CC BY
74
Все это позволяет указать на перспективу использования полученных результатов при разработке аппаратуры КНЭЛ, а в дальнейшем, для обучения персонала правилам работы с эхолотом. Следовательно, разработанный комплекс предполагается использовать в двух направлениях
- при построении учебно-тренировочных стендов командного состава плавсредств;
- при дальнейшей разработке аппаратно-программных средств КНЭЛ и их отладке путем постепенного преобразования имитационного комплекса в комплекс полуна-турного моделирования за счет подмены отдельных компонентов комплекса на реальные образцы приборов КНЭЛ.
Н.Б. Тушканов, О.С. Гриднева, С.П. Загайнова
НЕЙРОСЕМАНТИЧЕСКАЯ ТЕХНОЛОГИЯ ДИАГНОСТИКИ КАЧЕСТВА
ЗНАНИЙ И ПОНИМАНИЯ
Одним из наиболее многообещающих направлений развития интеллектуальных систем контроля и диагностики качества знаний и уровня понимания, формируемых процессом научения, является их построение на основе психосемантических структур (моделей), используемых при создании экспертных, экспертно-обучающих и тренажных комплексов [1, 2]. Приведем основные особенности организации диагностических систем на основе психосемантического подхода.
1. Модели когнитивных структур личности отражают такие ее особенности, как качество знаний, опытность, профессиональность, степень обученности, характер понимания.
2. Путем выбора набора понятий-стимулов можно задать область семантического пространства, характеризующую знания и другие профессиональные навыки личности в конкретной проблемной области.
3. Для формирования моделей когнитивных структур целесообразно использование двух формальных механизмов - ассоциативные сети и семантические сети, поскольку именно ассоциирование и семантическое связывание на основе формальных грамматик наиболее полно характеризует структуры знаний и особенности понимания.
4. Для построения ассоциативных сетей естественным образом подходит метод оценки попарной близости понятий (отношение «далеко - близко») по некоторой шкале.
5. Для построения семантических сетей можно использовать модифицированный метод минимального контекста, сущность которого состоит из предъявления испытуемому (эксперту) триад понятий и извлечения из него информации об отношениях между ними на основе одной из формальных грамматик (например, грамматики Филмора). Причем одна триада может содержать не одно, а несколько различных отношений. Использование трех понятий позволяет выявить иерархические отношения и построить элементарные бинарные поддеревья, объединением которых можно сформировать сложные многоуровневые иерархические семантические структуры.
Эффективность психосемантических технологий во многом определяется качеством и разнообразием методов и средств обработки первичных данных (матриц, таблиц, графов, диаграмм). На рис. 1 показаны примеры представления моделей знаний субъекта на основе семантических и ассоциативных сетей.
В данной работе предлагается реализовать для анализа и обработки первичных данных (двумерных массивов, называемых далее образами) нейросетевые методы, широко применяемые для диагностики неисправностей технических объектов.
Целями такого подхода могут являться:
1) определение координат дву- либо многомерного пространства точечного отображения образов;
2) кластеризация образов;
3) классификация образов испытуемых по классам, задаваемых эталонными образами экспертов (при использовании для диагностики экспертов в количестве больше одного);
4) определение степени коррелированности образов;
5) нахождение главных (наиболее значимых) и наименее значимых компонент;
6) определение междисциплинарных корреляций образов и их усредненных моделей;
7) построение и анализ траекторий движения точек-образов в семантическом пространстве в процессе обучения.
Анализ нейросетевых технологий обработки данных, наиболее полно описанных в [3], позволил предложить для реализации пп. 1.. .7 следующий подход, который назван нами нейросемантическим.
1. Путем использования одной из методик извлечения знаний формируются модели знаний (образы) экспертов Мэ1, 1=1, 2...№, № - количество экспертов (преподавателей, ученых, специалистов), принявших участие в создании диагностической системы. Эти модели, несмотря на близость, могут отличаться в связи с разным опытом, глубиной понимания, степенью осведомленности.
