Читать книгу Курс Интеллектуальные средства автоматизации. Модуль Конспект лекций и концепт-карты основных тем - Станислав Львович Горобченко - Страница 3

Рис. 1.6. Принципы построения систем управления с искусственным интеллектом

Принципы построения самообучающихся систем на основе нейронных сетей

Общие понятия о самообучающихся системах

Самообучающаяся система – это интеллектуальная информационная система, которая на основе примеров реальной практики автоматически формирует единицы знаний.

Примеры реальных ситуаций за некоторый период времени и составляют обучающую выборку. В результате обучения автоматически строятся обобщенные функции или правила. Они определяют принадлежность ситуаций классам, которыми в дальнейшем будет пользоваться система. База знаний из обобщающих правил формируется автоматически. После этого по мере накопления она периодически корректируется.

Виды самообучающихся систем

Различают следующие виды самообучающихся систем:

Индуктивные системы – это самообучающиеся интеллектуальные информационные системы, которые работают на принципе индукции. Они осуществляют классификацию примеров по значимым признакам.

Системы, основанные на прецедентах – это самообучающиеся интеллектуальные информационные системы, которые в качестве единиц знаний хранят прецеденты решений (примеры). По запросу они позволяют подбирать и адаптировать наиболее похожие прецеденты. В таких системах база знаний содержит описания не обобщенных ситуаций, а сами ситуации или прецеденты. Поиск решения проблемы сводится к поиску по аналогии.

Информационные хранилища – это самообучающиеся интеллектуальные информационные системы, которые позволяют извлекать знания из баз данных и создавать специально-организованные базы знаний.

Нейронные сети – это самообучающиеся интеллектуальные информационные системы, которые на основе обучения по реальным примерам, строят ассоциативную сеть понятий (нейронов) для параллельного поиска на ней решений.

Понятие о нейронной сети

Нейронная сеть – параллельная распределенная структура обработки информации, которая состоит из обрабатывающих информацию элементов (нейронов), соединенных между собой сигнальными каналами (связями).

Каждый нейрон имеет одну выходную связь, которая может разветвляться и соединять его с другими элементами сети. Выходной сигнал элемента может быть любой математической формы.

Рис. 1. 7. Модель нейронной сети

Структура нейросети

Внешне структура нейронной сети напоминает структуру биологической нейронной сети. Часть терминологии в данной области появилась из нейронауки, которая исследует мозг и память.

Мозг состоит из нейронов, которые являются малыми единицами обработки информации. Природный нейрон состоит из тела клетки с ядром и протоплазмой, одного или нескольких дендритов, проводящих импульсы к нейрону, и аксона, выводящего импульс из нейрона.

Рис. 1.8. Биологический нейрон

Между окончанием аксона и началом дендритов других нейронов находится пространство – синапс. Через него импульсы с аксона передаются на дендрит другого нейрона. Такую связь называют синаптической: Синапс – точка соединения, где дендриты принимают сигналы. Уникальными способностями нейрона считается прием, обработка и передача по нейронной сети электрохимических сигналов.

Импульсы через синапс способны проходить только в одном направлении. При получении импульса нейрон начинает оценивать его силу. Одни импульсы игнорируются, другие пытаются возбудить нейрон, некоторые препятствуют этому. Эффект действия всех полученных импульсов суммируется. Если суммарный эффект превышает некоторый порог, то нейрон возбуждается, выдавая импульс на выход, т.е. посылает по аксону сигнал другим нейронам.

Рис. 1.9. Синапс в нейроне

Для успешного моделирования процесса искусственный нейрон должен действовать точно так же как и биологический.

Рис. 1.10. Искусственный нейрон

В сетях нейроны группируются слоями. Входной слой состоит из нейронов, которые получают сигналы из внешней среды. Выходной слой состоит из нейронов, которые связывают выход системы с пользователем или внешней средой.

Обработка знаний в нейронной сети состоит из взаимодействия между слоями нейронов. Проектирование связей между нейронами подобно программированию системы для обработки входа и создания желаемого выхода.

Рис. 1.11. Модель нейронной сети

Проектирование нейросети

Проектирование нейронной сети состоит из следующих этапов:

– установление нейронов по слоям;

– определение связей между нейронами различных слоев, а также между нейронами внутри слоя;

– принятие решений о том, каким образом нейрон получает вход и как создает выход;

– определение силы связей внутри нейронной сети, чтобы узнать соответствующие значение весов путем использования контрольного набора данных.

Внутри одного слоя группируются нейроны одного типа, которые имеют или не имеют связи между собой. Чаще всего нейроны одного слоя не связаны между собой.

Принцип построения систем искусственного интеллекта. Современная информационная система

– Современная информационная система – это набор информационных технологий, направленных на поддержку жизненного цикла информации и включающего три основных процесса: обработку данных, управление информацией и управление знаниями.

– Интеллектуальные системы – технические или программные системы, способные решать задачи, которые считаются творческими

Система называется интеллектуальной, если в ней реализованы следующие функции:

– накапливать знания об окружающем мире, классифицировать и оценивать их с точки зрения полезности и непротиворечивости, осуществлять соотнесение новых знаний с полученными раннее;

– получать обобщенные знания на основе анализа полученных данных и логически планировать свою деятельность;

– общаться с человеком на языке максимально простом и понятном ему;

– оказывать пользователю помощь за счет знаний, которые хранятся в памяти, и логических средств рассуждений, которые имеет система

Структура интеллектуальной системы

Системы управления с искусственным интеллектом состоят из трех основных элементов:

– базы знаний,

– устройства принятия решения (решателя),

– интеллектуального интерфейса.

