О нейросетевых базах знаний

УДК 004.896(06) Интеллектуальные системы и технологии
И.Б. ФОМИНЫХ, Л.Г. КОМАРЦОВА1
РосНИИ информационных технологий и систем автоматизированного
проектирования, Москва
1Калужский филиал МГТУ им. Н.Э. Баумана
О НЕЙРОСЕТЕВЫХ БАЗАХ ЗНАНИЙ
Обсуждаются особенности
нейросетевых системах
и
принципы
организации
баз
знаний
в
Очевидно, что любая интеллектуальная систем, как естественная, так и
искусственная, функционирует на основе совокупности знаний
различного типа. Вопрос о том, на основе каких (содержащихся в
системе) знаний происходит решение задач, является одним из
центральных при проектировании интеллектуальных систем. Если
вопросы состава знаний и механизмов представления знаний достаточно
проработаны в интеллектуальных системах символьно–логического типа
[1], то аналогичные вопросы и само понятие базы знаний нейросетевой
(или более общей нейробионической) системы находится в стадии
становления. По аналогии с используемым в интеллектуальных
символьных системах термином база знаний для нейробионических
систем ведем понятие нейросетевой базы знаний (НСБЗ).
Под нейросетевой базой знаний будем понимать множество заранее
обученных нейронных модулей, множество знаний о параметрах НС
(типах используемых нейронов, функций активации и т.д), а также
множество алгоритмов, позволяющих на основе этих модулей создавать
сложные многомодульные нейронные структуры (НС) для решения
конкретных прикладных задач. Под многомодульной НС будем понимать
нейросеть, состоящую из r слоев (r >2) и формируемая как из отдельных
нейронов, так и из нейронных модулей, каждый слой которой может
обучаться по оригинальному алгоритму.
Носителями знаний в НСБЗ являются заранее обученные на решение
определенной проблемы нейронные модули, из которых могут
формироваться иерархические нейронные сети [2]. Такое представление
позволяет естественным образом решать сложные задачи, которые можно
декомпозировать на более простые, решаемые отдельными нейронными
модулями. Каждый модуль при этом может быть использован
многократно как составной элемент различных моделей.
Для формирования и пополнения базы знаний необходимо их
выявление в источнике, преобразование во внутреннее представление и
ISBN 5-7262-0555-3. НАУЧНАЯ СЕССИЯ МИФИ-2005. Том 3
34
УДК 004.896(06) Интеллектуальные системы и технологии
перенос в базу знаний. Формирование нейросетевой базы знаний и ее
последующая корректировка сводится по сути к разработке алгоритмов
обработки разнотипных данных и знаний, представленных в разной
форме, и приведении их к виду, удобному для последующего
использования. Для НСБЗ особенно значима проблема кодирования
входной информации, которое может выполняться в различных шкалах,
например:
экспертное
интервальное
кодирование,
выполняемое
высококвалифицированными специалистами – экспертами;
интервальное кодирование с помощью лингвистических термов,
основанное на использовании понятия нечетких переменных;
равномерное шкалирование, при котором весь интервал значений
параметра разбивается на небольшое количество частичных интервалов ∆i
в зависимости от объема экспериментальных данных, которым ставится в
соответствие либо лингвистический терм, либо числовое значение;
автоматическая кластеризация, обеспечивающее решение задачи без
привлечения эксперта.
Рассмотренные способы кодирования обычно используются для
представления исходной информации в виде строк таблицы в
реляционных базах данных, являющихся наиболее удобной формой
задания исходной информации для обучения нейросети.
По аналогии с биологическими нейросетями [3]. введем понятие
необучаемой нейронной структуры. Под необучаемыми нейронными
модулями будем понимать такие нейронные структуры, которые не
меняют свою топологию и весовые коэффициенты межнейронных связей
в процессе обучения сложной нейронной структуры, состоящей из этих
модулей. Это позволяет использовать для представления накопленных
знаний о проблемной области в НС заранее обученные "жесткие"
нейронные структуры (нейронные модули). Можно считать, что
нейронные модули являются фрагментами знаний экспертов, которые
можно многократно использовать при построении сложных нейросетевых
моделей предметных областей.
Вывод в НСБЗ существенно отличается от выводов в
интеллектуальных системах символьно - логического типа: вместо
преимущественно дедуктивных механизмов обработки общих знаний в
некоторой
прикладной
области
нейросетевая
БЗ
использует
специфические знания экспертов из предыдущего опыта относительно
конкретной проблемы и строит многомодульную сеть НС для решения
именно этой проблемы. При появлении новых знаний нейронные модули
ISBN 5-7262-0555-3. НАУЧНАЯ СЕССИЯ МИФИ-2005. Том 3
35
УДК 004.896(06) Интеллектуальные системы и технологии
могут быть дообучены и сохранены. Таким образом, вывод в НСБЗ
представляет собой итерационный процесс, при котором накапливается и
сохраняется опыт эксперта.
Функциональные возможности нейросетевой базы знаний по созданию
новых модулей определяются составом и свойствами разработанных
типов нейронных модулей, объемом обученных модулей с жесткими
связями, объемом архивов готовых проектов нейросетей, а также
реализованными в ней принципами оптимизации нейронных сетей
При создании модульных сетей возникают вопросы о том, какие
именно модули наилучшим образом подходят для решения конкретной
задачи. По- видимому общих ответов на такие вопросы не существует .
Наиболее целесообразным представляется разработка нейросетевой базы
знаний, на основе которой можно создавать множество различных видов
нейронных сетей как по архитектуре, так и по выполняемым функциям.
К числу основных требований, которые необходимо выполнить при
формировании нейросетевой базы знаний, относятся: тип модулей
(многослойные персептроны, сети Кохонена, нечеткие нейросети и т.п.),
модульность архитектуры НС (необходимо предусматривать возможность
включения в архитектуру создаваемой сети ранее обученные модули или
группы модулей), оптимизационность (оптимизация архитектуры самих
модулей, возможность достижения допустимого минимума функционала
ошибки), координация процессов обучения в НС.
Авторы осознают, что введенное понятие - нейросетевая база знаний нуждается в дальнейшем уточнении, развитии и .возможно,
корректировке. Более подробно должен быть исследован вопрос о
соотношении между символьно-логической базой знаний и НСБЗ
Работа выполнена при финансовой поддержке РФФИ ( проекты №0201-00661, 03-07-90414)
Список литературы
1. ПоповЭ.В., Фоминых И.Б., Кисель Е.Б., Шапот М.Д.. Статические и динамические
экспертные системы. Учебное пособие.-М.:Финансы и статистика.-1996.-320с.
2. Комарцова Л.Г., Максимов А.В. Нейрокомпьютеры: Учеб. Пособие для вузов. М.:
Изд-во МГТУ им. Н.Э. Баумана,- 2002.-320с.
3. Хьюбел Д. Глаз, мозг, зрение.-М.: Мир.- 1990.
ISBN 5-7262-0555-3. НАУЧНАЯ СЕССИЯ МИФИ-2005. Том 3
36