2. С помощью идентичных процедур создаются модели испытуемых Ми1, 1=1. Ыи, где № - количество испытуемых, желательно, чтобы выполнялось условие Ыи>>№, что легко достижимо.
3. Для упрощения и ускорения процессов обучения и самоорганизации нейросете-вых структур матрицы приводят к бинарному виду (значения элементов могут быть приведены к значениям (0,1) сети Кохонена, Хопфилда либо (-1,1) сети Хэмминга, Кос-ко).
4. Образы Мэ1 используются в качестве обучающей выборки для обучения сетей
Хопфилда и Хэмминга, причем количество входов должно быть равно п = 1 , где р
- количество используемых в процессе извлечения знаний понятий-стимулов либо в качестве «первичных» значений образов-прототипов в сетях Кохонена.
5. Для определения первого и второго главных компонентов, используемых в качестве координат, хорошо зарекомендовали себя алгоритмы, основанные на правиле Хебба (алгоритмы Ойя и Сенгера).
6. Для выявления скрытых корреляций наиболее перспективными представляются 1СА-сети Херольта-Джуттена, причем в качестве разделяемых сигналов используется бинарная последовательность, образуемая строками (или столбцами) матриц моделей.
Элементарные семантические
Матрица семантических связей 1 2 3 4 5 6 7
ш 1 1 0 0 0 0
0 и 1 1 0 0 0
1 0 и 0 1 0 0
0 0 0 и 0 0 0
0 1 0 1 и 0 0
1 0 0 0 0 ни 1
0 0 0 0 0 0
Ассоциативная сеть проблемной области
Матрица ассоциативных связей
1 2 3 4 5 6
ш 4 0 2 1 1
4 и 1 2 1 3
0 1 и 2 2 3
2 2 2 И 0 1
1 1 2 0 И 2
1 3 3 1 2 Л
Рис. 1. Представления первичных данных в системах извлечения знаний на основе психосемантических технологий
В качестве примера приведем результаты кластеризации образов 30 испытуемых при использовании в качестве прототипов образов 4-х экспертов (в качестве которых выступали преподаватели ведущие одну и ту же дисциплину). На рис. 2 приведены результаты самоорганизации сети Кохонена. Количество понятий равно 15; количество входных элементов равно 105; количество выходных - 4, количество итераций - 4000.
Использование сети Хэмминга позволяет выявить «степень взаимопонимания» преподавателей-экспертов и обучаемых. Для этого сеть с числом выходов второго слоя
(третий не использовался) п2=4 и числом входов 105 (р=15) сначала «обучалась» на моделях экспертов (№=4), а затем находила наиболее близкие к каждому из экспертных образы обучаемых.
В качестве среды реализации нейросемантического подхода использовался программный комплекс на основе программы семантического анализа «СЕСТРА», разработанная на кафедре ЭВМ ЮРГТУ и пакет МаЙаЬ 6.5.
Следует подчеркнуть, что предлагаемая технология диагностики знаний представляется весьма перспективной для применения в качестве основы эффективных систем управления процессами обучения и самообучения.
+100 • • Х2 • •
-100 .Э04. 4® • • • • • • ® 3 • *сЭ3 -® • • • + 100
•*.Э- * ОЭ2 • • * ® 2 . • х- •
-100 ® ц о • С ентры кластеров точка отображения образа эксперта точка отображения браза испытуемого
Рис. 2. Результат кластеризации образов сетью Кохонена
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем .-СПб: Питер, 2000. -384 с.
2. Тушканов Н.Б., Гриднева О.С., Колесников А.Ю. Самоорганизующаяся мультиагентная система контроля качества знаний и понимания / Тр. Междунар. конференций «Искусственные интеллектуальные системы» (1ЕЕЕ А]Б’02) и «Интеллектуальные САПР» (САБ-2002). - М.: Изд-во Физико-математической литературы, 2002. С.498-503.
3. Оссовский С. Нейронные сети для обработки информации. - М.: Финансы и Статистика, 2002. - 304 с.
