Вы на НеОфициальном сайте факультета ЭиП

На нашем портале ежедневно выкладываются материалы способные помочь студентам. Курсовые, шпаргалки, ответы и еще куча всего что может понадобиться в учебе!
Главная Контакты Карта сайта
 
Где мы?

Реклама


пятая часть

Просмотров: 3014 Автор: admin
3.8. Нейросетевые технологии
В основе построения систем индуктивного характера лежат нейросетевые технологии. Искусственная нейросеть предназначена глав¬ным образом для того, чтобы на основе обработки большого объема информации, отражающей частные случаи какого-либо явления, выявить общие закономерности. А они (закономерности), в свою очередь, могут быть использованы для распознавания новых частных случаев. Таким образом снимается проблема моделирования бессознательных актов распознавания ситуаций, образов, цвета и т.д. Нейросеть рассмат¬ривается в качестве «черного ящика», в которой имеется вход, выход и некоторые внешние параметры.
Следующая причина, требующая быстрого развития нейросете¬вых технологий, состоит в необходимости увеличения скорости работы современных компьютеров. В настоящее время достигнут пре¬дел скорости их работы, ограничиваемый скоростью распростране¬ния света. В то же время человеческий мозг способен распознавать ситуацию за доли секунды, что объясняется возможностью параллель¬ных вычислений, т.е. одновременным выполнением сразу несколь¬ких шагов по вычислительным операциям. Подобное пока недоступ¬но самому совершенному суперкомпьютеру, но этого можно достичь с помощью нейросетей, способных реализовать высокий уровень параллелизма.
Существует еще одна причина быстрого распространения ис¬кусственных нейросетей - их самопрограммируемость. Все опера¬ции по распознаванию, сравнению и обработке информации нейросеть выполняет, не прибегая к переводу образов в цифровой код. Эта замечательная способность освобождает пользователя от уто¬мительного и дорогостоящего программирования для адаптации системы к новым внешним условиям или к новым информацион¬ным потребностям.
3.9. Эволюционное моделирование
Идеи нейросетевых технологий развиваются в рамках довольно четко обозначившегося научного направления - эволюционного мо¬делирования (вычисления). Создатели нового направления стреми¬лись к получению средства «для синтеза машин, обнаруживающих большую разумность», что до сих пор удавалось найти лишь в при¬роде. Сущность эволюционного моделирования состоит в следую¬щем [11]: «На самом высоком абстрактном уровне мы пред¬ставляем себе эволюционный процесс как способность более приспо¬собленных индивидов оказывать более сильное влияние на будущий состав популяций, благодаря длительному выживанию и более мно¬гочисленному потомству, которое, в свою очередь, продолжает ока¬зывать влияние и после гибели родителей».
Эволюционные вычисления целесообразны тогда, когда извес¬тные методы оптимизации не позволяют исследовать поведение це¬левой функции вне областей локальных минимумов. Такого рода вычисления используются для решения очень трудных задач, к ко¬торым можно отнести задачу поиска оптимальной структуры ней-росети.
В общем случае эволюционное моделирование предполагает:
• разработку способа (вида) представления результатов решения в виде строки или дерева;
• отбор операторов, с помощью которых будут формировать¬ся новые результаты решения и которые могут учитывать специфи¬ку задачи;
• выбор объекта популяций;
• разработку способа отбора особей для выживания и скрещива¬ния на основе целевой функции.
3.10. Гене¬тические алгоритмы
Для реализации эволюционного моделирования создаются гене¬тические алгоритмы, способные учитывать механизмы наследования подобно естественным организмам. Используется также опыт в се¬лекции животных и растений. Генетические алгоритмы основыва¬ются на гипотезе селекции, которую можно сформулировать следу¬ющим образом: чем выше приспособленность особи, тем выше веро¬ятность того, что в потомстве признаки, определяющие его приспо¬собленность, будут еще сильнее. При внимательном рассмотрении гипотезы, приведенной в работе [11], можно сделать вывод, что се¬лекция есть не что иное, как оптимизация, выраженная в самом об¬щем виде. Следовательно, идея оптимизации, столь широко исполь¬зуемая в экономической практике, есть не что иное, как подражание естественному эволюционному процессу.
