Интеллектуальные системы поддержки принятия решений — краткий обзор

Интеллектуальная поддержка принятия решений

Понятие «интеллектуальные системы»

В последнее время при обсуждении задач информатизации и разных подходов к их выполнению все больше слышатся термины «поддержка принятия решений», «интеллектуальные системы», «интеллектуализация ЭВМ» и т.п. Объективная причина этого не только в том, что созрела техническая и инструментальная база для применения новых технологий, но, главным образом, в том, что в стране назревает переход от частичной автоматизации рутинной деятельности, использования простых бухгалтерских, расчетных и информационно-справочных систем к комплексной автоматизированной поддержке профессиональных и других задач в разных предметных областях.

К сожалению, часто приходится слышать употребление этих мощных сложных понятий не более как модных терминов. С одной стороны, не секрет, что некоторые потенциальные разработчики программных систем пытаются таким образом повысить собственный авторитет и завоевать заказчика. С другой стороны, и заказчик, наслышанный и начитанный о новых течениях в информатике, довольно легко попадается в ловушку из модных слов. Поскольку специалистов не так- много, а эйфорических ожиданий хоть отбавляй, то смысл этих специальных понятий часто искажается. Поэтому, прежде чем обсуждать суть вопроса, уточним, о чем идет речь, остановившись вначале на понятии интеллектуальной системы.

Понятие интеллектуальной системы относится к области искусственного интеллекта. Интеллектуальную систему в первом приближении определяют как компьютерную систему, которая на уровне, близком к уровню человеческого интеллекта, решает задачи, которые до недавнего времени мог решать только человек.

Следует особо подчеркнуть, что интеллектуальная система не копирует структуру и мыслительные функции человеческого интеллекта, а всего лишь по мере возможности не хуже него решает «человеческие» задачи. Только такая отправная позиция позволяет уйти от философских споров на тему «Может ли машина мыслить?» и «Возможно ли искусственное воспроизводство человеческого интеллекта?». Речь идет не о создании искусственного интеллекта как такового, а о компьютерных технологиях для решения разнообразных, нетрадиционных с точки зрения математического подхода, задач. Понятие «интеллектуальные системы» многогранно. С одной стороны, интеллектуальность предполагает, что общение с системой должно происходить на уровне и по принципам человеческого интеллекта. Этот первичный смысл и породил применение термина «интеллектуальный» к современным программным системам. Интеллектуальные системы возникли как раз благодаря тому, что лавинообразное распространение вычислительной техники и стремительное внедрение ее в сферу деятельности непрофессионалов востребовало как бы повышение уровня способностей компьютерных систем подстраиваться под широкого и специально неподготовленного пользователя.

Интеллектуальность как человеческое качество предполагает способность общаться, понимать, мыслить, применять опыт для формирования решений. В интеллектуальных системах эти функции реализуются соответственно посредством интерфейса системы с пользователем на языке, близком к естественному; интерпретации получаемых данных путем сопоставления с известной информацией о предметной области; логическом выводе решений; применении особого рода конструктивной информации – знаний о способах и стратегиях решения задач в предметной области. Кроме того, интеллектуальные системы, как и человек, имеют способность обучаться; обобщать получаемую информацию и накапливать опыт, а также объяснять получаемые решения, хотя в разных технологиях эти возможности реализованы по-разному и на разном уровне.

Для решения задач информатизации практической деятельности необходимо иметь в виду специальный, более точный смысл понятия интеллектуальной системы.

В специальном смысле под интеллектуальной понимается программная система, построенная по особой технологии. Технология определяет как структуры данных для представления информации в машине, так и методы ее обработки. Регламентируются также основные функции системы, структура, стратегии функционирования, а отсюда и круг задач, к которым такие системы могут применяться.

Таким образом, для специалиста применение термина «интеллектуальная система» означает определенную технологическую базу, на которой он должен основываться как разработчик. Вообще говоря, существует не одна, а множество технологий разработки интеллектуальных систем. Исторически первая из них – технология нейронных сетей, толчком для ее возникновения послужила идея в качестве отправной точки взять модель физиологической основы человеческого интеллекта – высшей нервной системы. Другая наиболее широко и настоящее время распространенная технология экспертных систем, или иначе ее называют инженерия знаний, базируется на применении особого рода конструктивной информации – знаний. Знания – это информация о способах решения разнообразных человеческих задач, профессиональных и непрофессиональных. Знания позволяют интеллектуальной системе формировать рекомендации пользователю для принятия решений относительно конкретных возникающих перед ним задач, например – врачу помочь поставить диагноз, инженеру – определить неисправность технической системы, геологу – обнаружить месторождение полезных ископаемых и т.п.

