Лекція 4 на тему Структура і функції ІС, Основи проектування інтелектуальних систем

Лекція 4 на тему Структура і функції ІС

Узагальнена схема здатної навчатися ІС керування слабо формалізованим процесом показана на рис. 4.1,  де для наочності показано лише інформаційні потоки, основні агрегатовані функціональні вузли та відповідні робочі змінні системи. 

Рисунок 4.1 – Функціональна схема ІС, що навчається

Наведена на рис. 4.1 структура дозволяє функціонувати системі як у режимі навчання, так і в режимі екзамену. Робота системи регламентується ОПР, який видає команду на блок кінцевої обробки інформації (БКОІ) для вироблення керуючих команд , де m –кількість функціональних станів, які визначають алфавіт класів розпізнавання. Блок первинної обробки інформації (БПОІ) перетворює інформацію про функціональний стан ІС до вигляду, зручного для подальшого оброблення ЕОМ, і передає її у блок формування векторів розпізнавання (БФВР), що формує бінарні вектори-реалізації щляхом порівняння поточних ознак розпізнавання з відповідними контрольними допусками . На виході БФВР формується структурований випадковий бінарний вектор-реалізація образу, кожна координата якого є одномісним предикатом, що приймає значення «1», якщо значення ознаки знаходиться в полі контрольних допусків, і «0», якщо - не знаходиться. У загальному випадку, коли навчання СППР здійснюється без ”учителя”, тобто за апріорно некласифікованою навчальною вибіркою, то з БФВР вектори реалізації подаються на вхід блоку розвідувального аналізу (БРА) для оцінки статистичної сталості та однорідності навчальної вибірки за відповідними статистичними критеріями. На  виході БРА з деяким наперед заданим рівнем довіри формується  багатовимірна  навчальна матриця , де – символ відкритості множини, тобто потужність цієї множини може в процесі функціонування ІС змінюватися.

Для прогнозування зміни функціональної ефективності та надійності ІС в блок прогнозування (БП) з бази знань надходять значення одновимірних статистик навчальних матриць, які порівнюються з поточними статистиками екзаменаційної матриці. Таким чином, розглянута структура ІС, що навчається, характеризується широкими функціональними можливостями і дозволяє розв’язувати задачі навчання і екзамену, включаючи задачу прогностичної класифікації.

Розглянемо функціонування ІС у режимі навчання.     

При дії на процес, що досліджується, випадкових факторів  на виході БПОІ формується навчальна матриця , яка складається з квантованих за часом нормалізованих випадкових значень ознак розпізнавання.  

У БФВР як результат оцінки допускового контролю формується бінарна навчальна матриця , яка складається із структурованих випадкових векторів-реалізацій образу , де N - кількість ознак розпізнавання. При цьому система контрольних допусків (СКД)  та рівні селекції  потрапляють в БФВР із бази даних. Змінними на першому виході блоку «Екзамен» є гіпотези  про належність реалізацій, що розпізнаються, одному з класів алфавіту .

З виходу блоку «Навчання» у базу знань надходить вектор  всіх оптимальних параметрів функціонування СППР, які забезпечують максимум  .

У режимі екзамену у блок «Екзамен» надходять значення параметрів навчання: еталонні вектори {} і екстремальні значення  геометричних параметрів контейнерів відповідних класів.

У прогностичному режимі навчання, крім цих параметрів, обчислюються значення одновимірних порядкових статистик {}, інваріантних до параметрів розподілу ймовірностей реалізацій образу. Такою статистикою, напритклад, може бути нормована статистика числа успіхів за  п  випробувань:

де   - число успіхів при  j-му випробуванні;      – вибіркове середнє числа успіхів після n  випробувань;  - вибіркове середнє числа успіхів після  n  випробувань відповідно.

Відомо, що статистика (4.1) має розподіл  c²   із степенем свободи k=n-1  і не залежить ні від математичного сподівання, ні від дисперсії, а залежить тільки від обсягу випробувань  n. Аналіз виразу (4.1) показує, що при збільшенні  n  вибіркова дисперсія збігається до нуля, а функція  , маючи тенденцію до збільшення, набуде якого завгодно великого значення. Таким чином, вільна статистика  S_m,n   є членом варіаційного ряду, тобто порядковою статистикою, ранг якої визначається номером випробування.

Випробування, під час якого КФЕ набуває свого максимального значення  , є моментом зупинення навчання розпізнавання реалізацій класу . При цьому поточне значення статистики , яка є членом варіаційного ряду, приймається за екстремальне  та визначаються оптимальні значення геометричних параметрів контейнерів класів розпізнавання. У випадку побудови гіперсферичних вирішальних правил таким параметром є радіус  контейнгера класу , який відновлюється в процесі навчання в радіальному базисі простору ознак розпізнавання. У режимі прогностичного екзамену на перший вхід БП надходить поточне значення статистики , яка обчислюється класифікатором і характеризує статистичні властивості бінарної екзаменаційної матриці. На інший вхід БП надходить масив статистик {}, які є інваріантними до законів розподілу ймовірностей і характеризують статистичні властивості класів розпізнавання з моменту першого навчання  t₁  до моменту прогнозування .

Оцінку точності прогнозу природно здійснювати шляхом порівняння інформаційних критеріїв, що обчислюються в моменти  часу   і  . Тоді інтегральна оцінка точності прогнозу   може  визначатися як

e_P =|Е( t_n ) - E( t_n-1 )|£e _доп ,      (4.2) 

де    – допустима похибка прогнозу.

Невиконання нерівності (4.2) у момент часу  t_n  обумовлює необхідність перенавчання системи. При цьому накопичення статистичних даних про функціональний стан ІС може відбуватися тільки в період її експлуатації або збереження, при якому відновлення працездатності системи не проводиться.

Результатом БП є параметричний клас розпізнавання {}, який характеризує функціональний стан ІС керування в упереджений момент часу  , Таким чином, розглянута формалізована  структурна схема здатної навчатися ІС  є узагальненням структур ІС широкого класу як за призначенням, так і за їх функціями. 

З повагою ІЦ "KURSOVIKS"!