Изучение известных генетических алгоритмов показало уникаль¬ность их способностей для решения задач глобальной оптимиза¬ции. Данное обстоятельство особенно важно в связи с тем, что в процессе обучения нейросетей происходит пошаговая векторная оптимизация синоптических весов. Конечным результатом обу¬чения является минимум (оптимум) отклонений, получаемых с помощью сети результатов распознавания реальных ситуаций, от примеров.
Известные генетические алгоритмы обладают худшей эффектив¬ностью по сравнению с градиентными методами оптимизации, но им присуще неоспоримое преимущество: обеспечивается в большин¬стве случаев сходимость в глобальном смысле и способность рабо¬тать с плохо определенными и «зашумленными» данными.
Процесс эволюции (адаптация, оптимизация, обучение) моделируется посредством алгоритмов, которые манипулируют двоичными строками (векторами), названными хромосомами. Двоичные символы представляют гены. Генетический алгоритм определяется как процедура, которая выполняет последовательность операций, предназначенных для моделирования процесса эволюции путем измене¬ния битовых строк.
К преимуществам нейронных вычислений следует отнести :
• воспроизведение сколь угодно сложной зависимости между факторами, отражающими изменения объектов (линейная и нели¬нейная зависимость);
• использование «зашумленной», противоречивой, неточной информации для получения результатов;
• применение метода индукции в процессе обучения и распоз¬навания объектов;
• распознавание пространственных отношений;
• отсутствие программирования, что позволяет оперативно адап¬тироваться (обучаться) к новым обстоятельствам. Данное качество позволяет эксплуатировать сеть пользователям, не имеющим специ¬ального образования.
Вместе с тем эволюционное моделирование в целом, и в том чис¬ле нейросетевые системы, обладают рядом недостатков [11]:
1. Нейросети не способны объяснить полученные с их помощью результаты. Это серьезно подрывает доверие к ним со стороны пользо¬вателя, ибо довольно часто одного ответа недостаточно, требуется доказательство его правильности.
2. Нейросеть рассматривается в качестве "черного ящика". Пока не представляется возможным выяснить, какие зависимости зафик¬сированы в сети, какой они сложности.
3. Не известны методы построения нейросетей. Теорема А.Н. Кол¬могорова, доказанная в 1957 г. и указывающая на максимальное число нейронов в сети, ничего не говорит об их минимальном коли¬честве или о числе слоев нейронов.
4. Достаточно сложно выявляется значимость отдельных вход¬ных факторов с помощью нейросетей, на основе специальных мето¬дов анализа результатов их работы.
5. Нейросеть не способна к оценке принципиально новых, не изу¬чавшихся ранее ситуаций.
4. СППР, ориентированные на естественно языковые запросы
Естественно-языковое общение человека с компьютером - тот идеал, к которому стремятся конструкторы программных систем. Пока в этом направлении сделан ничтожный шаг, однако, уже мож¬но говорить о создании систем подобного типа. Как указано в работе [6] , такие системы должны совмещать в себе как осознанные знания человека, так и неосознанные (см. рис.). Воспроизведение осознанных (ло¬гических) умственных усилий человека в памяти компьютера выражено довольно мощным инструментарием, способным отразить сколь угодно сложные зависимости между реальными объектами и процес¬сами. Детальное изложение лингвистических, математических и организационных основ использования этого инструментария пред¬ставлено в [12,13]. 
Специфика воспроиз¬ведения неосознанных знаний мало освещенна в литературе. Фундаментальные исследования в таких областях, как психосе¬мантика, психолингвистика, психодиагностика, структурная линг¬вистика, постепенно меняют взгляды не только на само понятие зна¬ния, но и на весь арсенал методов их представления и использования.
4.1. Эксп¬лицитные и имплицитные знания
Учитывая существование осознанной и неосознанной формы психического отражения знаний, в работе [14] вместо терминов со¬знательные и бессознательные знания используются термины эксп¬лицитные и имплицитные знания. Эксплицитные знания базируют¬ся на вербальных формах представления, а имплицитные - как на вербальных, так и на невербальных. Эксплицитные знания могут приобретать разные, но одной природы формы: первая - это хорошо структурированные знания, отражаемые в семантических сетях, а вторая - это вербальные ассоциации, существующие временно, на период коммуникативного акта.