Под интеллектуальными понимают также гибридные системы, использующие элементы технологий искусственного интеллекта наряду с другими компьютерными технологиями.

Под поддержкой принятия решений в широком смысле понимают всевозможную помощь пользователю в процессе его работы. В узкоспециальном смысле этот термин предполагает подход к решению задачи пользователя как к управленческой и в конечном итоге означает выбор вариантов решения задач пользователя.

Автоматизированная поддержка принятия решений в широком смысле означает выполнение хотя бы одной из следующих функций:

1) Предоставление справочной информации без автоматического формирования запросов к базам данных;
2) Предоставление справочной информации с автоматическим формированием запросов к базам данных и привязкой к условиям решаемой задачи;
3) Графическая визуализация получаемой справочной информации и информации о способах принятия решений;
4) Предоставление рекомендаций по формированию решений;
5) Сужение пространства поиска решения пользователем.
6) Выбор и рекомендации наиболее приемлемых решений с учетом рангов;
7) Моделирование последствий принятия решений.

Следует отметить, что в настоящее время большинство программных систем, называемых системами поддержки принятия решений, носят всего лишь информационно-справочный характер, то есть выполняют лишь первую из перечисленных функций. Другие информационно-справочные системы позволяют выполнить несколько первых функций [2].

В этой связи можно сказать о широко известных и популярных технологиях баз данных и геоинформационных систем (ГИС). Что может получить пользователь от такой системы. Ну, конечно, разнообразную справочную информацию. Правда, добраться до нее бывает не так-то просто, даже если система снабжена развитым диалогом типа меню. Очень часто для этого пользователю требуется помощь программиста или оператора системы. Популярность ГИС вызвана тем, что они помогают лицам, принимающим решения (ЛПР), еще и тем, что представляют информацию визуально, то есть выполняют функцию, указанную четвертой. Примером могут служить разнообразные задачи по районированию территорий. Известно, что возможность визуального представления повышает конструктивность получаемой информации и ее полезность для принятия решений. Именно это, а также то, что ГИС имеют дело с географической информацией, которая оказывается чрезвычайно полезной в большинстве задач организационного управления, сделали эту технологию очень популярной.

Практически все реально действующие ГИС разного назначения имеют информационно-справочный характер. Схема взаимодействия пользователя и системы в них реализуется по цепочке: обход дерева меню – запрос к атрибутивным базам данных – визуализация на карте.

Читать еще: Самый компактный компьютер. Мини-ПК на Windows: когда минимизация не становится синонимом слова «плохо

Однако, необходимо отметить, что геоинформационные технологии стремительно развиваются. Например, существуют ГИС, позволяющие моделировать текущую ситуацию и последствия принимаемого решения. Развитие ГИС-технологий идет также в сторону интеллектуализации. В качестве примера можно привести развитие объектно-ориентированных мультидетальных ГИС.

Разработка интеллектуальных систем поддержки принятия решений подразумевает конструктивный динамический подход: во-первых, необходимо подавляющее число параметров, участвующих в формировании запроса к атрибутивным базам, формировать автоматически, минимально загружая пользователя, тем самым выполняется функция 2 – конструктивный подбор информации. Далее, с помощью интеллектуальной системы возможно не только визуализировать на карте полученную в результате запроса информацию, но и выполнять и иллюстрировать ее оценки. И наконец, результатом работы системы должны быть также рекомендации пользователю для принятия решений, которые он может получить в текстовом виде.

Таким образом, интеллектуальная система может конструктивно выполнять функции поддержки принятия решений на более конструктивных уровнях. Главное отличие интеллектуальных систем поддержки принятия решений от информационно-справочных систем состоит в том, что обязательным элементом функционирования является формирование рекомендаций, или проектов решений. Причем большинство систем позволяют получить несколько вариантов решений с указанием их относительного предпочтения и условий реализации [2].

Вывод: очень важной особенностью интеллектуальной системы является то, что сама логика взаимодействия ее с пользователем обычно диктуется процессом решения функциональной задачи, и поэтому работа с такой системой выглядит для него, как ни парадоксально, гораздо проще и естественнее, чем в справочной системе.

Интеллектуальные системы поддержки принятия решений — краткий обзор

Библиографическая ссылка на статью:
Бояркина О.О., Шкаликова А.А. Интеллектуальные системы поддержки принятия решений // Современные научные исследования и инновации. 2016. № 12 [Электронный ресурс]. URL: http://web.snauka.ru/issues/2016/12/75361 (дата обращения: 14.09.2020).

