датчиков, установленных на технической системе, может измеряться сотнями и тысячами. Совокупность объединенных датчиков можно рассматривать, как часть некоторой системы (системы наблюдения), с помощью которой осуществляется наблюдение за некоторой технической системой (машиной, станком, самолетом и др.). Поступающая информация часто содержит искажения, помехи, шумы.
Согласно [5] формализация это процесс представления информации об объектах и процессах в формализованном виде, т.е. в некоторой форме. В автоматизированных информационных системах вид формализации задается технологическими инструкциями и другими средствами, например, рабочими листами. Под формализацией также понимают метод исследования, основанный на использовании формализованных математических, логических и других систем, в которых вместо естественного языка используется язык специальных символов, чаще всего, математических. Формализация данных - выбор, разработка и/или реализация заполнения форм входных документов для ввода данных в систему. Наиболее часто формами входных документов в информационных и библиотечных системах являются анкетная и табличная [5]. В нашем случае, под слабо формализованной информацией понимаем информацию, которая представлена (поступает от технических систем) в разнообразном виде (непрерывном, дискретном) с различных датчиков, например, видео, аудио, температурных, ионных, давления, скорости и т.д. Для того чтобы из слабо формализованной информации получить формализованную, можно, например, непрерывную информацию представить в виде дискретной, путем записывания в таблицу данных через фиксированные промежутки времени, а дискретную информацию, снимаемую с различных датчиков, можно записывать в таблицу в одинаковом формате. К сожалению, это не всегда можно осуществить достаточно быстро, с целью поддержки принятия решений в реальном времени.
Обработка такой слабо формализованной информации, с целью подготовки принятия решений, осуществляется различными способами, в частности, разрабатываются детерминистские и вероятностные методы извлечения и обработки информации, экспертные системы и системы поддержки принятия решений. Каждый из подходов имеет свои преимущества и недостатки. Однако, системы, которые позволяли бы это делать удовлетворительно, до сих пор не созданы. Сложность решения этой проблемы состоит в том, что с развитием техники и средств связи объем слабо формализованной информации, поступающей от технических систем, с одной стороны, существенно возрастает (количество различных датчиков измеряется тысячами), а с другой стороны, интервалы времени, в течение которых нужно принимать правильные решения, резко сокращаются. Таким образом, разработка моделей и алгоритмов обработки слабо формализованной информации, поступающей от технических систем, с целью поддержки принятия решений, актуальна.
Установление связей между вновь полученной слабо формализованной информацией и ранее полученной, находящейся в хранилище, информацией
Слабо формализованная информация, поступающая от технических систем, весьма разнообразна и регистрируется различными приборами. Это могут быть видеокамеры (аналоги зрения), датчики звука (аналоги слуха), тактильные датчики (аналоги осязания), датчики, регистрирующие ионы (аналоги вкуса и запаха), вибрацию, температуру, рельеф поверхности, направление движения, силу тяжести и пр. Количество таких датчиков, установленных на технической системе или расположенных на некотором расстоянии от нее, может измеряться сотнями и тысячами. Совокупность объединенных определенным образом датчиков можно рассматривать, как часть некоторой системы наблюдения, с помощью которой осуществляется наблюдение за некоторой технической системой (объектом наблюдения).
Поступающую слабо формализованную информацию можно распознавать по типу датчиков, с которых она поступает, в частности, с видеокамер, с датчиков звука, температуры, давления, вибрации, ионных датчиков и т.д.
Классифицировать датчики можно по основным органам чувств (зрение, слух, осязание, вкус, обоняние и др.). При необходимости количество классов можно уменьшить (в случае не использования каких-либо датчиков из перечисленных основных классов) или увеличить, например, добавив датчики направления силы тяжести, движения и др. - зрение, слух, осязание, вкус и обоняние. Таким образом, имеем 15 вариантов, т.е. число классов N = 15, на которые можно классифицировать, в первом приближении, поступающую слабо формализованную информацию. На начальном этапе можно использовать либо обучающую выборку, либо случайным образом сгенерированное распределение поступающей слабо формализованной информации между классами с помощью последовательности псевдослучайных чисел.
В случае использования обучающей выборки, например, состоящей из М элементов, считается известным, к какому из N классов принадлежит каждый из М элементов.
В случае отсутствия обучающей выборки, используется последовательность x0, x1, …… псевдослучайных чисел равномерно распределенных на промежутке от 0 до 1. В этом случае отрезок [0,1] делим на N одинаковых интервалов: и поступающая информация случайным образом распределяется между N классами с помощью генератора псевдослучайных чисел. Для генерации последовательности псевдослучайных чисел можно использовать, например, функцию
Поскольку поступающая слабо формализованная информация может быть довольно большого объема, то предполагается, что поступающая информация разбивается на некоторые фрагменты (части), каждый из которых обрабатывается по определенному алгоритму. Считаем, что если для некоторого / (1 г М) xt принадлежит некоторому интервалу , то поступивший / - ый фрагмент информации относится к j - му классу.