Имплицитные знания, в отличие от эксплицитных, могут быть как вербальными, так и невербальными. Имплицитность выражает¬ся в неясном, нечетком представлении объектов и отличается отры¬вочностью, хаотичностью вербальных и иных ассоциаций.
Всякая мыслительная деятельность (восприятие, воспоминание, рассуждение), как известно, базируется на знаниях, а любое знание ассоциативно. Мыслительная деятельность, или воображение, невоз¬можно без ассоциаций, возникающих неосознанно в глубинах па¬мяти человека. Без них нельзя не только распознать внешний раз¬дражитель (слово, звук, предмет), усвоить ощущения, но и обеспе¬чить необходимой информацией процесс рассуждения.
Методы компьютерного представления знаний, используемые в СППР первого класса, основаны на стационарной (статичной) свя¬зи между объектами, что может характеризоваться как грубая ана¬логия. Моделирование функций памяти на основе динамических ассоциаций носит более адекватный характер. При этом, говоря о внешнем раздражителе, взаимодействующем с базой ассоциаций, нельзя не принимать во внимание цель субъекта, которая всегда со¬провождает любой акт мыслительной деятельности ассоциативно.
5. Коллективное принятие решения
Решение может зависеть не только от одного субъекта, но и от коллектива. Главная проблема, возникающая в процессе коллективно¬го принятия решения, состоит в несравнимости вариантов, предпочи¬таемых разными участниками коллектива. Ее решение в [15] осуще¬ствляются с учетом двух принципов: равенства и эффективности. С их помощью отбирается фиксированное допустимое множество. Далее ча¬сто используется коллективное сравнение альтернатив для выбора наилучшего варианта из фиксированного допустимого множества. Такие правила известны под названием функции коллективного выбора.
Согласованная коллективная оценка множества лиц, принима¬ющих решение, рассчитывается различными методами. Например, в [16] эта проблема решается путем вычисления взвешенной средней оцен¬ки, методом идеальной точки, методом ранжирования по Парето, ку¬сочно-линейной аппроксимацией функций предпочтения и т.д. Реализация коллективного принятия решений стала возможной благодаря появлению распределенных СППР и агентно-ориентированных систем в искусственном интеллекте. В мультиагентных системах программный модуль рассматривается в качестве "агента", так как он уполномочен действовать за другого - эксперта или лица, принимающего решение.
Классификация СППР по признаку форм психического отраже¬ния знаний человека позволяет раскрыть их под углом зрения мето¬дов и способов организации баз знаний. При этом в тени остаются такие важные характеристики принятых решений, как индивидуаль¬ное или коллективное (кооперативное) решение.
6. Централизованные СППР
Содержание СППР, описанное выше, касалось индивидуальных решений (принимаются одним лицом), в связи с чем инструментом, поддерживающим этот процесс, служат централизованные системы, характерной особенностью которых является единство места хране¬ния знаний и выполнения вычислений.
7. Распределенные СППР
Возрастающая сложность создания распределенных систем пре¬допределила дальнейшее выделение и развитие в рамках объектно-ориентированного подхода нового научного направления, назван¬ного агентно-ориентированным программированием. Под агентом понимают программный модуль, который уполномочен "действо¬вать" вместо человека-эксперта или лица, принимающего решение.
Агенту, т.е. модулю, приписываются следующие антропоморф¬ные свойства: убеждения, желания, замыслы, обязательства и др. Убеждения - это алгоритмы, заложенные при создании агента; же¬лания - это цели, которые он может достичь при определенных об¬стоятельствах; замыслы и обязательства интерпретируются как ал¬горитмы, которые меняются в зависимости от ситуации. Мультиагентная система, в которой каждый из агентов характеризуется пере¬численными свойствами, способна [17]:
• проявлять собственную инициативу;
• поддерживать связь с окружающим миром, получая от нее ин¬формацию и реагируя на нее своими действиями;
• посылать другим агентам сообщения и получать сообщения в ответ;
• действовать без вмешательства человека.