Любое предприятие осуществляет свою деятельность в условиях риска и неопределенности, поэтому перед ним постоянно стоит проблема выживания и обеспечения непрерывности функционирования и развития [1]. Анализ функционирования крупных предприятий и управление ими составляет основное содержание работы управленцев, аналитиков, специалистов в области обработки информации [2]. Чтобы решить эту проблему руководителям приходится принимать управленческие решения по выбору направления развития предприятия, по сохранению и увеличению своей позиции на рынке и рыночной доли, по предотвращению потерь и снижению издержек, а также по поддержанию и повышению конкурентоспособности. Обоснованность и профессиональный уровень принимаемых решений определяет, в конце концов, эффективность деятельности предприятия.

В современных условиях всё возрастающую роль играет информация. Однако необходимость учета при принятии управленческих решений большого количества экономических, политических, социальных, правовых факторов существенно усложняет процесс выбора правильного варианта решения. Как правило, это связано со сложностями, возникающими в процессе сбора актуальной, достоверной и полной информации по интересующему вопросу. Стремительное увеличение объемов поступающей и перерабатываемой информации приводит к значительным изменениям в способах и методах анализа информации и требует не только автоматизации процесса обработки и изучения данных, но и интеллектуализации информационных и организационных процессов, построения и внедрения эффективных методов и интеллектуальных технологий поддержки принятия решений (ППР).

За последние десятилетия информационные технологии достигли высокого уровня развития. В связи с этим большинство развивающихся компаний используют автоматизированные средства, позволяющие эффективно хранить, обрабатывать и распределять накопленные данные [3]. Современные системы поддержки принятия решений (СППР) появились благодаря развитию управленческих информационных систем и систем управления базами данных (СУБД) и представляют собой системы, приспособленные к решению текущих задач, возникающих в управленческой деятельности. Это мощный инструмент, позволяющий помочь лицам, принимающим решения (ЛПР), решить сложные неструктурированные задачи. Как правило, системы поддержки принятия решений являются результатом мультидисциплинарного исследования, которое включает в себя теории баз данных, методов имитационного моделирования, искусственного интеллекта, нейронных сетей, ситуационного анализа и интерактивных компьютерных систем. В настоящее время нет единого общепринятого определения СППР, т. к. строение системы напрямую зависит от тех задач, для решения которых она используется, а также от доступных знаний, данных и информации, на основе которых принимаются решения.

Для решения слабоструктурированных или неструктурированных управленческих задач, с которыми достаточно сложно справиться естественному интеллекту, возникает необходимость в создании и использовании систем искусственного интеллекта для принятия решений, т. е. интегрированных интеллектуальных систем управления, в состав основных компонентов которых включаются базы данных и знаний, блок решения и логического вывода, хранилище моделей и т.п. Создание подобных систем стало возможным благодаря развитию и достижениям интеллектуального управления, основанным на разработках в области искусственного интеллекта, инженерии знаний, обработки данных и математического моделирования.

Во многих отечественных и зарубежных публикациях рассматриваются различные аспекты интеллектуальной деятельности человека, в частности, способность получать, использовать, анализировать и воспроизводить знания, целенаправленность деятельности, умение ставить задачи и находить пути их решения, возможность предвидеть исход события, обобщать накопленные знания, применять аналогичные методы решения подобных задач и проч. Интеллектуальная деятельность ЛПР связана с поиском решений сложных управленческих задач, точный метод решения которых заранее неизвестен. К когнитивным (интеллектуальным) функциям человека относятся: восприятие, интуиция, индукция, дедукция, прогнозирование, прогнозирование, вычисление, творчество, классификация, поиск, сравнение, выбор, ассоциация и т. п. На данный момент проанализированы, изучены и формализованы такие функции как поиск, вычисление, дедукция, выбор и сопоставление. Попытки наделить компьютерную технику интеллектуальными способностями более высокого уровня (вероятностными методами рассуждения, логикой, индуктивным выводом, доказательством по аналогии и проч.) до сих пор не дали ощутимого результата. К известным методам и способам автоматизации решения задач управления путем применения интеллектуальных функций относятся:

использование нейронных сетей и нейрокомпьютеров на уровне распознавания (классификации) и обобщения объектов и ситуаций;
использование диалоговой системы, с помощью которой ЛПР манипулирует построенной компьютерной моделью, а система, включающая базу знаний и дедуктивный механизм ввода, помогает в этой работе.

