АНАЛИЗ СЛОЖНЫХ СИТУАЦИЙ НА ОСНОВЕ ПРИНЦИПА АДАПТИВНОГО РЕЗОНАНСА В ВЫСОКОПРОИЗВОДИТЕЛЬНЫХ СИСТЕМАХ ОБУЧЕНИЯ И ПРИНЯТИЯ РЕШЕНИЙ
Ю.И.Нечаев1, О.Н.Петров2
1)Институт высокопроизводительных вычислений и информационных систем, 2)Санкт-Петербургский государственный морской технический университет
Одной из важных задач при создании интеллектуальных систем обучения и принятия решений является разработка нечеткой системы знаний, основанной на использовании интеллектуальных технологий и эффективных алгоритмов анализа и прогноза динамических ситуаций. Такие алгоритмы реализуются в виде встроенных процедур порождающих логических правил. В сложных, особенно в нештатных, ситуациях эти процедуры определяют оценку ситуации и прогноз ее развития в условиях непрерывного изменения динамики объекта и внешней среды. В рамках такой интерпретации удается получить качественную и количественную информацию о сложных явлениях, характеризующих динамику исследуемой ситуации. Использование указанных методов предоставляет новый математический аппарат для исследования физических систем со сложной структурой в процессе обучения операторов и при организации эффективного управления и принятия решений в сложных условиях [1-5].
В докладе рассматривается структура нечеткой системы знаний, обеспечивающей контроль и прогноз развития сложных ситуаций в системах обучения и принятия решений на базе высокопроизводительных вычислительных средств. Система реализует метод адаптивного резонанса на основе принципов обработки информации в мультипроцессорной вычислительной среде. Приведены результаты тестирования системы для различных ситуаций по данным динамических измерений. Полученные данные могут быть использованы при создании динамических баз знаний интеллектуальных систем обучения и принятия решений.
При формализации знаний и механизма логического вывода важное значение имеет организация адаптивной компоненты на основе принципов обработки информации в мультипроцессорной вычислительной среде [3] в рамках концепции «мягких вычислений» [5]. Одно из направлений ее организации связано с реализацией принципа адаптивного резонанса (Adaptive Resonance Theory – ART), получившего широкое распространение при построении и обучении нейронных сетей [4]. Формируемые на основе этого принципа свойства базы знаний особенно важны при обеспечении функционирования ИС в задачах интерпретации экстремальных ситуаций в условиях неопределенности и неполноты исходной информации.
Наиболее важной особенностью базы системы знаний, использующей принципы адаптивного резонанса, являются:
-
возможность сохранения свойства пластичности при запоминании новой информации в процессе функционирования ИС;
-
предотвращение модификации исходной базы знаний за счет формирования новых правил, описывающих возникшую нестандартную ситуацию.
При функционировании ИС происходит накопление новой информации и корректировка базы знаний. Динамическая база знаний совершенствуется и расширяется за счет включения новых моделей. Подобно нейронной сети АRТ, база знаний имеет внутренний детектор новизны – тест на сравнение предъявленной нестандартной ситуации (нового образа) с содержимым ансамбля логических правил. При реализации механизма логического вывода новый образ, предъявленный на основе поступившей информации, классифицируется с одновременной уточняющей модификацией процедур, определяющих условную часть логического правила. Такую ситуацию можно интерпретировать как возникновение адаптивного резонанса в динамической базе знаний в ответ на предъявление образа. Если резонанс не возникает в пределах некоторого заданного порогового уровня, то успешным считается тест новизны, и образ (нестандартная ситуация) воспринимается системой как новый. Модификация логических правил, не испытавших резонанса, при этом не производится. Запомненный образ нестандартной ситуации не будет изменяться, если текущая входная информация не окажется достаточно похожим на него. Таким образом, решается проблема стабильности-пластичности. Новый образ, описывающий нестандартную ситуацию, может порождать создание новых классов таких ситуаций, однако при этом существующая база знаний не разрушается.
Важной особенностью адаптивной компоненты ИС, использующей теорию ART, является реализуемый шаблон критических черт информации. Этот шаблон позволяет выделять признаки, предъявленные в некотором образе (нестандартной ситуации), которые являются существенными для системы предварительной обработки информации при реализации механизма логического вывода. Результат распознавания определяется присутствием специфических критических особенностей в нестандартной ситуации.
