Гипертекст, гипермедиа, мультимедиа
Гипертекстовая технология.
В. Буш, научный советник президента Г. Трумэна, в 1945г. анализируя формы представления информации в виде отчетов, докладов, проектов, графиков, планов пришел к выводу об их неэффективности и предложил способ размещения информации по принципу ассоциативного мышления. На базе этого принципа была разработана модель гипотетической машины "МЕМЕКС", а спустя 20 лет Т. Нельсон реализовал его на ЭВМ и назвал г и п е р т е к с т о м.
Наиболее совершенная информационная система — мозг человека — для поиска информации использует ассоциации. Одной из попыток создать подобную систему поиска и является гипертекстовая система. Ее удобство и эффективность оказались настолько велики, что сейчас практически любая прикладная программа содержит справочную систему, использующую элементы гипертекста.
Обычно любой текст представляется как длинная строка символов, которая читается в одном направлении. Гипертекстовая технология заключается в том, что текст представляется как многомерный, т. е. с иерархической структурой типа сети.
Под гипертекстом понимают систему информационных объектов (фрагментов текстов, статей, документов), объединенных между собой направленными связями, образующими сеть.
Обычным способом поиска нужной информации является индексный поиск. При этом все данные должны быть собраны, рассортированы и упорядочены по какому-либо принципу. Примером может служить каталог книг в библиотеке, организованный по алфавитному или тематическому принципу. Поиск в этом случае происходит как спуск по информационному дереву до искомого источника.
|
|
|
Вместо поиска информации по соответствующему поисковому ключу гипертекстовая технология предполагает перемещение от одних объектов информации к другим с учетом их смысловой, семантической связанности. Обработка информации по правилам формального вывода соответствует запоминанию пути перемещения по гипертекстовой сети.
Гипертекст содержит не только информацию, но и аппарат ее эффективного поиска. По глубине формализации информации гипертекстовая технология занимает промежуточное положение между документальными и фактографическими информационными системами.
Гипертекст обладает нелинейной сетевой формой организации материала, разделенного на фрагменты, для каждого из которых указан переход к другим фрагментам по определенным типам связей. При установлении связей можно опираться на разные основания (ключи), но в любом случае речь идет о смысловой, семантической близости связываемых фрагментов.
Каждый видимый на экране фрагмент, дополненный многочисленными связями с другими фрагментами, позволяет уничтожить информацию об изучаемом объекте и двигаться в одном или нескольких направлениях по выбранной связи.
|
|
|
Следуя указанным связям, можно читать и осваивать материал в любом порядке. Текст теряет свою замкнутость, становится принципиально открытым, в него можно вставлять новые фрагменты, указывая для них связи с имеющимися. Структура текста не разрушается, и вообще у гипертекста нет априорно заданной структуры.
Гипертексты, составленные вручную, используются давно — это справочники, энциклопедии, а также словари, снабженные развитой системой ссылок. Область применения гипертекстовых технологий широка. Это может быть издательская деятельность, библиотечная работа, обучающие системы, разработка документации, законов, справочных руководств, баз данных, баз знаний т.д.
С точки зрения систем обработки информации гипертекст — это система, которая не требует формализованной модели представления данных рассматриваемой предметной области. Вместо нее используются семантические (смысловые) связи между фрагментами информации, которые могут не иметь формального описания, однако, на основании этих связей возможно осуществлять просмотр, анализ информации и создание новых фрагментов.
|
|
|
Для создания гипертекстовых документов существует специальный язык SGML (Standard Generalized Markup Language). Он представляет собой инструментальный набор механизмов создания структурированных документов, размеченных с помощью дескрипторов. Дескриптор (позднелат. descriptor, от лат. describо - описываю), лексическая единица (слово, словосочетание) информационно-поискового языка, служащая для описания основного смыслового содержания документов. Дескрипторы служат также для формулировки информационных запросов при поиске документов в информационно-поисковой системе [31].
При этом весь процесс разбивается на три независимые стадии: создания, обработки и форматирования документа. Поэтому технология SGML дает огромный выигрыш при подготовке материалов, которые должны выводиться различными способами. Документы, содержащие дескрипторы SGML, с помощью специальных таблиц стилей могут быть по-разному отформатированы при выводе на экран, на CD-ROM или на печать.
