2.2. Нейронные сети.

В таких системах в результате обучения на примерах строятся математические решающие функции (передаточные функции или функции активации), которые определяют зависимости между вход­ными (Xi) и выходными (Yj) признаками (сигналами) (Слайд 20).

Каждая такая функция, называемая по аналогии с элементарной единицей человеческого мозга - нейроном, отображает зависимость значения выходного признака (Y) от взвешенной суммы (U) значе­ний входных признаков (Xi), в которой вес входного признака (Wi) показывает степень влияния входного признака на выходной.

Решающие функции используются в задачах классификации на основе сопоставления их значений при различных комбинациях зна­чений входных признаков с некоторым пороговым значением. В случае превышения заданного порога считается, что нейрон сработал и таким образом распознал некоторый класс ситуаций.

Нейроны используются и в задачах прогнозирования, когда по значениям входных признаков после их подстановки в выражение решающей функции получается прогнозное значение выходного признака. Они могут быть связаны между собой, когда выход одного нейрона является входом другого. Таким образом, строится нейрон­ная сеть (Слайд 21), в которой нейроны, находящиеся на одном уровне, образуют слои.

Обучение нейронной сети сводится к определению связей (си­напсов) между нейронами и установлению силы этих связей (весо­вых коэффициентов). Алгоритмы обучения нейронной сети упрощенно сводятся к определению зависимости весового коэффициента связи двух нейронов от числа примеров, подтверждающих эту зави­симость.

Нейронные сети могут быть реализованы и аппаратно в виде нейрокомпьютеров с ассоциа­тивной памятью. Последнее время нейронные сети получили стремительное раз­витие и очень активно используются в финансовой области.

В каче­стве примеров внедрения нейронных сетей можно назвать:

• "Система прогнозирования динамики биржевых курсов для Chemical Bank" (фирма Logica);

• "Система прогнозирования для Лондонской фондовой бир­жи" (фирма SearchSpace);

• "Управление инвестициями для Mellon Bank" (фирма NeuralWare) и др.

В качестве инструментальных средств разработки нейронных сетей следует выделить инструментальные средства NeuroSolution, NeuralWorks Professional II/Plus, Process Advisor, NeuroShell 2, BrainMaiker Pro, NeurOn-line и др.

2.3. Системы, основанные на прецедентах

В этих системах (Слайд 22) база знаний содержит описания не обобщенных си­туаций, а собственно сами ситуации или прецеденты. Тогда поиск решения проблемы сводится к поиску по аналогии (выводу от частного к частному):

1. Получение подробной информации о текущей проблеме;

2. Сопоставление полученной информации со значениями признаков прецедентов из базы знаний;

3. Выбор прецедента из базы знаний, наиболее близкого к рассматриваемой проблеме;

4. В случае необходимости выполняется адаптация выбранного прецедента к текущей проблеме;

5. Проверка корректности каждого полученного решения;

6. Занесение детальной информации о полученном решении в базу знаний.

Наиболее известными инструментами разработки приложений, использующих поиск прецедентов, являются: CBR-Express (Inference), REMIND (Cognitive Systems), ReCall (Isoft S.A.), KATE tools (Acknosoft), Pattern Recognition Workbench (Unica) и др. С по­мощью этих систем можно создать различные приложения для ре­шения задач диагностики, анализа рисков, предсказания, контроля и обучения. Системы, основанные на прецедентах, применяются как системы распространения знаний с расширенными возможностями или как системы контекстной помощи (Слайд 23).