Алгоритмы автоматизированного генерирования ансамблей интеллектуальных систем для задач анализа данных

• Автор: Шабалов, Андрей Андреевич
• Шифр специальности: 05.13.01
• Научная степень: Кандидатская
• Год защиты: 2012
• Место защиты: Красноярск
• Количество страниц: 144 с. : ил.

СОДЕРЖАНИЕ
Введение

Глава 1. Основные методы вычислительного интеллекта

1.1. Системы вычислительного интеллекта

1.2. Искусственные нейронные сети

1.3. Системы на нечеткой логике.

1.4. Нейронечектие системы

Выводы.

Глава 2. Бионические методы оптимизации

2.1. Основные понятия и алгоритмы эволюционных вычислений

2.2. Роевой интеллект

2.3. Экспериментальное исследование эффективности бионических методов оптимизации
Выводы.
Глава 3. Автоматизированное генерирование алгоритмического ядра интеллектуальных компьютерных систем эволюционными алгоритмами.
3.1. Автоматизированное генерирование нейросетевых технологий
3.2. Автоматизированное генерирование систем на нечеткой логике
3.3. Автоматизированное генерирование нейронечетких систем
3.4. Автоматизированное формирование ансамблей интеллектуальных систем
Выводы.
Глава 4. Практическая реализация разработанных алгоритмов
4.1. Система автоматизированного проектирования нейросетевых моделей
4.2. Система автоматизированного проектирования систем на нечеткой логике
4.3. Система автоматизированного проектирования нейронечетких систмем.
4.4. Система лПоп автоматизированного проектирования ансамблей интеллектуальных информационных технологий для задач анализа данных
4.5. Решение практических задач разработанными методами.
Заключение
Список литературы


Этот вопрос вызывает споров еще больше, чем определение интеллекта. Появление машинного интеллекта датируется годом, когда Алан Тьюринг (Alan Turing) предложил идею универсальной математической машины, теоретическую концепцию в математической теории вычислимости. Тьюринг и Эмил Пост (Emil Post) независимо доказали, что определение разрешимости математических пропозиций равносильно заданию вопроса: какой вид конечных последовательностей символов может быть распознан абстрактной машиной с конечным набором инструкций. Такой процесс в настоящее время известен как Машина Тьюринга Г9]. Это послужило появлением теста Тьюринга [8] как эмпирического теста на наличие интеллекта. Тест Тьюринга состоит в следующем: если человек не может различить машинное поведение от человеческого, машина может считаться и нтеллектуал ьной. Развитие цифровых компьютеров позволило создать человеко-подобные системы, проявляющие интеллектуальное поведение или интеллектуальные черты. Область знаний и науки, формирующая такие системы, называется искусственным интеллектом. Есть и другие определения. В [9] искусственный интеллект определяется как изучение и проектирование интеллектуальных агентов, где интеллектуальный агент определяется как система, которая познает окружающую среду и предпринимает соответствующие действия, максимизирующие шансы на успех. Джон МакКарти (John McCarthy), первым введшим термин “искусственный интеллект”, определил его как науку и технику создания интеллектуальных машин [2]. Искусственный интеллект является важной основой для построения интеллектуальных систем. В соответствии с [9], ИИ состоит из двух главных направлений. Первое определяет гуманитарный ИИ (ГИИ), изучающий машины, которые думают и действуют как люди. Второе -рациональный ИИ (РИИ), исследующий машины, которые могут быть построены на понимании интеллектуального поведения человека. ГИИ - это искусство создания машин, выполняющих функции, которые требуют интеллекта при исполнении этих функций людьми. Это учение о том, как заставить компьютеры делать вещи, с которыми люди на настоящий момент справляются лучше. РИИ является областью исследования, цель которого объяснить и сымитировать интеллектуальное поведение на основе вычислительных процессов. В настоящее время интеллектуальные системы имеют дело больше с рационалистическим, нежели с гуманистическим, ИИ. Па основе этого, определим следующее понятие интеллектуальной системы [] - это система, имитирующая некоторые стороны интеллекта. Сюда входят обучение, адаптивность, устойчивость, увеличение эффективности (по времени и/или пространству), сжатие информации (данные в знания), экстраполирующие рассуждения, гибкость, способность справляться с неточной и неопределенной информацией. Хотя само определение искусственного интеллекта достаточно обширно и покрывает практически любой подход для построения интеллектуальной системы, его значение (по крайней мере, в наиболее обычной интерпретации) ограничено соглашениями исследователей в сфере ИИ. Традиционный ИИ ориентирован на символьные представления и манипуляции (рассуждения) в нисходящей манере []. Другими словами, структура представленной проблемы (среды) вначале анализируется, затем интеллектуальная система строится на основе структуры этой проблемы. Например, экспертные системы, представляющие проблемную область в формальных логических терминах и применении формального набора процедур рассуждений для вывода заключений, определяют действия в пределах данной структуры. Традиционные подходы понимания и предсказания поведения таких систем на основе аналитических методов могут оказаться неадекватными даже на начальных этапах выбора подходящей математической модели. Вычислительная среда, используемая в таком аналитическом подходе, может оказаться слишком категориальной и негибкой, чтобы справиться со сложностью реальных систем. В связи с этим, имея дело с такими системами, необходимо быть готовым к работе с высокой степенью неопределенности и допущению неточности. Однако, увеличение точности таких систем может оказаться очень дорогостоящим [8].