Применение агентно-ориентированных систем в практике приня¬тия решений позволит решить проблему совместного использования распределенных в пространстве знаний при условии, что имеют место распределенная база знаний и их централизованная обработка.
8. Информационные технологии, применяемые в СППР
Немаловажную роль в соотношении «формальное - неформаль¬ное» играют информационные технологии, применяемые в СППР. Так же, как и в работе [18], будем считать, что они в своем развитии прошли следующие этапы:
1. Технология баз данных (Data Base - DB). В определенный мо¬мент времени в связи с ростом объемов обрабатываемых данных по¬явилась потребность в перепрограммировании и в разработке мер по борьбе с быстрорастущими затратами на поддержку данных в актуальном состоянии. Базы данных сыграли решающую роль в ре¬шении данной проблемы.
2. Технология аналитической обработки данных в режиме on-line (OLAP-on-Iine Analytical Processing). Усложнение средств анализа данных в процессе принятия решений потребовало новых усовер¬шенствований в технологии обработке данных. Возникла необхо¬димость в такой перестройке работы с базой данных, которая обес¬печивала бы получение немедленного ответа на поставленный воп¬рос (режим on-line) и возможность многоаспектного анализа хра¬нящихся данных.
3. Технология интеллектуального анализа данных (Data Mining - DM). Необходимость появления DM-технологии продиктована следующими обстоятельствами:
• тотальное применение Web-серверов обеспечивает доступ к ог¬ромному объему разнородной информации, обработка которой с по¬мощью традиционных информационных технологий невозможна;
• существует потребность в выявлении скрытых зависимостей между различными факторами, представленными в различных фор¬мах (символьная, числовая, графическая, неструктурированная, структурированная и т.д.);
• существует необходимость в выделении из множества значе¬ний, принимаемых факторами, тех, которые определяют поведение объекта и оказывают влияние на его поведение в будущем.
Ответом на поставленные вопросы стала технология, получив¬шая название интеллектуальный анализ данных - процесс извлече¬ния зависимостей из разнородных баз данных. В этом процессе цен¬тральное место занимает автоматическое порождение моделей, пра¬вил или функциональных зависимостей.
В основу DM-технологии предусматривается положить Храни¬лище данных (Data WareHouse - DWH). Хранилище информации - это предметно-ориентированный, интегрированный, неизменяемый и поддерживающий хронологию набор данных, специфическим об¬разом организованный для целей поддержки принятия решений.
Особенно перспективным является сочетание DWH+DM- техно¬логий, так как они функционируют не по заранее заданным форму¬лам, а на основе функциональных зависимостей, релевантных на¬копленным данным. В DWH+DM-технологиях используются в раз¬личных сочетаниях следующие инструменты: нейронные сети, гене¬тические алгоритмы, средства визуализации процессов, методы по¬рождения деревьев решений, методы, основанные на правилах, ме¬тоды статистического анализа. Принципиальная новизна этих технологий состоит в том, что управление процессом решения задач носит не алгоритмический характер, а характер управления данны¬ми (демон).
4. Системы поддержки принятия и исполнения решений (Electronic Performance Support Systems - EPSS). В этих системах использование новейших достижений в области теории обучения и принятия решений делает возможным и перспективным создание технологий, обеспечивающих не только поиск нужного решения, но и внедрение принятого решения в практику управления. Для этого система должна оснащаться средствами обучения, способны¬ми помочь человеку консультациями, советами, информацией, обу¬чением.
5. Мулытшгентные системы (МА). Эти системы появились в свя¬зи с возрастающей сложностью принятия решений в процессе созда¬ния распределенных систем. МА-технологии являются объединени¬ем объектно-ориентированной технологии и методов искусственно¬го интеллекта. Мультиагентные системы можно также рассматривать как подкласс объектно-ориентированных систем.
Важной прикладной областью применения МА-технологий яв¬ляется организация параллельных процессов в распределенных сис¬темах. Обмен сообщениями рассматривается как обмен информаци¬ей между агентами, характеризуемыми всеми перечисленными выше свойствами.
9. Структура СППР 
Полная структура информационно-аналитической системы, построенной на основе хранилища данных, показана на рис. 
 
