CC BY
121
УДК 004.8, 004.032.26
СУВОРОВА Е.Ю., ассистент (ЛНУ имени Тараса Шевченко) Анализ основных технологий вычислительного интеллекта Suvorova E.Y. assistant (Luhansk Taras Shevchenko National University) Analysis of the basic technologies of computational intelligence
Введение
В условиях быстрого роста объемов информации и технических мощностей для ее обработки, для решения сложных задач, которые человек ранее решал самостоятельно, все больше используются машины. Исследования в области искусственного интеллекта способствовали созданию экспертных систем,
автоматизированных систем принятия решений и т.п. В системах подобного рода используются процессы символьной обработки и базы правил, основанные на формализме и статистическом анализе. Это накладывает существенные
ограничения, поскольку предполагает наличие специализированных баз знаний и узконаправленных
вычислительных методик. Возникает необходимость в создании т.н. нечетких интеллектуальных систем, способных принимать решения на основе имеющихся доступных эмпирических данных. Интеллектуальность в данном контексте следует понимать как способность применять знания, полученные в процессе обучения, умение обобщать информацию и генерировать правила вывода. Модели, обладающие вышеперечисленными свойствами, определяются понятием вычислительный интеллект
результатов предыдущих
(Computational
intelligence).
Вычислительный интеллект (ВИ), в отличие от классического
искусственного интеллекта,
основанного на строгом логическом выводе, опирается на эвристические алгоритмы и подразумевает
итеративную разработку с
непрерывным анализом полученных и корректировкой этапов работы.
Вычислительный интеллект иначе называется «Интеллектуальные
алгоритмы» (Intelligence algorithms).
Анализ публикаций
На сегодняшний день существует довольно много определений понятия «вычислительный интеллект». Впервые термин «вычислительный интеллект» был введен Бездеком [Bezdek J., 5]. Автор определил его следующим образом: «Система является
интеллектуальной вычислительно, если она: оперирует только с цифровыми данными; имеет компоненты
распознавания образов; не использует знания в смысле искусственного интеллекта и проявляет: а) вычислительную адаптивность; б) вычислительную отказоустойчивость; в) уровень ошибок, аппроксимирующий характеристики человека». В дальнейшем это определение конкретизировалось. В работе Р. Маркса [Marks R., 7] в определении
«вычислительного интеллекта» делает акцент на составляющие его технологии. Многие из них обсуждаются в монографиях Ф. Люгера [1], а также Р. Стюарта [2], в которых дается фундаментальное изложение основных направлений искусственного интеллекта. Основные особенности и свойства моделей вычислительного интеллекта, отличающие их от экспертных и прогностических систем, изложены в работе Згуровского М.З. [3].
Среди трудов последних лет необходимо отметить монографию С. Блейксли и Дж. Хокинса [6], в которой авторы представляют свою теорию строения мозга, основанную на их знаниях в областях нейробиологии, психологии и кибернетики и объясняют, почему попытки создания
искусственного интеллекта до сих пор не достигли ожидаемого уровня.
Цель работы
К основным технологиям вычислительного искусственного
интеллекта относятся нечеткие системы (Fuzzy systems), искусственные нейронные сети (Artificial neural networks), эволюционные вычисления (Evolutionary computation).
Цель работы: сделать обзор и провести анализ вышеупомянутых компонентов вычислительного
интеллекта, обозначить их особенности и характеристики, проследить взаимосвязи.
Основная часть
Нечеткие системы -
информационные системы,
базирующиеся на нечетких множествах и нечеткой логике. Нечёткая логика базируется на понятии нечёткого множества - совокупность
упорядоченных пар (ца (х), х) с
функцией принадлежности элемента к множеству /иа (х), такая что
/иа (х) е [0; 1]. Величина /иа (х1)
принимает любые значения в интервале [0,1], а не только 0 или 1. На основе этого понятия вводятся различные логические операции над нечёткими множествами и формулируется понятие лингвистической переменной, в качестве значений которой выступают нечёткие множества.
Главным образом, механизм логического вывода в рамках нечеткой логики включает следующие этапы (рис. 1):
- введение нечеткости (фазификация) - точное числовое значение интерпретируется как нечеткая точка,
- нечеткий вывод (композиция входной переменной и вычисление нечеткой импликации). Результатом выполнения вышеуказанных этапов являются множество нечетких значений для вывода;
композиция и приведение к четкости (дефазификация) - процедура преобразования нечеткого множества в четкое число. Для дефазификации нечеткого результата главным образом используются три метода: метод максимальной высоты, метод среднего максимума и метод центра гравитации.
Алгоритмы нечеткого вывода различаются видом используемых правил, логических операций и разновидностью метода дефазификации (Мамдани; Цукамото; Сугено; Ларсена).