Слабо формализованная информация, поступающая в каждый из классов, подвергается своей, присущей данному классу, обработке по определенному алгоритму. Возможны два варианта. Во-первых, объекты наблюдения, которые изменяются в пределах одного какого-либо класса. Во-вторых, объекты, которые с течением времени переходят из одного класса наблюдения в другой. Сначала рассмотрим объекты, которые изменяются в пределах одного какого-либо класса, а затем - в нескольких.
Предложены модели обработки видео- , аудио- и тактильной слабо формализованной информации, а также слабо формализованной информации, поступающей от ионных датчиков (аналоги зрения, слуха, осязания, вкуса и обоняния в живых системах).
Видеоинформация определяется показателями: угловые размеры объекта наблюдения, расстояние до объекта, цвет объекта, освещенность объекта, наличие изображения на объекте и др. В зависимости от конкретной задачи, количество критериев может быть легко увеличено или уменьшено. Объект наблюдения, в первом приближении, характеризуется следующими показателями первого порядка: В1 - угловой размер объекта наблюдения (например, максимальный угловой размер объекта), В2 - расстояние от датчика видео-наблюдения до объекта наблюдения, ВЗ - освещенность объекта наблюдения, В4 - цвет объекта наблюдения, В5 - наличие изображения на объекте наблюдения (например, номер на номерном знаке машины), В6 - угол между лучом зрения от видео-датчика и плоскостью объекта наблюдения (например, номер машины, который может наблюдаться под разными углами зрения), В7 - прозрачность воздуха (например, наличие или отсутствие тумана, дождя, снега, которые понижают прозрачность воздуха) и др.
Нормированное значение расстояния от датчика видео-наблюдения до объекта наблюдения (B2N) определяется путем деления расстояния от датчика видео-наблюдения до объекта наблюдения (В2) на максимальное значение этого расстояния в данной конкретной задаче (В2max):
Безопасное движение автотранспорта
Если число связей второго порядка больше или равно двум (например, между точками А и В (сплошные линии)), то считаем, что точки А и В связаны непосредственно (уровень связности между точками А и В больше или равен 2, т.е. CAB 2, пунктирная линия). Информацию о том, что информация с номером It и информация с номером Ij связаны, можно рассматривать, как новую информацию с номером h и направить ее на вход в систему (Рис. 2.1) с целью анализа информации и т.д.
Это означает, что, если информация с номером It определяется показателями іь і2, ..., in, а информация с номером 7,- - показателями/?, , представляющими собой объединение показателей, которыми определяется информация с номерами Ii и Ij. Это означает, что свертка в дальнейшем делается по показателям/if i2, .... iu, ji,J2, -Jji В некоторых случаях можно между информацией с номером It и информацией с номером 7,- ввести отношение порядка, т.е. определить какая из них предшествующая, а какая последующая или какая из какой следует.
Это можно сделать следующим образом. Если информация с номером It определяется показателями іь і2, ..., іц, а информация с номером Ij - показателями , j2, ..., jji, и если все показатели ih i2, ..., іц характеризуются более ранними временными характеристиками, чем все показатели jh j2, ..., jji, то информация с номером It предшествует информации с номером Ij . Однако, это не позволяет сделать заключение о том, что информация с номером Ij следует из информации с номером 1и или наоборот.
Для того, чтобы информация с номером 1, определяемая показателями ih i2, ..., іц, следовала из информации с номером Ij, определяемой показателямиyify2, -, jji, нужно, чтобы информация с номером It уже содержалась в информации с номером Ij, т.е. {іі, і2, ..., in} с { jhj2, ..., jjh} Это означает, что в информации с номером Ij уже содержится информация с номером It и, поэтому, из Ij можно получить If, т.е. Ii следует из Ij.
Пусть дан фрагмент информации с номером Ih определяемый показателями ih i2, ..., ik. Тогда из этого фрагмента информации следуют фрагменты информации, каждый из которых определяется некоторым подмножеством множества {І], i2, ..., ik}, т.е.
На рисунке 3.2. приведена схема сети связности для фрагментов информации с номерами і-123 (определяется показателями ц, і2 , /Д i-12 (определяется показателями ц, i2\ i-13 (определяется показателями U , із), і-23 (определяется показателями і2 , і з), і-1 (определяется показателем /Д і-2 (определяется показателем /2), i-3 (определяется показателем і3). Стрелками обозначены отношения порядка (следования).