Существует три основные цели, которые ставятся перед теорией искусственного интеллекта [4]. Во-первых, главной фундаментальной стратегической целью теории ИИ является обоснование и научное объяснение интеллектуального мыслительного процесса человека, а также анализ и прогнозирование возможности наделения технических и компьютерных систем мыслительными функциями. Во-вторых, теоретическая естественно-научная цель заключается в познании механизмов и способов осуществления различных функций мозга, анализа и обработки информации, а также построение моделей этих функций. В-третьих, практическая, техническая цель состоит в решении неотложных задач, которые характеризуются высокой степенью сложности и не структурированности, с которыми человеческий интеллект не может справиться без помощи технических и компьютерных средств.

Результатом достижения этих целей является автоматизация деятельности ЛПР, которая позволит расширить возможности человеческого мышления и усилить его способности.

С точки зрения искусственного интеллекта любая система, претендующая на название «система искусственного интеллекта», обязательно должна включать в себя следующие подсистемы [5]:

подсистема ввода и распознавания информации;
подсистема обучения, позволяющая получить новую информацию внутри системы;
подсистема представления знаний, которая используется для накопления и хранения информации;
подсистему целеполагания, т.е. выработки целей и принятия решений;
подсистему поддержания целостности системы;
подсистему взаимодействия и общения;
подсистему осуществления принятых решений.

Читать еще: Термопаста для процессора какая лучше?

Для того что существующие в настоящее время системы поддержки принятия решений могли смоделировать ППР, осуществляемый человеком, им необходимо придать свойства интеллектуальности, т.е. включить в их состав перечисленные выше подсистемы. Интеллектуальность СППР предполагает наличие в системе собственной внутренней модели мира [6]. Данная модель обеспечивает самостоятельность системы при оценке задачи и принятии решения, индивидуальность в выводах, способность семантически интерпретировать входящий запрос в соответствии с собственной базой знаний, умение в кротчайшие сроки выработать ответ.

Одним из главных свойств интеллектуальности является способность к генерации, анализу, выводу, поиску и конструированию решения, которое в явном и готовом виде не содержится в системе. В этом свойстве проявляется способность системы к дедуктивному выводу («мышлению»). С информационной точки зрения данное свойство, как правило, трактуется как способность системы анализировать, консолидировать и выдавать качественно новую интеллектуальную информацию, которая не заложена в явном виде в систему, т.е. интеллектуальная система должна быть своего рода генератором новых идей и путей решения.

Еще одной особенностью интеллектуальных систем поддержки принятия решений является проблема размытости, нечеткости и не структурированности процесса принятия решений. В теории ИИ существует два взаимосвязанных направления, характеризующих процесс принятия решений. Согласно ортодоксальному эвристическому направлению, процесс принятия решений рассматривается как набор правил, приемов, методов, системы догадок и предположений, способов анализа и изучения, которые не составляют единую дедуктивную систему. Следовательно, процесс принятия решений не может быть строго формализован. С другой точки зрения считается, что при принятии решений человек действует логически, т. е. процесс принятия решений можно описать с помощью алгоритма – формальной схемы последовательности действий и операций. Однако, зачастую ЛПР не могут описать и формально представить свой процесс принятия решений, что объясняется самой природой неопределенности данного процесса.

В работах В.А. Рыжова, И.З. Батыршина, Т.М. Леденевой и др. ученых описаны различные подходы к созданию интеллектуальных систем поддержки принятия решений (ИСППР), интеллектуальных систем управления (ИСУ) и гибридных систем, в том числе использующих аппарат теории нечетких множеств и нечеткой логики. Данные ИСППР предназначены для помощи лицам, принимающим решения, в управлении и решении сложных неструктурированных задач в условиях жестких временных ограничений и наличия различного рода неопределенности: неполноты, неактуальности, противоречивости, нечеткости исходной информации, недетерминизма стратегий управления и проч. Такие ИСППР относятся к классу интегрированных интеллектуальных систем, сочетающих строгие математические модели и методы поиска решения с нестрогими (логико-лингвистическими) моделями и методами, базирующимися на знаниях специалистов-экспертов, моделях человеческих рассуждений и накопленном опыте.

Особенностями задач, решаемых с помощью нечетких ИСППР, в том числе ИСППР реального времени, являются [7]:

сложность, а порой даже невозможность, получить полную и объективную информацию, необходимой для принятия решения, что приводит к использованию субъективной информации;
многовариантность поиска наиболее эффективного решения поставленной задачи, необходимость применения методов правдоподобного (нечеткого) поиска решения и активного участия в нем ЛПР;
необходимость введения новой, дополнительной информации в базу знаний, а также их коррекции при поиске решения.