SGML является метаязыком и позволяет описывать другие виды языков разметки, применяемых для создания документов.
Язык SGML представляет собой метод создания структурированных документов, а также языков для их разметки. Этот язык прост в изучении и использовании; это не столько язык, сколько метод представления документов. Документы SGML являются программно- и аппаратно – независимыми, они не привязаны к какой либо конкретной программе, компьютеру или устройству вывода.
|
|
|
SGML – это стандарт для описания языков разметки. Один из таких языков — HTML (HyperText Markup Language) — хорошо известен всем, кто разрабатывает страницы для World Wide Web.
Мультимедиа и гипермедиа
Гипермедиа – это сочетание технологий гипертекста (hypertext) и мультимедиа (multimedia) для единого представления и навигации разнородной информации.
Технологии Multimedia — это интерактивная технология, обеспечивающая работу с неподвижными изображениями, видеоизображением, анимацией, текстом и звукорядом. Одним из первых инструментальных средств создания технологии мультимедиа явилась гипертекстовая технология, которая в данном случае выступала в качестве авторского программного инструмента.
В 1988 году Европейская комиссия по проблемам внедрения и использования новых технологий предложила следующее определение: мультимедиа — продукт, содержащий “коллекции изображений, текстов и данных, сопровождающихся звуком, видео, анимацией и другими визуальными эффектами (Simulation), и включающий интерактивный интерфейс и другие механизмы управления”.
В свете этого определения можно говорить о мультимедиа-технологиях как о совокупности организационных, технических и программных средств, служащих для разработки мультимедиа-продуктов.
Возможности HTML в области мультимедиа расширяет технология TIME (Timed Interactive Multimedia Extensions), позволяющая стандартизовать взаимодействие мультимедийных компонентов с тэгами HTML. С ее помощью можно синхронизировать проигрывание звуковых файлов с прокруткой текстовых блоков и изображений и просматривать такой документ в любом обозревателе (броузере). Большое количество ссылок о языке SMIL (Synchronized Multimedia Integration Language), реализующем эту технологию, можно посмотреть в [54].
Искусственный интеллект
Исследуя возможность автоматизации человеческой деятельности, проводились регулярные попытки заставить компьютер мыслить, как человек. Эта область научных исследований называется искусственный интеллект.
Непосредственно под искусственным интеллектом понимают область информатики, которая занимается разработкой интеллектуальных компьютерных систем,т.е. систем, обладающих возможностями, которые традиционно связывают с человеческим разумом, - понимание языка, обучение, способность рассуждать, решать проблемы и т.д. [4]
Для реализации задач искусственного интеллекта существуют три основных направления: нечеткая логика, нейросетевые технологии, экспертные системы. Каждое из направлений использует свои методы обработки информации, но все он сходятся в одном – для решения задач используется математический аппарат арифметики, логики, теории вероятности и статистики.
Исторически раздел информатики под названием «Искусственный интеллект» до настоящего момента развивался в течение четырех этапов, каждый из которых имел свои отличительные особенности.
Первый этап развития искусственного интеллекта называется «Классический» и протекал он с 1950 года до середины 60- годов XX века. Этот этап позволил ученым разработать методы решения игр и доказательства теорем с помощью компьютерной техники без привлечения человеческого разума. Реализовывалось это все на основании логического мышления человека и построения моделей решений и доказательств на базе математической логики.
Разработанные в этот период развития искусственного интеллекта методы применяются и сейчас при решении задач в экспертных и вычислительных системах, требующих долгого формализованного расчета по заранее определенным шагам и правилам.
Второй этап развития искусственного интеллекта называется «романтический» и длился он с середины 60-х до середины 70-х годов XX века. Этот этап замечателен тем, что в его период ученые пытались создать систему, которая понимала бы человеческий язык и вести осмысленный диалог.
Задача научить компьютер понимать человеческую речь, мыслить и вести диалог так до сих пор и не разрешена. Существует достаточно большое количество наработок в части ввода текста с голоса, тем не менее, осмысленно отвечать на вопросы, произносимые человеком на естественном языке, компьютер не научился.
