Исследование нейросетевых и гибридных методов и технологий в интеллектуальных системах поддержки принятия решений

• Автор: Комарцова, Людмила Георгиевна
• Шифр специальности: 05.13.11
• Научная степень: Докторская
• Год защиты: 2003
• Место защиты: Калуга
• Количество страниц: 436 с. : ил.

1. Анализ состояния теории и практики создания интеллекту

альных систем поддержки принятия решений ИСППР в трудно формализуемых задачах.

1.1. Проблемы формализации поиска и принятия решений

в ИСППР

1.2. Подходы к решению трудно формализуемых задач на основе

систем обработки знаний

1.2.1. Характеристика трудно формализуемой задачи и пути

ее решения.
1.2.2. Методы решения трудно формализуемых задач с помощью классических систем искусственного интеллекта

1.2.3. Нейросетевой подход к решению трудно формализуемых задач

1.2.4. Проблемы создания гибридных моделей.

1.3. Принципы построения программного обеспечения ИСППР.
1.4. Обзор программных средств и технологий для организации
поиска решений.
1.4.1. Нсйросетсвые пакеты.
1.4.2. Пакеты на основе нечеткой логики
1.4.3. Программные продукты для генетических алгоритмов
1.4.4. Опыт использования интеграции программных
средств для построения гибридных моделей.
1.5. Обзор программных средств для анализа решений методами
моделирования
1.5.1. Программные среды для моделирования компьютерных сетей.
1.5.2. Моделирующие системы.
1.6. Задачи исследования.
1.7. Выводы
2. Организация нсйросстевых баз знаний в ИСППР.
2.1. Особенности формирования нейросетевой базы знаний.
2.2. Алгоритмы обработки исходной информации для формирования обучающих выборок
2.3. Синтез нейронной сети для решения прикладных задач
2.3.1. Выбор типа НС
2.3.2. Влияние алгоритма обучения на эффективность НС.
2.3.3. Проблемы формирования топологии НС
2.3.4. Постановка задачи синтеза нейронной сети
2.4. Принципы организации нейросетевой базы знаний
2.5. Задача интерпретации результатов работы нейронной сети в
ИСППР и ее решение.
2.6. Выводы.
3. Разработка методов н алгоритмов настройки и адаптации
нейронных модулей к решаемой задаче
3.1. Проблемы создания генетических алгоритмов для решения
задач адаптации и настройки НС.
3.1.1. Кодирование потенциальных решений.
3.1.2. Разработка и исследование генетических операторов.
3.1.3. Разработка новых операторов селекции хромосом.
3.1.4. Механизм фильтрации хромосом
3.1.5. Разработка способов задания функций качества хромосом.
3.1.6. Разработка и оценка качества многопопуляционпого алгоритма
3.2. Алгоритм обучения НС на основе генетического алгоритма и
его оценка.
3.2.1. Экспериментальное исследование генетического алгоритма для построения эффективного алгоритма обучения НС.
3.2.2. Разработка и исследование двухэтапного алгоритма оптимизации на основе генетического алгоритма
3.2.3. Построение генетического алгоритма с помощью генетического алгоритма
3.2.4. Генетический алгоритм обучения нейронной сети.
3.3. Алгоритмы настройки НС на решаемую задачу
3.3.1. Модификация конструктивного метода формирования топологии ЫС.
3.3.2. Формирование топологии нейронных сетей с помощью генетического алгоритма
3.3.3. Экспериментальное исследование алгоритмов формирования топологии нейронных сетей
3.4. Выводы.
4. Методы повышения эффективности использования нсйросетевых и гибридных технологий в ИСППР
4.1. Повышение вычислительной эффективности алгоритмов
обучения многослойного псрсептрона.
4.1.1. Использование нечеткой логики для регулирования скорости обучения МНС.
4.1.2. Комбинированный алгоритм обучения МНС с использованием ГА и имитации отжига
4.1.3. Сравнительный анализ нейросетевых классификаторов на основе МНС.
4.1.4. Решение задачи автоматизации останова обучения МНС.
4.1.5. Пример применения многослойного псрсептрона к выбору параметров компьютерной сети
4.2. Повышение скорости сходимости самоорганизующейся сети
Кохонена
4.3. Развитие нечеткой нейронной сети Кохонена для повышения
скорости обучения и качества распознавания
4.4. Повышение качества и уменьшение трудоемкости вывода
решений на основе нейросетевых нечетких моделей.
4.5. Выводы.
5. Анализ и оценка решений с помощью методов
моделирования.
5.1 Особенности построения модельной среды.
5.1.1. Принципы формирования базы имитационных модулей. .
5.1.2. Интеграция аналитических и имитационных моделей
5.2. Методы и алгоритмы управления модельным экспериментом
5.2.1. Организация системы имитационного моделирования
5.2.2. Управление имитационным экспериментом с помощью методов планирования экспериментов. Ранжирование уровней параметров модели
5.3. Оптимизация параметров имитационной модели на основе
генетического алгоритма и нейронной сети
5.3.1. Проблемы выбора нейронной сети для моделирования функции фитнесса.
5.3.2. Алгоритм оптимизации параметров имитационной модели
на основе генетического алгоритма.
5.4. Выводы.
6. Применение разработанных методов, алгоритмов и
программных средств.
6.1. Обзор инструментальных средств поддержки исследования
компьютерных сетей
6.2. Состав и реализация функций ИСППР
6.2.1. Функциональная схема выбора варианта построения копыотерной сети.
6.2.2. Архитектура ИСППР
6.3. Комплекс инструментальных средств для реализации основных
функций ИСППР.
6.3.1. Нейроимитатор
6.3.2. Система нечеткого вывода решений.
6.3.3. Конструктор генетических алгоритмов
6.3.4. Организация пользовательского интерфейса с базой экспертных знаний.
6.3.5. Организация инструментальной среды для распределенной обработки информации в ИСППР.
6.4. Примеры решения практических задач.
6.4.1.Разработка и исследование локальной вычислительной сети Калужского управления подземного хранения газа
КУПХГ
6.4.2. Выбор варианта организации комплекса обработки телеметрической информации для ГУП ОКБ СПЕКТР.
6.4.3. Повышение эффективности функционирования распределенной вычислительной системы для диагностики бортовых технологических объектов.
6.4.4. Разработка информационно вычислительной сети кафедры КФ МГТУ им. Н.Э. Баумана
6.5. Внедрение в учебный процесс
6.6. Выводы.
Заключение.
Литература


