Костанайский государственный университет им.А.
Байтурсынова
Преимущества совместного
использования
продукционных экспертных
систем и искусственных нейронных
сетей в среде единого информационного
пространства предприятия
Основное
различие экспертных систем и нейронных сетей состоит в том, что знания в них
представлены в разных видах, причем во многом противоположных по своей сути
(таблица 1).
Таблица 1 – Сравнение представления знаний в
продукционных экспертных системах и искусственных нейронных сетях
|
|
Нейронные сети |
Экспертные системы |
|
Аналогия |
Правое
полушарие |
Левое
полушарие |
|
Объект |
Данные |
Знания |
|
Вывод |
Отображение
сетью |
Правила
вывода |
|
Задачи |
Небольшой
размерности Имеются
данные для обучения Объяснение
решения не требуется |
Большой
размерности Имеются
знания по задаче, требующих объяснения решения |
В экспертных
системах представление знаний основывается на символическом представлении
человеческих знаний, умений и опыта. Такой подход называется явным
представлением знаний.
В нейронных
системах знания представлены в неявном виде. То есть знания, которые содержатся
в нейронной сети, нельзя без дополнительных преобразований представить в
понятном человеку виде. Нейронная сеть может обладать знаниями для решения
задачи, но не может объяснить, почему данное решение было получено.
Сравним оба
подхода по нескольким параметрам:
– Размер задачи. Продукционная экспертная система (ПЭС)
не накладывает существенных ограничений на размер базы знаний и сложность
задачи. Обучение искусственных нейронных сетей (ИНС) является NP- сложной
проблемой и далеко не для всех задач возможно произвести обучение. В этом
случае задачу разделяют на подзадачи, часто иерархические.
– Извлечение и редактирование знаний. В ПЭС знания выделяются инженером по
знаниям в процессе интервью, что занимает долгое время и не гарантирует
удовлетворительного результата. Кроме того, при редактировании правила можно
внести изменения, противоречащие ранее введенным правилам. ИНС обучается
автоматически на наборах обучающих данных, что позволяет быстрее наполнить базу
знаний. Редактирование базы знаний также осуществляется дополнительным
обучением.
– Возможности объяснения. ПЭС обладает хорошо возможностями объяснения
принятого решения. Для этого достаточно продемонстрировать примененные правила
в том порядке, в котором они были применены. ИНС является «черным ящиком»,
оперирует со скрытыми знаниями, поэтому не может дать объяснения принятому
решению.
Таким
образом, можно предположить, что объединение ПЭС и ИНС в одну систему позволит
избавиться от недостатков обоих подходов и шире реализовать их преимущества.
Возможны
следующие стратегии получения гибридной системы:
– Стратегия «Разделяй и побеждай». Задача
разделяется на подзадачи, каждая из которых решается с помощью наиболее
подходящего подхода.
– Встроенная нейронная сеть. Другой метод
получения гибридной системы – это реализация ИНС как части ПЭС. К примеру, ИНС
может представлять условия некоторых правил. Такой подход особенно подходит для
задач распознавания по шаблонам (в таких задачах логический подход неэффективен).
– Представление явных знаний в виде ИНС.
Данная стратегия подразумевает реализацию правил на механизме ИНС, что
позволяет использовать такие скоростные преимущества обученной ИНС, как
параллелизм, соревновательность, рекуррентную архитектуру, дообучение и т.д.
– Встраивание правил в ИНС. Эта стратегия
направлена на встраивание правил в уже обученную сеть для увеличения
способности сети к обобщению. Такая стратегия подходит для случая, когда
известен как обучающий набор, так и несколько отдельных правил.
– Извлечение правил из ИНС. ИНС обучается,
после чего с помощью специальных алгоритмов из нее извлекаются знания в виде
правил, которые затем используются в экспертной системе.
Остановимся
подробнее на стратегии «Разделяй и побеждай». Большая задача разделяется на
подзадачи, каждая из которых решается отдельно. Для решения подзадач
используется наиболее подходящий метод. К подзадачам, для которых известны
правила решения требуется объяснение принятого решения, применяется
продукционная экспертная система. К другим подзадачам, для которых доступны
только данные, применяются искусственные нейронные сети. После раздельного
решения каждой из подзадач складывается решение исходной задачи.
Дополнительным
преимуществом данного решения можно считать достаточную автономность связки
ПЭС-ИНС. ПЭС позволяет выполнять некоторые алгоритмы, связанные с определением
моментов времени, когда необходимо выполнять обучение, переобучение, запуск
ИНС. Также с помощью правил ПЭС удобно определять, какой из экземпляров
нейронной сети необходимо запустить для решения подзадачи. Таким образом, в
стратегии «Разделяй и побеждай» экспертная система может играть и роль
координатора.
Литература:
1
Шемелин В.К.
Проектирование систем управления в машиностроении. – М.: Станкин, 1998.–254 с.
2
Гилмор В.
РНР 4: учеб. курс. – СПб.: Питер, 2001. – 352 с.
3
Ричард
Стоунз, Нейл Мэттью. PostgreSQL. Основы.
– М.: Символ-Плюс, 2002. – 640 с.
4
Круглов
В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. – М.:
Горячая линия-Телеком, 2002. – 380 с.
5
Частиков
А.П., Гаврилова Т.А., Белов Д.Л. Разработка экспертных систем. Среда CLIPS. – СПб.: БХВ-Петербург,
2003. – 608 с.