Основная технология интеллектуального диалога компьютера с человеком базируется на использовании комбинации ключевых слов и фраз, которые позволяют понять, в рамках какой предметной области человек ведет диалог. На основании сопоставлении этих ключевых слов и фраз компьютер формирует некоторый ответ, который соответствует предметной области диалога. Но подчас получается, что компьютер дает ответ не соответствующий логике задаваемого вопроса, что напоминает игру в «испорченный телефон».
Третий этап развития искусственного интеллекта называется «модернизм» и существовал в период с середины 70-х до конца 80-х года XX века. Этот этап развития запомнился в науке фактом развития экспертных систем, на которых остановимся несколько позже.
Четвертый этап развития искусственного интеллекта продолжается с начала 80-х годов XX века по настоящий момент и заключается в развитии Интернет-технологий в составе искусственного интеллекта. В большей степени это наблюдается в создании интеллектуальных поисковых систем. Такие системы основаны на исследовании человеческого мышления при поиске информации и построении логической модели пользователя.
Также в этот этап развития получили свое распространение юридические системы, которые тоже можно отнести к разряду интеллектуальных систем, основанных на анализе текстовой информации, написанной на естественном языке. Эти системы тоже являются поисковыми, но ориентированы они на другие методы анализа информации и построения модели пользователя с учетом предпочтений в процессе поиска информации, направленной на конкретную предметную область и словарных запас человека.
Базы знаний
Одним из его важнейших элементов искусственного интеллекта является база знаний.
Выделенные и организованные в виде отдельных, целостных структур информационного обеспечения знания о предметной области становятся явными и отделяются от других типов знаний, например, общих знаний.
Базы знаний позволяют выполнять рассуждения не только и не столько на основе формальной (математической) логики, но и на основе опыта, фактов, эвристик, т.е. они приближены к человеческой логике
Под базой знаний понимают компонент системы, представленный на специальном языке, хранящий знания о предметной области и формирующий соображения и выводы. [4]
Представление знаний.
Знания, описанные в явном виде, дают представление человека о какой-либо части реального мира, при этом позволяют делать на основе такого описания выводы, решать конкретные задачи. Так, после обработки статистики покупок возможно получение правила, согласно которому с подарочными изданиями в 80% случаев приобретают также и открытки, в том случае если покупка была совершена в течение месяца перед Рождеством. Такое правило будет полезным для работников маркетинговой службы магазина, поскольку поможет с помощью автоматизированных средств предлагать приобретение открыток всем покупателям подарочных изданий в указанный период времени.
Можно получить и более подробные знания в виде множества правил такого вида:
ЕСЛИ покупатель интересуется философией
И он интересуется точными науками
И он старше 30-ти лет
И (имеет ученую степень ИЛИ работает в ВУЗе)
ТО ему, вероятно, будут интересны книги по синергетике, вышедшие за последний год.
Тот факт, что покупатель интересуется точными науками, может быть получен из другого правила:
ЕСЛИ покупатель купил более 3-х книг по математике ИЛИ физике,
ТО он, вероятно, интересуется точными науками.
Знания имеют существенно более сложную природу, чем данные. Представлению данных присущ пассивный аспект: книга, таблица, заполненная информацией память.
В теории искусственного интеллекта особо подчеркивается активный аспект представления знаний: приобретение знания должно стать активной операцией, позволяющей не только запоминать, но и применять воспринятые (приобретенные, усвоенные) знания для рассуждений на их основе.
Использование символического языка, такого, как язык математической логики, позволяет формулировать описания в форме, одновременно близкой и к обычному языку, и к языку программирования. Впрочем, математическая логика позволяет рассуждать, базируясь на приобретенных знаниях: логические выводы действительно являются активными операциями получения новых знаний из уже усвоенных. Принципиальная мировоззренческая установка состоит в рассмотрении ЭВМ как предмета-посредника в познавательной человеческой деятельности. Компьютерная система, подобно другим предметам-посредникам (орудиям труда и предметам быта, инструментам, приборам, знаково-символическим системам, научным текстам и т. д.), играя инструментальную роль в познании, является средством объективизации накопленного знания, воплощением определенного социально-исторического опыта практической и познавательной деятельности.