Таким образом, на основании выше изложенного, последовательность обработки информации в обобщенном алгоритме обработки слабо формализованной информации включает следующие этапы (Рис. 2.1). Этап 1. Информация, поступающая от технической системы через совокупность различных датчиков, собирается в модуле «сбор информации». Этап 2. Информация поступает из модуля «сбор информации» в модуль «распознавание информации», где осуществляется ее распознавание, т.е. разделение на аудио- и видеоинформацию, тактильную информацию и другие виды информации. К особенностям информации при ее распознавании можно отнести то, что часто информация о наблюдаемом объекте не одного вида, а нескольких видов, т.е., например, объект можно наблюдать в видео- и аудио-диапазоне. В модуле «распознавание информации» определяются виды информации, в которых проявляет себя объект наблюдения (техническая система).
Этап 3. Из модуля «распознавание информации» информация поступает в модуль «классификация информации», где осуществляется ее классификация на n классов К1,… Кi,…..,Кn. Значение n определяется конкретной задачей. Каждый из классов включает либо один вид информации (зрение, слух, осязание, вкус и обоняние), либо их какую-либо комбинацию по два, по три и т.д. Количество видов информации при желании может быть уменьшено или увеличено. Параметры (количество классов и их разнообразие) в модуле «классификация информации» изменяются в процессе работы технической системы (наблюдения за каким-либо объектом), т.е. это самообучающаяся система. На начальном этапе работы можно использовать либо обучающую выборку, либо случайным образом сгенерированное распределение поступающей информации между классами.
Этап 4. Информация, поступающая в каждый из n классов, подвергается в модулях «свертка информации» своей, присущей данному классу, обработке по определенному алгоритму (свертке). (Приложение 1). В итоге получается новая информация, обработанная специальным образом, присущим данному классу.
Этап 5. После свертки оценивание достоверности информации осуществляется в модулях «оценивание достоверности информации». Оценивание достоверности полученной информации проводится в каждом классе, путем сравнения ее с ранее полученной информацией (предполагается, что есть модуль «хранилище», где хранится ранее полученная информация). Если информация недостоверная (достоверность ее ниже некоторого, заранее заданного для каждого класса уровня), то осуществляется переход в модуль «распознавание информации» (Рис.2.1), где впоследствии информация подвергается повторному распознаванию, классификации и помещается в другой класс. Этап 6. В модулях «оценивание безопасности информации» осуществляется оценивание безопасности информации в каждом классе, путем сравнения ее с ранее полученной информацией. Если информация представляет собой опасность (уровень опасности ее выше некоторого, заранее заданного для каждого класса уровня), то осуществляется переход в модуль «распознавание информации» (Рис.2.1), где информация впоследствии подвергается повторному распознаванию, классификации и помещается в другой класс. Если же и при повторной классификации информация представляет собой опасность, то выдается предупреждение «Информация опасная» и далее управление системой осуществляется в ручном режиме, т.е. с участием эксперта.
Этап 7. Установление связей между вновь полученной информацией в каждом классе и ранее полученной информацией, находящейся в модуле «хранилище», осуществляется в модулях «установление связей». Если количество связей меньше некоторой, заранее заданной величины, специфичной для каждого класса, то осуществляется переход в модуль «распознавание информации» (Рис. 2.1), где информация впоследствии подвергается повторному распознаванию, классификации и помещается в другой класс.
Этап 11. В модуле «определение числа связей» осуществляется сравнение принятого решения с решениями, принятыми ранее на основе сравнения с информацией хранящейся в модуле «хранилище». Если число подтверждений меньше некоторого, заранее заданного числа, то, осуществляется переход в модуль «распознавание информации» (Рис. 2.1), где информация в дальнейшем подвергается повторному распознаванию, классификации и помещается в другой класс.
Этап 12. В модуле «выработка устойчивой реакции» осуществляется выработка устойчивой реакции на многократно поступающую информацию и ее запоминание, путем сравнения с ранее полученной информацией и хранящейся в модуле «хранилище». Если вновь полученная и проверенная информация отсутствует в модуле «хранилище», то она туда записывается. Этап 13. В модуле «генерация решений» осуществляется генерация решений.
Этап 14. Модуль «хранилище» включает в себя хранилище информации поступившей ранее. В модуле «хранилище» на основе вновь записанной информации и путем ее сравнения с ранее записанной информацией генерируется новая информация. Осуществляется проверка информации на новизну. Если информация действительно новая, то она поступает в модуль «сбор информации» на последующую обработку.
Предложены алгоритмы обработки слабо формализованной информации, в частности, алгоритмы поддержки принятия решений, оценивания числа связей, подтверждающих правильность принятого решения, выработки устойчивой реакции на поступающую слабо формализованную информацию, коррекции связей в хранилище и генерации новой информации. Разработан обобщенный алгоритм обработки слабо формализованной информации поступающей от технических систем. Применяя этот алгоритм для обработки слабо формализованной информации, получаем на выходе рекомендации по поддержке принятия решений. Окончательное решение принимает эксперт. В следующей главе предложено экспериментальное оценивание полученных результатов.