Задачей адаптивной компоненты является формирование правильной реакции в случае «пластичного» решения о появлении нового образа и «стабильного» решения о совпадении со старым образом. При этом выделение критической части информации происходит автоматически в процессе эксплуатации ИС в условиях неопределенности и неполноты исходной информации на основе ее «индивидуального опыта».
Другой важной особенностью динамической базы знаний, использующей принцип адаптивного резонанса, является самоадаптация алгоритма поиска нестандартных ситуаций. Адаптивная компонента использует управляемый алгоритм поиска, основанный на динамической самоорганизации классов прототипов, соответствующих классам векторов в условной части логического правила, путем наращивания структуры, определяющей «действие» в выходной части логического правила. Если поиск класса, попадающего в «резонанс» с входным вектором по соответствующему критерию сходства не привел к успеху, то создается ситуация нового класса (добавляется новая нестандартная ситуация). В противном случае согласно обучающему правилу модифицируется прототип того класса, сходство с входным вектором которого максимально.
Нечеткая формальная система, реализующая модели и механизмы теории адаптивного резонанса, основана на различных формальных конструкциях, обеспечивающих разрешение нечетких логических правил. Основная проблема реализации нечеткого управления и принятия решений заключается в построении функций принадлежности (ФП), особенно в условной части логического правила, содержащего несколько нечетких переменных. Построение ФП осуществляется на основе обработки измерительной и экспертной информации. При этом реализуются два подхода. Первый подход состоит в формализации нечетких знаний в процессе разработки ИС. Он основан на традиционном представлении экспертных знаний и предусматривает построение ФП базовых правил, «зашитых» в программный комплекс. Второй подход реализуется в процессе функционирования ИС и связан с построением текущих значений ФП на основе данных динамических измерений. Алгоритмы и программное обеспечение построения ФП основаны на использовании статистических методов и нейросетевых технологий [3].
При функционировании ИС большое внимание уделяется организации интерфейса «Оператор – ИС». Особенно сложной является разработка адекватного диалога, содержащего компоненты, связанные с разработкой, редактированием и генерацией сценариев диалога в нестандартных и экстремальных ситуациях, требующих привлечения графической информации, в том числе и когнитивной компьютерной графики [3]. Формирование сценария диалога и декомпозиция процесса взаимодействия «Оператор – ИС» с учетом механизма адаптации под конкретного оператора обеспечивает интерфейсу свойства интеллектуальности. В условиях неопределенности и неполноты исходной информации оператору часто приходится самостоятельно принимать решения на основе опыта эксплуатации и данных о фактических характеристиках внешних условий и динамики ситуации. Функции интеллектуального интерфейса в этих условиях заключаются в обеспечении оператора всеми доступными данными, включая результаты имитационного моделирования для различных вариантов при выборе решения.
Анализ функционирования ИС на основе нечеткой системы знаний с привлечением данных моделирования и сценариев развития экстремальных ситуаций показал, что реализация нечеткой системы знаний, построенной с использованием метода АRТ актуальна при оценке риска и прогнозе сложного поведения исследуемого объекта в различных условиях, особенно при анализе и интерпретации нестандартных и экстремальных ситуаций.
Литература
1. Аверкин А.Н, Батыршин А.Н., Блишун А.Ф., Силов В.Б., Тарасов В.Б. Нечеткие множества в задачах управления и искусственного интеллекта / Под ред. Д.А. Поспелова. М.: Наука. 1986.
2. Зенкин А.А. Когнитивная компьютерная графика. – М.: Наука, 1991.
3. Нечаев Ю.И. Математическое моделирование в бортовых интеллектуальных системах реального времени // Труды 5-й Всероссийской конференции «Нейроинформатика-2003». М.: МИФИ. 2003. Лекции по нейроинформатике. Часть 2, с.119-179.
4. Wasserman F. Neurocomputer technics. – Moskow. Science, 1992.
5. Zadeh L. Fuzzy logic, neural networks and soft computing // Соmmutation on the ASM-1994. Vol.37. №3, р.р.77-84.
|