Четкую грань между данными и знаниями провести можно не всегда, но, тем не менее, эти отличия существуют, и они привели к появлению специальных моделей представления знаний в памяти ЭВМ. Например, можно назвать четыре вида моделей (языков) представления знаний:
· модели (языки) семантических сетей;
· системы фреймов;
· логические языки (модели);
· продукционные модели.
Семантические сети.
В семантической сети вершинам сопоставлены понятия (объекты, события, процессы), а дугам - отношения на множестве понятий. В общем случае это означает, что в виде семантической сети можно отобразить знания, заключенные в текстах на естественном языке. Как показали исследования, в языках индоевропейской группы имеется не более 200 различных, не сводимых друг к другу отношений. Комбинации этих базовых отношений позволяют выразить остальные отношения, фиксируемые в текстах. Конечное число базовых отношений позволяет надеяться, что в базах знаний можно представить любую предметную область.
На примере семантической сети общего вида можно установить различие между базой данных и базой знаний. Предметная область есть множество допустимых состояний своих компонентов. Представленное через общие понятия и отношения между ними, это множество образует базу знаний - в виде абстрактной семантической сети. С другой стороны, в зависимости от ситуации компоненты предметной области будут иметь конкретные значения, свойства, характеристики. Все эти конкретные данные о предметной области будут отображаться в так называемой конкретной семантической сети или базе данных сетевой структуры.
Семантические сети, несмотря на большие возможности средств, используемых для отражения отношений между понятиями и объектами, обладают некоторыми недостатками. Слишком произвольная структура и различные типы вершин и связей требуют большого разнообразия процедур обработки информации, что усложняет программное обеспечение ЭВМ.
Понятиями обычно выступают абстрактные или конкретные объекты, а отношения – это связи типа: это (is); имеет частью (Has part); принадлежит; любит и т.д. (см. Рис. 72).
какой
имеет свойство
имеет
принадлежит к
классу
марки
имеет
принадлежит
Рис.72. Пример семантической сети
Наиболее часто в семантических сетях используются следующие отношения:
- связи типа «часть-целое» («класс-подкласс», «элемент-множество» и т.п.);
- функциональные связи (определяемые обычно глаголами «производит», «влияет» и т.д.);
- количественные (больше, меньше, равно и т.д.);
- пространственные (далеко от, близко от, за, под и т.д.);
- временные (раньше, позже, в течение …);
- атрибутивные связи (иметь свойство, иметь значение…);
- логические связи (и, или, не…).
Фреймовые модели
Фрейм в переводе означает рамка (frame - рамка). Любое представление о предмете, объекте, стереотипной ситуации у человека всегда обрамлено характеристиками и свойствами объекта или ситуации. В основе теории фреймов лежит фиксация знаний путем сопоставления новых фактов с рамками, определенными для каждого объекта в сознании человека. Структура в памяти ЭВМ, представляющая эти рамки, называется фреймом.
Слотом фрейма называется элемент данных, предназначенный для фиксации значений об объекте, которому отведен данный фрейм.
Слот фрейма характеризуется следующими параметрами:
· имя слота (каждый слот должен иметь уникальное имя во фрейме);
· указатель наследования.
Указатель наследования показывает, какую информацию об атрибутах слотов во фрейме верхнего уровня наследуют слоты с теми же именами во фрейме нижнего уровня. При этом могут быть следующие ситуации:
· слот наследуется с теми же значениями данных (т.е. тот же);
· слот наследуется, но данные в каждом фрейме могут принимать любые значения (уникальный);
· слот не наследуется (независимый).
Фреймы обладают свойством вложенности, т.е. в качестве значения слота может выступать система имен слотов более глубокого уровня. Свойство вложенности, возможность иметь в качестве значений слотов ссылки на другие фреймы и на другие слоты того же самого фрейма обеспечивают фреймовым моделям удовлетворение требований связности и структурированности знаний. Наличие имен фреймов и имен слотов означает, что знания хранимые во фреймах, имеют характер отсылок и тем самым внутренне интерпретированы.
Использование фреймов в фундаментальных науках дает возможность формирования более строгого понятийного аппарата и комплексирования обычных математических моделей с фреймовыми формализмами. Для описательных наук фреймы - это один из немногих способов формализации, создания понятийного аппарата.
