Адаптивни информационни системи
Необходимостта от адаптивни информационни системи възниква в случаите, когато проблемните области са подкрепени от тях са постоянно се развива. В тази връзка, адаптивни системи трябва да отговарят на определени специфични изисквания, а именно:
• отразява адекватно познаване на предметната област по всяко време;
• да бъдат подходящи за лесно и бързо проблема реконструкция при смяна на средата.
Адаптивни свойства на информационните системи се осигуряват от интелектуализация на тяхната архитектура. В основата на тези системи непрекъснато се развива модел на домейн проблем, съхранявани в специална база от знания - хранилището. сърцевина система управлява процесите на производство, или преконфигурира софтуера.
В типичен дизайн се извършва адаптация към характеристиките на типичен проблем зона развитие. За изпълнение на този подход, приложими инструменти Компонент (монтаж) дизайн информационни системи (R / 3, BAAN IV, Prodis и др.).
Основната разлика между подходите е, че когато се използва от съдебната технологии всеки път, когато сменяте проблемната зона се извършва софтуер поколение като цяло, и използването на технологии монтаж - конфигуриране на модулите и само в редки случаи - за обработка на тяхната.
Тема 2. Изкуствени невронни мрежи. Архитектура и класификация на невронни мрежи.
Представяне на подробен устройство на мозъка се появи само преди около сто години. През 1888 г., испанския лекар Ramon Kaya експериментално доказано, че мозъчната тъкан се състои от множество свързани един с друг и други единици - неврони. По-скорошни изследвания, използващи електронен микроскоп показа, че всички неврони, независимо от типа, имат подобна организационна структура (фиг. 2.1). Природен нервните клетки (неврони) се състои от тяло (сома), съдържащ сърцевината и процеси - дендритите на която входни сигнали на неврона. Един от методите, разклонение в края, служи за предаване на изходните сигнали на невронни други нервни клетки. Тя се нарича аксона. Свържете се аксон дендритите на друг неврон се нарича синапс. Невронът развълнуван и предава сигнала чрез аксона, ако броят дойде дендритите на вълнуващо сигнал е по-голям от броя на спиране.
Фигура 2.1 - Структурата на биологична неврон.
През 1943 г. W. McCulloch и W. Pitts предложи система за обработка на информация под формата на мрежа от прости калкулатори, създадена въз основа на биологичния неврон. Изкуствени невронни мрежи (Ан) е колекция от прости изчислителни елементи (преработватели) - изкуствени неврони, свързани по някакъв начин, така че да се осигури взаимодействие между тях. Изкуствени неврони се характеризират с принципите на комбиниране на входните сигнали и предавателната функция, която позволява да се изчисли на изходния сигнал.
Фигура 2.2 - Cybernetic модел на неврон.
Информацията, предоставена на входа на неврона, се сумира с претеглените коефициенти на сигнала:
където w0 - изместване (изместване на прага) неврон.
В зависимост от стойността на а коефициентът на тегло. входния сигнал XI или усилва или потиснат. Претеглената сума на входните сигнали се нарича също потенциал или комбиниран вход неврон.
Промяната обикновено се тълкува в комуникация с произход от един елемент, чиято активност е винаги равно на 1. Като цяло, за удобство, входният вектор се разширява чрез прибавяне на този сигнал х = И праг w0 се довежда под знака на сумиране (1, x0 хп.):
предавателната функция или активиране функцията неврон е правилото, съгласно която претеглената сума на получения сигнал Р се превръща в изходния сигнал на неврона Y, която се предава към други неврони в мрежата, т. Е. Y = е (Р). Фигура 2.3 показва графиките на най-често срещаните функции активиране на неврони.
Прагът на функционални прескача-нето на информация, само ако алгебричната сума на входните сигнали превишава определена постоянна стойност P * за-например:
Праг функция не осигурява достатъчна гъвкавост в обучението на Ан. Ако изчислената стойност достигне праг на предварително определен капацитет, изходният сигнал не се генерира и неврон "не е активиран." Това води до намаляване на интензитета-ност неврон изходния сигнал и, като резултат, генерира ниска стойност vaniyu претеглен входен капацитет в следващия слой на неврони.
Линейна функция е лесно да се изчисли и диференцируема etsya че в някои случаи може да намали изход грешка сигнали в мрежата, тъй като функцията за прехвърляне на мрежата е също etsya линейна. Въпреки това, той не е универсален и не предоставя решения на много проблеми.
Определен компромис между линейни и stupencha-та функция е функция на сигмоидна активиране Y = 1 / (1 + ехр (-kP)), който симулира прехвърлянето който се характеризира-teristics на биологичното неврон (фиг. 3.3).
Фигура 2.3 - Функции на прехвърляне на изкуствени неврони:
а) линеен; б) ускоряване; в) сигмоидна.
коефициент к, който определя наклона на нелинейна функция: по-високата к, колкото по-близо функцията сигмоидно на прага; по-малко от к, така че е по-близо к линейна. предавателната функция тип е избран за конкретния гърба чи решен с използване на невронни мрежи. Така например, в рамките на страната къщи сближаване и предпочитание е дадена класификация на сигмоидна крива.
Архитектура и класификация на ANN
Всеки неврон е свързан комплект от входящи връзки, на която този елемент получава сигнали от други мрежови елементи, както и набор от изходящите връзки, съгласно който сигнали елемент се предават към други неврони. Някои неврони са предназначени за приемане на сигнали от околната среда (входни елементи) и някои - за извеждане на резултатите от външни изчисление среда (изходни елементи).