На рис. 1.12. в общем виде представлена структура интеллектуальной системы в виде совокупности блоков и связей между ними.

Рис.1.12. Общая структура интеллектуальной системы

Система управления интеллектуальной робототехнической системы

Перспектива использования систем искусственного интеллекта связывается с оптимизацией процесса принятия решений управленческим и оперативным персоналом АСУ ТП и энергетическими комплексами, созданием условий для их деятельности, получением возможности максимально использовать творческие возможности человека за счет минимизации рутинных операций подготовки решений.

Рис. 1.13. Структурная схема интеллектуальной робототехнической системы

Система поддержки принятия решений

СПР – компьютерная автоматизированная система, которая помогает людям принимать решение для полного и объективного анализа предметной деятельности в сложных условиях.

Одним из главных свойств интеллектуальности системы поддержки принятия решения является способность к поиску, конструированию и выводу решения, которое в готовом виде не содержится в системе.

Общая структурная схема интеллектуальной системы поддержки решений приведена на рис. 1.14.

Рис. 1.14. Структурная схема интеллектуальной СПР

Функционирование интеллектуальной СПР

Модель функционирования данной СПР можно представить в виде четырехуровневого графа, изображенного на рис. 1.15.

Первый уровень u1 – описание признаков проблемной ситуации,

Второй уровень u2 – обобщенная модель всех проблемных ситуаций,

на третьем уровне u3 представлена модель формирования гипотез о причинах возникновения проблемных ситуаций.

Четвертый уровень u4 – проверка гипотез и реализация решений, устраняющих проблемные ситуации. Каждой гипотезе уровня u3 соответствует модель уровня u4.

Рис. 1.15. Граф функционирования интеллектуальной СПР

Человеко-машинный интерфейс

– Посредники в обмене информацией между человеком и оборудованием – средства человеко-машинного интерфейса (human-machine interface, HMI), к которым относятся операторские панели.

– Автоматизированное рабочее место оператора представляет собой персональный компьютер. На рис. 1.16. изображена рабочая станция оператора системы SIMATIC PCS7 производства Siemens.

Рис. 1.16. Пример промышленной рабочей станции оператора

Классификация систем с искусственным интеллектом

Разделяют три основные вида систем с искусственным интеллектом по типу построения

– основанные на нечеткой логике

– основанные на экспертных знаниях

– основанные на нейросетях

Нечетная логика

Термин «fuzzy logic» или «нечеткая логика» означает: логическое исчисление, которое является расширением многозначной логики и основана на теории нечетких множеств

История создания систем с нечеткой логикой:

В конце 1960-х профессор Калифорнийского университета Латфи Заде предложил теорию нечеткой логики. Работа Латфи Заде «Fuzzy Sets» (нечетные множества), опубликованная в 1965 году в журнале "Information and Control" заложила основы моделирования интеллектуальной деятельности человека.

Общая структура микроконтроллера, основанного на нечеткой логике, содержит:

– Базу знаний;

– Блок фаззификации (преобразует четкие величины, измеренные на выходе объекта управления, в нечеткие величины, которые описаны лингвистическими переменными в базе знаний);

– Блок решений (использует нечеткие условные правила, заложенные в базу знаний, для преобразования нечетких входных данных в необходимые управляющие влияния, которые также носят нечеткий характер);

– Блок дефаззификации (превращает нечеткие данные с выхода блока решений в величину, которая используется для управления объектом).

Рис.1.17. Структура микроконтроллера с нечеткой логикой

В качестве примера известных микроконтроллеров, использующих нечеткую логику, можно назвать 68HC11, 68HC12 фирмы Motorola (представлен на рисунке), MCS-96 фирмы Intel и другие.

Рис.1.18. Микроконтроллер с нечеткой логикой MCS-96

Преимущества применения ИИ

– возможность оперировать нечеткими входными данными;

– возможность нечеткой формализации критериев оценки и сравнения: оперирование критериями "большинство", "возможно", преимущественно" и т.д.;

– возможность проведения качественных оценок входных данных и выходных результатов;

– возможность проведения быстрого моделирования сложных динамических систем и их сравнительный анализ с заданной степенью точности.

Экспертная система

Экспертная система – это набор программ, который выполняет функции эксперта при решении задач из некоторой предметной области. Экспертные системы проводят анализ, дают консультации, ставят диагноз.

Основными отличиями экспертных систем от других программных продуктов являются:

– использование данных и знаний;

– наличие специального механизма вывода решений;

– создание новых знаний на основе имеющихся.

Состав экспертной системы

Экспертная система состоит из следующих компонентов:

– решателя;

– рабочей памяти (РП), называемой также базой данных (БД);

– базы знаний (БЗ);

– компонентов приобретения знаний;

– объяснительного компонента;

– диалогового компонента.

Рис.1.19. Структура экспертной системы

В разработке ЭС участвуют представители следующих специальностей:

– эксперт в проблемной области, задачи которой будет решать ЭС;

– инженер по знаниям – специалист по разработке ЭС;

– программист по разработке инструментальных средств, предназначенных для ускорения разработки ЭС.

Карта памяти Классификация ИСА и СУ

Рис.1.20. Карта памяти Классификация ИСА

Применение нейронных сетей

Главным отличием нейронных сетей является то, что они не нуждаются в заранее известной модели, а строят ее сами на основе предоставляемой информации.

Применение нейронных сетей целесообразно, если:

– накоплен достаточный объем данных о предыдущем поведении системы

– не существует традиционных методов или алгоритмов, которые способны удовлетворительно решить данную проблему

– данные частично искажены, частично противоречивы или не полны, и поэтому традиционные методы выдают неудовлетворительный результат.