Различают фреймы-образцы, или прототипы, хранящиеся в базе знаний, и фреймы-экземпляры, которые создаются для отображения реальных ситуаций на основе поступающих данных (см. Рис. 73).
Человек
Ребенок
 |
Ученик
Рис. 73. Сеть фреймов
Модель фрейма является достаточно универсальной, поскольку позволяет отобразить все многообразие знаний о мире через следующие структуры:
- фреймы – структуры, для обозначения объектов и понятий (заем, залог, вексель);
- фреймы – роли (менеджер, кассир, клиент);
- фреймы – сценарии (банкротство, собрание акционеров, празднование именин);
- фреймы – ситуации (тревога, пожар, авария, рабочий режим).
Важнейшим свойством теории фреймов является заимствованное из теории семантических сетей наследование свойств. Наследование происходит по АКО-связям. ( A-Kind-of=это) - похожий вариант.
Основным преимуществом фреймов как модели представления знаний является способность отражать концептуальную основу организации памяти человека, а также ее гибкость и наглядность.
Специальные языки представления знаний в сетях фреймов FRL (Frame Representation Lanquage) и другие позволяют эффективно строить интеллектуальные информационные системы и, в частности, промышленные экспертные системы. Широко известны такие фреймо- ориентированные экспертные системы, как ANALYST, МОДИС.
Логические модели знаний
Логические модели знаний - основа человеческих рассуждений и умозаключений, которые, в свою очередь, могут быть описаны подходящими логическими исчислениями.
Логические исчисления могут быть представлены как формальные системы в следующем виде:
М=(T,P,A,F),
где T - множество базовых элементов (например, буквы некоторого алфавита);
P - множество синтаксических правил, на основе которых из T строятся правильно построенные формулы;
A - множество правильно построенных формул, элементы которого называются аксиомами;
F - правила вывода, которые из множества А позволяют получать новые правильно построенные формулы (теоремы).
К таким логическим исчислениям можно отнести:
· силлогистику Аристотеля;
· прикладные исчисления высказываний и предикатов, среди которых можно выделить псевдофизические логики.
Продукционные модели знаний
Продукционные модели – модели, основанные на правилах, позволяет представить знания в виде предложений типа: Если (условие), то (действие).
Продукция – это правило, представляющее собой пару следующего вида:
· ситуация - действие;
· посылки - заключение;
· причина - следствие и т.п.
Подобного рода правила встречаются в различных областях знаний и видах деятельности, так в повседневной жизни мы постоянно окружены различного рода правилами поведения, уличного движения, грамматическими правилами, статьями уголовного и гражданского кодекса и т.п.
При использовании продукционной модели база знаний состоит из набора правил. Программа, управляющая перебором правил, называется машиной вывода. Вывод бывает прямой - от данных к поиску цели, и обратный – от цели для ее подтверждения – к данным.
Продукционная модель состоит из трех основных компонентов:
· набора правил, представляющего собой в продукционной системе базу знаний;
· рабочей памяти, в которой хранятся исходные факты и результаты выводов, полученных из этих фактов;
· механизма логического вывода, использующего правила в соответствии с содержимым рабочей памяти и формирующего новые факты.
Каждое правило содержит условную и заключительную части. В условной части правила находится одиночный факт либо несколько фактов (условий), соединенных логической операцией "И". В заключительной части правила находятся факты, которые необходимо дополнительно сформировать в рабочей памяти, если условная часть правила является истинной.
Продукционная модель чаще всего применяется в промышленных экспертных системах. Ее достоинствами являются: наглядность, высокая модульность, легкость внесения изменений и дополнений, простота механизма логического вывода.
Имеется большое число программных средств, реализующих продукционный подход: язык OPS 5, оболочки или пустые экспертные системы – EXSYS, ЕКСПЕРТ, промышленные ЭС на основе системы ФИАКР и т.д.
Экспертные системы
Под экспертной системой понимают программное средство, использующее знания экспертов, для высокоэффективного решения задач в интересующей пользователя предметной области.