Нечеткая логика является одним из мощных инструментов для разработки автономных
интеллектуальных систем. Ее использование полезно для решения проблемы, для которой трудно построить математическую модель. Большая часть возможностей нечеткой логики вытекает из ее способности делать выводы и генерировать ответы,
основанные на неопределенных, двусмысленных, неполных и неточных
данных.
Рис. 1. Система нечеткого вывода
К достоинствам нечетких систем также можно отнести
функционирование в условиях неопределенности; использование
экспертных знаний в управлении; построение моделей приближенных рассуждений человека; оперирование качественными и количественными данными; устойчивость при действии на систему всевозможных возмущений. С другой стороны, применение нечеткого подхода по сравнению с вероятностным, не приводит к повышению точности вычислений. Кроме того, база нечетких правил, формулируемая экспертом, может оказаться неполной или
противоречивой.
Искусственные нейронные сети (ИНС) - математические, программные модели, позволяющие воспроизводить чрезвычайно сложные зависимости, нелинейные по своей природе. По сути, это распределенный параллельный процессор, состоящий из элементарных единиц обработки информации, накапливающих экспериментальные знания и предоставляющих их для последующей обработки.
ИНС созданы по принципу взаимодействия клеток человеческого мозга, способных к распознаванию
объектов, обучению и накапливанию опыта, а именно, множество простых элементов со многими входами и одним выходом (т.н. искусственные нейроны), соединены связями, обладающими различными параметрами.
Математическая модель искусственного нейрона представлена выражением
п
У = / (Ю = / (!щхг + щ,), (0.1)
1=1
где у - выходной сигнал нейрона;
/(s) - функция выходного блока нейрона;
щ -синаптический коэффициент (вес /-го входа);
Х - /-й входной сигнал;
щ - начальное возбуждение или смещение нейрона,
/ = 1, п - номер входа нейрона; п - число входов.
Передаточные функции /всех
нейронов в сети фиксированы, а веса щ
являются параметрами сети и могут изменяться. На рисунке 2 представлена однослойная архитектура нейронной сети.
Рис. 2. Однослойная нейронная сеть
Алгоритм обучения состоит в классификации (распознавании)
входных сигналов образцам. Процесс обучения происходит за счет изменения весовых коэффициентов ^.
Нейросети широко применяются для распознавания и воспроизведения речи, обработки изображений, сложного прогнозирования, классификации,
кластеризации данных, управления роботами, сжатия данных. Они используются для прокладки маршрута и работы систем навигации, в особенности для беспилотных аппаратов. На них обратили внимание производители антивирусного ПО, которое позволяет защитить
информацию от киберпреступников и выявить противозаконный контент в Интернете.
Нейронные сети, благодаря своей параллельной структуре, способны к ассоциированию, абстрагированию, классификации, адаптации к
конкретным проблемам. Нейронные сети самостоятельно, под воздействием внешней среды, обучаются решению разнообразных задач.
Время, затрачиваемое на обработку и достижение результата, зависит от размера нейронной сети. Если нейронная сеть массивна, на обработку потребуется больше времени.
Учитывая нелинейную природу, нейросеть способна учитывать очень
сложные физические характеристики объекта. При этом вычисления происходят одновременно, начиная со всех входных нейронов. Это значительно ускоряет обработку данных. Нейросети обладают свойством масштабируемости и при добавлении в сеть вычислительных ресурсов увеличивается ее производительность. Кроме того, нейронные сети обладают адаптивностью, т.е. могут изменять свои параметры в меняющейся окружающей среде. Однако если адаптивность очень высока, а среда изменяется медленнее, система будет реагировать на посторонние шумы и постоянно перестраивать свою структуру. При этом
производительность модели снизится.
Для устранения имеющихся недостатков, была предложена интеграция нейронных сетей и систем с нечеткой логикой [Wang F., 8]. Новая гибридная технология -
нечёткие нейронные сети (ННС, fuzzy-neural networks). ННС
осуществляют выводы на основе аппарата нечёткой логики, однако параметры функций принадлежности настраиваются с использованием алгоритмов обучения нейронных сетей. Ванг доказал, что такие сети являются универсальными аппроксиматорами. Быстрые алгоритмы обучения и интерпретируемость накопленных
знаний сделали нечёткие нейронные
сети одним из самых перспективных и эффективных инструментов
вычислительного интеллекта.
Эволюционные вычисления -класс вычислительных методов и алгоритмов поиска, оптимизации и обучения, основанных на некоторых формализованных принципах
естественного эволюционного отбора, т.е. из набора кандидатов (популяции), получаемого посредством скрещивания и мутаций, по принятому критерию отбираются лучшие, наиболее приспособленные для решения задачи. Одно из наиболее популярных направлений эволюционных
вычислений - генетические алгоритмы.