Рис.5.2. Общая архитектура информационно-аналитической системы предприятия
Данная архитектура является общепринятым пониманием места и роли различных информационных технологий. 
Информационно-аналитические системы, создаваемые в расчете на непосредственное использование лицами, принимающими решения, оказываются просты в применении, но жестко ограничены в функциональности. Такие статические системы называются в литературе Информационными системами руководителя (ИСР), или Executive Information Systems (EIS). Они содержат в себе предопределенные множества запросов и, будучи достаточными для повседневного обзора, неспособны ответить на все вопросы к имеющимся данным, которые могут возникнуть при принятии решений. Результатом работы такой системы, как правило, являются многостраничные отчеты, после тщательного изучения которых у аналитика появляется новая серия вопросов. Время ожидания в таком случае может составлять часы и дни, что не всегда приемлемо. Таким образом, внешняя простота статических EIS оборачивается катастрофической потерей гибкости.
Но динамические СППР могут действовать не только в области оперативной аналитической обработки (OLAP); поддержка принятия управленческих решений на основе накопленных данных может выполняться в трех базовых сферах. 
• Сфера детализированных данных. Это область действия большинства систем, нацеленных на поиск информации. В большинстве случаев реляционные СУБД отлично справляются с возникающими здесь задачами. Общепризнанным стандартом языка манипулирования реляционными данными является SQL. Информационно-поисковые системы, обеспечивающие интерфейс конечного пользователя в задачах поиска детализированной информации, могут использоваться в качестве надстроек как над отдельными базами данных транзакционных систем, так и над общим хранилищем данных. 
• Сфера агрегированных показателей. Комплексный взгляд на собранную в хранилище данных информацию, ее обобщение и агрегация, гиперкубическое представление и многомерный анализ являются задачами систем оперативной аналитической обработки данных (OLAP) Здесь можно или ориентироваться на специальные многомерные СУБД, или оставаться в рамках реляционных технологий. Во втором случае заранее агрегированные данные могут собираться в БД звездообразного вида, либо агрегация информации может производиться на лету в процессе сканирования детализированных таблиц реляционной БД. 
• Сфера закономерностей. Интеллектуальная обработка производится методами интеллектуального анализа данных (ИАД, Data Mining), главными задачами которых являются поиск функциональных и логических закономерностей в накопленной информации, построение моделей и правил, которые объясняют найденные аномалии и/или прогнозируют развитие некоторых процессов. 
Технологии OLAP тесно связаны с технологиями построения Data Warehouse и методами интеллектуальной обработки - Data Mining. Поэтому наилучшим вариантом является комплексный подход к их внедрению.
10. Практическое приложение
Рассмотрим на примере аналитических программ для торговых компаний.  
  Наибольший интерес у торговых компаний вызывают программы ситуационного моделирования, позволяющие динамически проигрывать разные сценарии. Лидерство здесь сохраняют хорошо известный пакет iThink фирмы HPC и стремительно набирающий популярность Powersim (компании Powersim). Их возможностей достаточно, чтобы моделировать деятельность компании любого размера — от небольшого магазина до крупного холдинга с обширной сетью филиалов. А предельно низкая цена выгодно отличает их от систем типа ARIS Toolset и Promatis Income. 
  На рынке средств прогнозирования лидером остается "Трилогия", полностью русифицированная версия пакета The AI Trilogy фирмы Ward Systems Group. Обработку неточных и нечетких данных обычно проводят с помощью пакетов FuziCalc и CubiCalc. Для оценки рисков применяется программа @RISK и ее русский собрат — пакет "Альфа-Риск". На рынке программ оптимизации, окончательно вытеснив пакет Evolver, первенствует пакет GeneHunter. 
  NT-версия пакета MineSet, предназначенного для интеллектуальной обработки больших объемов данных, в сочетании с графической рабочей станцией Visual PC, позволяет создавать комплексы невиданной прежде мощности для анализа рынка и управления торговой деятельностью крупных компаний. 
"Триумф-Аналитика" 
  Есть, однако, на рынке России программные продукты, специально разработанные для оперативного и стратегического управления отечественной торговой компанией — "Триумф-Аналитика" и "Парус-Аналитика" корпорации "Парус".
  "Триумф-Аналитика" — это программный комплекс для управления крупной торговой компанией и холдингом. Он позволяет анализировать динамику выручки, прибыли и рентабельности как фирмы в целом, так и отдельных подразделений, управлять складом, ассортиментом и закупками, оптимизировать использование оборотных средств и решать многие другие задачи. 
  Программа написана на Delphi 5.0. Хранилище данных построено с использованием СУБД Microsoft SQL 7.0 и технологии HOLAP (Hybrid OLAP, сочетание многомерного куба и реляционных таблиц для ускоренного выполнения ключевых запросов). Архитектура программы — трехзвенный клиент-сервер со сверхтонким клиентом и расширенным сервером приложений. В основе аналитической системы лежат технологии ситуационных центров, позволяющие оперативно обрабатывать данные больших объемов и выполнять анализ, моделирование и прогнозирование различных задач.
  Комплекс "Триумф-Аналитика" был разработан для совместного использования с программами корпорации "Парус" — "Триумф", "Парус-Магазин", "Парус-Реализация", однако встроенный конвертор позволяет автоматически загружать данные из других учетных систем — "1С:Торговля", FIT и др. 
 