Необходимость достаточной представительности обучающей выборки. Эвристичность параметров алгоритмов обучения различных типов НС. Методы теории иссле дования опера ций 1. Высокая эффективность решения задач математического моделирования. Возможность работы в реальном масштабе времени. Возможность решения задач оптимизации. Отсутствие способности к обучению. Невозможность работы с неточными данными, неопределенностью, нелинейностью. Сложность представления знаний и использования экспертных знаний. Эволюционное моделирование и генетические алгорит 1. Быстрая сходимость алгоритма при решении задач оптимизации. Некритичность к виду параметров исследуемых систем возможность использования Э КСПСрТ ю й, э м п иричес ко й, неточной и неопределенной 1. Возможность получения неоднозначного результата за счет использования механизма случайности при генерации новых решений. ГА информации. Возможность работы с нелинейностью. Возможность быстрой корректировки получаемых решений. Высокие адаптационные свойства при решении сложных проблем. Невысокая точность получаемых результатов оптимизации. Отсутствие возможности работы в реальном масштабе времени. СИИ, построенные на основе классической логики 1. Простота представления знаний. Возможность использования экспертных знаний. Возможность объяснения результатов вывода. Отсутствие способности к обучению. Невозможность работы с неточными данными, неопределенностью, нелинейностью. Невозможность получения оптимальных решений. Отсутствие возможности работы в реальном масштабе времени. Системы на основе нечеткой логики НЛ 1. Простота представления знаний. Возможность использования экспертных знаний. Возможность нечеткого задания параметров исследуемого объекта. Возможность объяснения результатов вывода. Работа с нелинейностью и неопределенностью. Работа в реальном масштабе времени. Трудность формирования правил и функций принадлежности экспертом. Трудность проверки на непротиворечивость базы знаний при получении новых знаний. Отсутствие возможности обучения. Отсутствие возможности оптимизации получаемых результатов. Из таблицы 1. НС, нечеткой логики НЛ и генетических алгоритмов ГА хорошо решают задачи, связанные с обработкой неполных, неточных и недостоверных данных. ГЛ во многих случаях позволяют найти лучшее решение из многих возможных, обладают высокими адаптационными свойствами, системы на основе ИЛ позволяют оперировать нечеткими, недостоверными знаниями. Классические методы исследования операций и системы искусственного интеллекта СИИ, построенные на основе классической логики, не обладают такими возможностями. Методы исследования операций целесообразно использовать для обработки достоверных данных, а СИИ для представления знаний в хорошо определенной среде. В отличие от классических логик с помощью методов на основе НС, ИЛ и ГЛ возможно порождение новых знаний в условиях дефицита знаний и неопределенности, что позволяет расширить логические возможности интеллектуальных систем, использующих эти технологии. Выбор технологии для обработки исходной информации, которой оперирует ЛПР, зависит от особенностей решаемых задач, от числа количественных и качественных параметров, описывающих проблему, от уровня проработанности задачи. Поэтому необходимо определить условия применимости каждой из рассматриваемых технологий, а также разработать методы и алгоритмы, позволяющие адаптировать их к решению конкретных задач проблемной области. Теоретической основой объединения, например, нечетких систем и нейросстсвых технологий в единую систему является результат, демонстрирующий функциональную эквивалентность между работой нейронных сетей и выводом в нечетких системах, полученный в 1. Основные задачи, которые чаще всего должны решать гибридные модели в ИСППР, сводятся к следующим задачи оптимизации классификации и распознавания прогнозирования многокритериального выбора логического вывода и т. Для каждой из отдельных компонент гибридных моделей, как показано в табл. Назначение систем определяется решаемыми задачами, перечисленными выше.