Генетические алгоритмы (ГА) -это раздел эволюционного
моделирования, заимствующий
методические приемы из теоретических положений генетики. Они оперируют совокупностью «особей»,
представляющих собой строки, каждая из которых кодирует одно из решений задачи. Приспособленность особи оценивается с помощью специальной функции. Наиболее адаптированные приобретают возможность
скрещиваться и давать потомство. Наихудшие особи удаляются и не дают потомства. Таким образом,
приспособленность нового поколения в среднем выше предыдущего.
Решение задачи представляет собой вектор (называемый хромосомой) - самостоятельная структурная единица популяции, представляющая собой одно из возможных решений задачи, закодированных специально
выбранным способом. Случайным образом создается некоторое количество начальных векторов (начальная популяция) - совокупность
особей, которые могут принимать участие в формировании потомков в ходе эволюции по выбранному репродуктивному плану.
Репродуктивный план - совокупность эволюционных стратегий, генетических операторов, правил и настроек, выбранных для конкретного
генетического алгоритма. Начальная популяция оценивается с
использованием функции
приспособленности, в результате чего каждому вектору присваивается определенное значение
(приспособленность), которое
определяет вероятность выживания организма, представленного данным вектором. После этого с использованием полученных значений приспособленности выбираются
векторы (селекция), допущенные к скрещиванию. С целью создания следующего поколения к векторам применяются генетические операторы, главным образом, скрещивание и мутация - синтез нового генотипа из фрагментов нескольких родительских особей и изменение одного или нескольких генов в случайных позициях хромосомы, соответственно. Особи следующего поколения оцениваются подобным образом, производится селекция, применяются генетические операторы. Эволюционный процесс продолжается несколько поколений (жизненных циклов), пока не будет выполнен критерий основа алгоритма. Законченная последовательность
вычислительных операций, связанная с применением генетических операторов и эволюционных стратегий в отношении выбранной популяции, называется эпохой (рис.3).
Результат
Рис. 3. Элементарный генетический алгоритм
Генетические алгоритмы
применяются для решения следующих задач: оптимизация функций; разнообразные задачи на графах; настройка и обучение искусственной нейронной сети; задачи компоновки; составление расписаний; игровые стратегии; аппроксимация функций; биоинформатика. Другая область применения - использование в системах извлечения новых знаний из больших баз данных, оценка параметров в задачах многомерного статистического анализа.
Когда задача хорошо решается традиционными методами или требуется высокая точность решения, нет необходимости применять генетические алгоритмы. Но для решения комбинаторных задач, для оценки значений непрерывных параметров моделей большой размерности, для оптимизации моделей, включающих одновременно
непрерывные и дискретные параметры, применение генетического алгоритма оправдано.
В процессе работы генетические алгоритмы не используют никакой дополнительной информации, только данные об области допустимых значений параметров и целевой функции в произвольной точке, что
повышает скорость их работы. Для порождения новых точек поискового пространства ГА использует как вероятностные, так и
детерминированные правила. Это дает значительно больший эффект, чем применение этих методов в отдельности. С другой стороны ГА требуют адаптации к каждому конкретному классу задач путем выбора определенных характеристик и параметров. Проблемой также является довольно высокая вычислительная ресурсоемкость.
Исследования показали, что использование генетического алгоритма вместо алгоритма обратного распространения на этапе обучения нейронной сети позволяет повысить скорость обработки данных. Это становится возможным за счет подстройки весов скрытых и выходных слоев при фиксированном наборе связей. Таким образом, применение генетического алгоритма позволяет получать лучшие векторы весовых коэффициентов за существенно меньшее количество времени [10].
Выводы
В статье сделан обзор современных технологий
вычислительного интеллекта,
проанализированы их основные свойства и возможности применения.
Поскольку ВИ является отображением и технической реализацией способностей интеллекта человека, следует ожидать его дальнейшего развития. А именно: расширения сфер применения, совершенствования самих методов. Актуальным является развитие параллельных генетических
алгоритмов, адаптация и самообучение параметров ГА с целью повышения точности. В ходе исследования отмечены взаимосвязи между технологиями и методами
вычислительного интеллекта,
наблюдается взаимное проникновение различных парадигм и их слияние в единую концепцию. Таким образом, направлением дальнейшего развития следует так же считать глубокую интеграцию методов и алгоритмов вычислительного интеллекта в соответствующие технологии.
Список литературы:
1. Люгер Ф. Искусственный интеллект. Пер. с англ. М.: Изд. Дом «Вильямс», 2006. - 865 с.