Литература
1. Alter, S.L. (1980) Decision Support Systems: Current Practice and Continuing Challenges, Reading, MA: Addison- Wesley. 
2. Bonczek, R.H., Holsapple, C.W. and Whinston, A.B. (1981) Foundations of Decision Support Systems, New York: Academic Press. 
3. Keen, P.G.W. and Scott-Morton, M.S. (1978) Decision Support Systems: An Organizational Perspective, Reading, MA: Addison-Wesley.
4. Simon, H.A. (1960) The New Science of Management Decision, New York: Harper & Row.
5. Sprague, R.H., lr and Carlson, E.D. (1982) Building Effective Decision Support Systems, Englewood Cliffs, N1: Prentice Hall.
6. Дик В.В. Методология формирования решений в экономических системах и инструментальные среды их поддержки .- М.: Финансы и статистика, 2001.
7. Методология исследования развития сложных систем. -Л.: На¬ука, Ленинград, отд-ние, 1979. 
8. Романов А. Н. Одинцов Б. Е. Автоматизация аудита. -М.:ЮНИ-ТИ, 1999.
9. 187. Романов А.Н., Одинцов Б.Е. Компьютеризация аудиторской де¬ятельности. - М.: ЮНИТИ, 1996. 
10. Растригин Л. А. Адаптация в сложных системах. - Рига: Зинайт, 1981.
11. ФогельЛ., Оуэне А., УолшМ. Искусственный интеллект и эво¬люционное моделирование. - М.: Мир, 1969.
12. Искусственный интеллект. Кн. I. Системы общения и эксперт¬ные системы: Справочник / Под ред. Э.В. Поспелова. - М.: Ра¬дио и связь, 1990.
13. Поспелов Г. С. Искусственный интеллект-основа новой инфор¬мационной технологии, - М.: Наука, 1988.
14. Ладенко И. С. Логические методы построения математический моделей. -Новосибирск: Наука, 1980.
15. Мулен Э. Кооперативное принятие решений: Аксиомы и модели .-М.:Мир, 1991.
16. Владимиров И.Т. Организационные структуры управления ком¬паниями // Управление изменениями. - 1999.
17. ТрахтенгерцЭ.А. Компьютерная поддержка принятия решений. - М.: СИНТЕГ, 1998.
18. ЗабежайлоМ.И. Интеллектуальный анализ данных -новое на¬правление развития информационных технологий // Информа¬ционные процессы и системы. - 1988,- №8.- С. 6-15.


Информация

Комментировать статьи на нашем сайте возможно только в течении 60 дней со дня публикации.

Популярные новости

Статистика сайта






 
Copyright © НеОфициальный сайт факультета ЭиП