През 1958 г. Франк Rosenblatt предложи следния модел на невронна мрежа - перцептрон. Rosenblatt на перцептрон (виж фиг. 2.4) се състои от неврони к, г има входове, к изхода, и само един слой от конфигурируеми тегла Wij.
Фигура 2.4 - перцептрон Rosenblatt.
Входни неврони обикновено предназначени за разпространение на входните сигнали между други неврони в мрежата, така че те изискват да сигнализира изходящ от елемент е същият като на входа. За разлика от други неврони на мрежата, на входа има само един вход. С други думи, всеки вход елемент може да получи сигнал от съответния датчик за него. Тъй като входни елементи са предназначени единствено за разпространение на сигналите, получени от външната среда, много изследователи не считат част от входните елементи на невронната мрежа.
Перцептрон е в състояние да реши линейни проблеми. Броят на мрежови ресурси определя размера на пространството, от което избрани входове: два знака пространство е двуизмерни, три - триизмерни и за признаци на г - г двумерен. Ако преки или hyperplane в пространството на входните данни могат да се разделят всички образци на съответните им класове, проблемът е линейна, в противен случай - нелинейна. Фигура 2.5 показва множество точки в равнината, и в случай а), границата на линеен, в случай на - б) нелинейна.
Фигура 2.5 - Геометрична линейно представяне (а) и
нелинейна (б) задачи.
За решаване на нелинейни проблеми са предложени модели на многослойни perceptrons (ПВО), способни да изгради счупен граница между разпознаваем Obra-Zami. В многослойни мрежи, всеки неврон може да изпрати изходен сигнал само в следващия слой, и само получава входове от предишния слой, както е показано на фигура 2.6. Слоевете от неврони, разположени между входа и изхода се наричат скрити, тъй като не за приемане и предаване на данни директно от външната среда. Такава мрежа позволява да изберете глобални свойства на данни поради наличието на допълнителни синаптичните връзки и подобряване на взаимодействието на неврони.
Фигура 2.6 - Схема на многослойния перцептрон.
Определяне на броя на скрити слоеве и броя на невроните във всеки слой за конкретна задача е решаване на неформална проблем, с който е възможно да се използва правило: на броя на невроните в следващия слой е два пъти по-малко в сравнение с предходната
В момента има много начини, за да зададете невронни мрежови структури, в допълнение към перцептрон многопластова. Всички видове невронни мрежи могат да бъдат разделени в мрежа от пряко разпространение и мрежа с обратна връзка. Както подсказва името, в мрежите от първия тип сигнали от неврон на неврон се разпространяват в предварително определена посока ясно - от входа на мрежата на нейните резултати. Мрежите на втория тип неврон изходните стойности на всяка мрежа могат да бъдат прехвърлени към неговите собствени входове. Това позволява на невронната мрежа за моделиране на по-сложни процеси, като време, но го прави на изхода на такава мрежа нестабилна, в зависимост от състоянието на мрежата в предишния цикъл. Фигура 2.7. Класификацията на най-често срещаните видове невронни мрежи.
Фигура 2.7 - Класификация на обикновените видове Ann.
Тема 3. Тип мрежа перцептрон
Проблемът за класифициране на изображения. Контролирани обучение
F. Rosenblatt предложен използване перцептрон за задачи за класификация. Много приложения могат да се интерпретират като проблем на класификация. Така например, оптично разпознаване на символи. Сканирани герои са свързани с техните съответни класове. Има много възможности за образа на буквата "H", дори и за един конкретен шрифт - характер може да бъде, например, замъглени - но всички тези образи трябва да принадлежат към клас "H".
Когато е известно, какво клас всеки един от казусите, може да се използва с една стратегия за обучение на учители. Целта на мрежата е неговото учене как да се сравни представянето на целевата извадка мрежа с контролна проба, представляваща желания клас. С други думи, на знанията за околната среда на невронната мрежа са представени под формата на двойки от "вход-изход". Например, мрежата може да се получи изображение на буквата "H" и се обучават в мрежата, че докато съответният "H" отвеждащия елемент, за да се включи, и изходните елементи, съответстващи на други писма - деактивиран. В този случай, моделът вход може да бъде определен комплект от стойности, характеризиращи сивата скала на изображения пиксела, и пробата целевата изход - вектор координира стойности на всички от които трябва да бъде равна на 0, с изключение на координатите, съответстващи на клас "Н", чиято стойност е равна.
Фигура 3.1 показва блокова схема, илюстрираща yuschaya, тази форма на обучение. Да приемем, че учителят и обучен мрежа доставя обучение вектор от околната среда. Въз основа на вграден познаване на учителя може да създаде и да премине тя обучени ronnoy желаната мрежа отговор, съответстващ на даден вход вектор. параметри на мрежата, се коригират според възрастта тор обучение и сигнал за грешка. Сигналът за грешка - е разликата между желания сигнал и текущия отговор на невронната мрежа. След като завършва обучението на учителите, можете да деактивирате и активирате невронната мрежа да работи с околната среда, независимо.
Фигура 3.1 - Концепцията на Ан обучение с учител.
Перцептрон обучение алгоритъм включва следните стъпки:
· Системата представя майстор изображение.
· Ако резултатът от признаване съвпада с набора, връзката на тежести не се променя.
· Ако INS не правилно да признае резултата, корекционните коефициенти, дадени нарастване нагоре качеството на разпознаване.
Свързани статии