Развитие экспертных систем продолжается по сегодняшний день. В основном экспертные системы используются для решения задач, соответствующих следующим критериям:
- задача не может быть определена в четкой числовой форме или содержит ряд данных, не представленных в числовой форме;
- не существует четкого алгоритмического решения – здесь стоит остановиться, поскольку считается, что алгоритмическим путем можно решить любую задачу. Это действительно так. Проблема заключается в том, на сколько это алгоритмическое решение будет сложным и на сколько возможно реализация такого решения. Соответственно, если реализация алгоритмического решения слишком сложна, требует много времени для выполнения или сам алгоритм невозможно реализовать ввиду его сложности, то такие задачи решаются с помощью экспертных систем и методов, которые в них закладываются;
- существует алгоритмическое решение, но оно не может использоваться ввиду ограниченности ресурсов – этот критерий очень близок по смыслу к предыдущему критерию, ограничивая возможность использования классических алгоритмов решения задач техническими проблемами компьютерной техники.
Полезное использование экспертных систем заключается в реализации задач принятия решений на основании формализованных правил, статистического анализа и применения теории вероятности.
Схематично экспертную систему можно представить следующим образом (см. рис. 74):
Рис. 74. Структура экспертной системы
В данной структуре есть несколько важных компонентов, существенно отличающих экспертную систему от обычно вычислительно информационной системы:
- диалоговый компонент – это элемент, отвечающий за взаимодействие системы с человеком-оператором, который вводит информацию на вопросы экспертной системы. Варианты ввода, наиболее часто используемые в экспертных системах, которые аналогичны классической информационной системе:
- ввод в поля экранной формы, последовательно отвечая на вопросы системы и давая ответы путем ввода некоторых данных с клавиатуры;
- выбора одного или нескольких ответов из предложенного списка;
- база знаний – это элемент, содержащий достоверную и актуальную информацию о предметной области и правила обработки этой информации. Вся работа по проверке непротиворечивости информации, ее истинности и возможности использования для получения достоверного результата осуществляется с использованием базы знаний;
- механизм вывода – это элемент экспертной системы, который осуществляет односторонний диалог от компьютера к человеку-оператору, и дает варианты решения поставленной задачи. Также этот элемент позволяет интерпретировать полученный результат в терминах предметной области, в рамках которой решается задача, и на языке, понятном пользователю. Это необходимо делать по причине того, что вся обработка информации осуществляется на основании математических методов и формул с использованием правил логического анализа. Естественно, что пользователь, получив некоторый набор математических формул и выводов, не сможет понять предложенного решения. Именно перевод из математических формул и выводов в естественный язык и выполняется механизм вывода;
- объяснительный компонент – это элемент, который позволяет пользователю получить некоторый анализ процесса поиска решения и выяснить, почему было получено то или иное решение.
Процесс функционирования экспертной системы представлен на рис. 75.
Рис. 75. Процесс функционирования экспертной системы
Стоит заметить, что процесс функционирования экспертной системы начинается не с использования ее конечным пользователем, как это принято считать при работе с классическими информационными системами, а с момента разработки инструментария, т.е. некоторой оболочки, которая позволит конечному пользователю взаимодействовать с этой системой и получать наиболее правильные решения.
В связи с этим, в процессе функционирования экспертной системы выделяют 4 основных участника процесса:
- разработчик инструментария – это человек, который создает программную оболочку экспертной системы и закладывает базовые правила обработки информации в этой системе. В результате работы этого участника функционирования экспертной системы получается средство построения экспертной системы, в котором прописаны основные объекты предметной области, правила работы с этими объектами, методы и модели обработки информации через свойства объектов предметной области;
- предметный эксперт – это человек, способный ясно выражать свои мысли и пользующийся репутацией специалиста, умеющего находить правильные решения проблем в конкретной предметной области. Этот участник через механизм взаимодействия с оболочкой и базой знаний («инженера знаний») описывает предметную область, создавая свойства объектов, задавая им определенные значения, критерии и правила работы. Все знания, которые эксперт закладывает в базу знаний, являются истинными и рассматриваются экспертной системой, как абсолютно достоверными или «аксиомой»;
- клерк – это человек, осуществляющий наполнение базы знаний дополнительной информацией и следящий за целостностью экспертных знаний. Как правило, вся информация, вносимая в экспертную систему клерком, проверяется на непротиворечивость, достоверность и истинность. Это осуществляет сама экспертная система на основе заложенных в нее правил проверки знаний;
- конечный пользователь – это человек, реально использующий экспертную систему для решения своих задач, использующий заложенные в систему правила и объекты. В процессе работы конечный пользователь вводит базовые значения дл свойств объектов, на основании которых хочет получить определенный результат или ответ на вопрос.