2. Рассел Стюарт и Норвиг Питер. Искусственный интеллект: современный подход, Второе издание: Пер. с англ. М.: Изд. Дом «Вильямс», 2007- 1408 с.
3. Згуровский М.З. Зайченко Ю.П. Основы вычислительного интеллекта -К.: Изд. «Наукова думка», 2013.- 406 с.
4. Хайкин Саймон. Нейронные сети: полный курс, 2-е изд. ,испр. Пер. с англ. М.: Изд. Дом Вильямс, 2006.- 1104 c.
5. J.C. Bezdek, "What is computational intelligence?" in Computational Intelligence Imitating Life,
Zurada, J. M., R. J. M. II, and C. J. Robinson, Eds., IEEE Press, New York, 112, 1994.
6. Хокинс Дж., Блейксли С. Об интеллекте. Пер. с англ. - М.: ООО «ИД. Вильямс», 2007. - 240с.
7. Marks R., "Intelligence: computational versus artificial," IEEE Trans. Neural Networks, 1993. 4, 737739.
8. Wang F.: "Neural Networks Genetic Algorithms, and Fuzzy Logic for Forecasting," Proceedings, International Conference on Advanced Trading Technologies, New York, July 1992, pp. 504-532.
9. Rumelhart, D.E. Learning internal representations by error propagation / D.E. Rumelhart, G.E. Hinton, R.J. Williams // Parallel Distributed Processing.- 1986.-V.1.- p. 318-362.
10. А.М. Липанов. Применение генетического алгоритма для обучения нейронной сети в задаче идентификации СТМ-изображений / А.М. Липанов, А.В. Тюриков, А.С. Суворов, Е.Ю. Шелковников, П.В. Гуляев - ФГБОУ ВПО «Алтайский государственный технический университет им. И.И. Ползунова» (АлтГТУ), 2010. - 216-220.
11. Девятков, В.В. Системы искусственного интеллекта: учеб. пособие для вузов / В.В. Девятков. - М.: Изд-во МГТУ им. Н.Э. Баумана, 2001. -352 с.
12. Потапов, А.С. Распознавание образов и машинное восприятие: общий подход на основе принципа минимальной длины описания /А.С. Потапов. - СПб.: Политехника, 2007. -548 с.
13. Гаврилов, А.В. Системы искусственного интеллекта: учеб. пособие: в 2-х ч./А.В. Гаврилов. -Новосибирск: Изд-во НГТУ, 2001. -1047 с.
14. Смолин, Д.В. Введение в искусственный интеллект: конспект лекций/Д.В. Смолин - М.: ФИЗМАТЛИТ, 2004. - 208 с.
Аннотации:
Статья посвящена анализу современных технологий вычислительного интеллекта и их методов. Обозначены и охарактеризованы основные компоненты вычислительного интеллекта, определены их взаимосвязи и направления дальнейшего развития.
Ключевые слова: генетический алгоритм, нейронная сеть, интеллектуальные системы, вычислительный интеллект, нечеткая логика.
The article is devoted to the analysis of modern technologies of computing intelligence and their methods. The main components of the computational intelligence have been identified and characterized, their interrelations and directions for further development have been determined.
Keywords: genetic algorithm, neural network, intelligent systems, computational intelligence, fuzzy logic.
УДК 004.67
НЕС ТРУГИНА ЕС., к.т.н. (ГОУ ВПО «ДонНУ»), ЧИЧИКАЛО НИ., д.т.н. НТУУ «КПИ им. И. Сикорского»), ЛАРИНА ЕЮ. к.т.н. НТУУ «КПИ им. И. Сикорского»)
Информационная технология сбора информации о состоянии опорно-двигательной системы человека в процессе реабилитации после травмы
Nestrugina E.S., Cand. Sci. (Tech.) (Donetsk National University),
Chichikalo N.I. Dr. Sci. (Tech.), (National Technical University of Ukraine "Igor Sikorsky
Kyiv Polytechnic Institute"), Larina E.U. Cand. Sci. (Tech.) (National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute")
Information technology for collecting information about the state of the human musculoskeletal system in the process of rehabilitation after trauma
Введение
Последствия травмы являются одной из причин функциональных нарушений опорно-двигательной системы человека. От 4% до 6% населения ежегодно получают повреждения опорно-двигательной системы. 16% инвалидности по данным ВОЗ является последствиями травмы. [1-4].
Оценка функционального
состояния опорно-двигательной
системы человека является сложной задачей. Диагностика нарушений двигательной функции и определение динамики её развития являются существенной проблемой медицинской реабилитации органов опоры и движения после травмы, что особенно актуально в настоящее время [1, 5-8].
Двигательная функция не может быть объективно оценена с помощью органов чувств, что не позволяет раскрыть картину имеющейся