Стоит отметить, что экспертная система не является классической информационной системой и не является строго вычислительной системой. Это объясняется тем, что все решения, которые вырабатывает экспертная система, основываются на вероятностных моделях, а также сами являются достоверными с определенной вероятностью. Соответственно, чем больше вероятность достоверности решения, тем более приемлемым оно может быть для конечного пользователя.
Нейросетевая технология
При рассмотрении этапов развития искусственного интеллекта нельзя не рассмотреть одну важную технологию, которая называется «нейросетевая технология». Нейро (греч. neuron – нерв) - это первая составная часть сложных слов, указывающая на отношение их к нервной системе. Данная технология не была привязана в своем развитии к какому-либо этапу, а создавалась (и создается) параллельно развитию искусственного интеллекта.
Достаточно часто на практике приходится сталкиваться со следующей задачей: есть таблица данных (результаты измерений, социологических опросов или обследований больных). Необходимо определить: каким закономерностям подчиняются данные в таблице. Следует заметить, что характерный размер таблицы – порядка ста признаков и порядка нескольких сотен или тысяч объектов. Ручной анализ таких объемов информации фактически невозможен.
Первым шагом в решении данной задачи является группировка (кластеризация, классификация) объектов в группы (кластеры, классы) «близких» объектов. Далее исследуются вопросы того, что общего между объектами одной группы, и что отличает их от других групп.
Под близостью объектов можно понимать множество разных отношений близости. К сожалению, вид близости и число классов приходится определять исследователю, хотя и существует ряд методов, помогающих ему в этом.
Для решения подобных задач и предназначены нейронные сети (НС), использующие нейросетевые технологии.
Актуальность исследований в нейронных сетях подтверждается массой различных применений НС, а именно:
· автоматизация процессов распознавания образов,
· адаптивное управление,
· аппроксимация функционалов,
· прогнозирование,
· создание экспертных систем,
· организация ассоциативной памяти и многие другие приложения.
· С помощью НС можно, например,:
· предсказывать показатели биржевого рынка,
· выполнять распознавание оптических или звуковых сигналов,
· создавать самообучающиеся системы, способные управлять автомашиной при парковке
· синтезировать речь по тексту и т. д.
Суть нейросетевой технологии заключается в поиске решения, основанном на «генетическом» развитии объектов, которые называются «нейроны».
Схематично нейросетевую технологию можно представить следующим образом (см. рис. 76):
Рис. 76. Иллюстрация нейросетевой технологии
Суть нейросетевой технологии состоит в следующем:
- имеется некоторое количество нейронов (элементов объектов), которые пребываю в определенном состоянии;
- имеется ряд других объектов, которые связаны с базовыми. Эти объекты также описываются некоторым количеством нейронов (элементов объектов), которые тоже могут принимать определенные состояния;
- все объекты некоторым образом связаны друг с другом по определенным математическим правилам, которые позволяют изменять состояние элемента объекта в соответствии с некоторыми состояниями родительских объектов;
- имеется некоторый набор математических моделей, состоящих из математических и логических формул;
- на первом этапе базовым нейронам устанавливается некоторые состояния;
- в первый шаг выполняются некоторые формулы, которые изменяют состояния дочерних нейронов. Причем количество дочерних нейронов независимо от количества родительских;
- дальнейшие шаги технологии выполняются аналогично предыдущему до момента пока не будет получено некоторое количество конечных решений.
Стоит отметить, что в процессе выполнения решения задачи могут быть сформированы новые нейроны и скорректированы формулы изменения состояния нейронов. Эта возможность позволяет сети нейронов самообучаться, в результате чего можно получить новые знания о предметной области на основании уже имеющихся данных.
Дата добавления: 2018-02-15; просмотров: 2850; Мы поможем в написании вашей работы! |
Мы поможем в написании ваших работ!