Следует отметить, что использование интеллектуальных систем учета, в отличие от интеллектуальных систем принятия решений, не предполагает участие человека в процессе принятия решений. Базой для построения нечеткой интеллектуальной системы учета является система учета с участием эксперта, который основываясь на собственных знаниях и опыте об исследуемом объекте формирует описание процесса управления. После этого описание объекта преобразуется в базу нечетких правил, которые в дальнейшем используются в интеллектуальной системе учета уже без участия эксперта. Идея подобного нечеткого управления объектом заключается в подражании действиям опытного эксперта. Нечеткие правила – это нечеткие продукционные правила, которые при фиксированной цели управления описывают стратегии управления на качественном уровне. Нечеткие интеллектуальные системы учета используются в тех областях, где традиционные системы управления неэффективны и неприменимы, а именно в случае нелинейности системы управления, в условиях неопределенности, а также в системах управления, основанных на использовании экспертной информации. В нечетких ИСУ входные и выходные переменные являются лингвистическими, а функция управления приближенно описывается совокупностью нечетких продукционных правил.

Итак, можно определить базовые принципы построения нечетких ИСППР и ИСУ реального времени [8]:

Принцип открытости и динамичности – интеллектуальные системы учета ориентированы на открытые и динамические предметные области;
Принцип семиотичности предполагает, что интеллектуальная система поддержки принятия решений реального времени – это система распределенного интеллекта семиотического типа, включающая помимо традиционных для экспертных систем модулей (базы данных и знаний, модуль ввода информации, подсистему вывода (поиска) решения), также базу моделей, интеллектуальные модули моделирования и прогнозирования проблемной ситуации, модули организации интерфейса: текстового, образного, речевого и в виде различных диаграмм и графиков;
Принцип адаптивности моделей представления данных и знаний, а также поиска решения, который подразумевает сохранение способности к обучению, пополнению и накоплению знаний, поддержание высокой работоспособности даже в условиях неожиданного и непредвиденного изменения свойств объекта, целей управления и т. п.;
Принцип распределенной и параллельной обработки информации, за счет которого обеспечивается возможность проведения быстрого и качественного анализа огромного объема информации и поиска приемлемого решения в условиях жестких временных ограничений;
Принцип максимизации удобства и упрощения процесса взаимодействия лица, принимающего решения, с ИСППР, что достигается благодаря использованию технологии когнитивной графики и гипертекста.

Таким образом, можно сделать вывод о том, что для полного осуществления интеллектуальных способностей, связанных с анализом, прогнозированием, обобщением исходной информации по сложной управленческой проблеме и, в конечном итоге, принятии верного решения современные и будущие интеллектуальные системы поддержки принятия решений и интеллектуальные системы учета должны быть реализованы с использованием новейших прогрессивных технологий, которые основаны на динамических моделях данных, способных адаптироваться к конкретной ситуации и задаче, концепциях распределенного искусственного интеллекта, параллельной обработки огромных объемов данных в процессе решения, а также методов правдоподобного вывода результатов. Поэтому одним из наиболее перспективных путей построения интеллектуальных систем поддержки принятия решений, систем интеллектуального анализа данных, систем управления и прогнозирования является использование современные научные разработки в теории и практике нейронных сетей, нечёткие модели и методы многокритериального выбора и нечёткого логического вывода.

Интеллектуальные системы поддержки принятия решений

Рубрика: Технические науки

Дата публикации: 17.01.2017 2017-01-17

Статья просмотрена: 3602 раза

Библиографическое описание:

Суслова, Е. В. Интеллектуальные системы поддержки принятия решений / Е. В. Суслова. — Текст : непосредственный // Молодой ученый. — 2017. — № 3 (137). — С. 171-174. — URL: https://moluch.ru/archive/137/38289/ (дата обращения: 16.10.2020).

Читать еще: Какие бывают домены электронной почты?

Интеллектуальные системы поддержки принятия решений

Суслова Екатерина Владимировна, магистрант

Национальный исследовательский Мордовский государственный университет имени Н. П. Огарева

Любое предприятие осуществляет свою деятельность в условиях риска и неопределенности, поэтому перед ним постоянно стоит проблема выживания и обеспечения непрерывности функционирования и развития [1]. Анализ функционирования крупных предприятий и управление ими составляет основное содержание работы управленцев, аналитиков, специалистов в области обработки информации [2, с. 74–76]. Чтобы решить эту проблему руководителям приходится принимать управленческие решения по выбору направления развития предприятия, по сохранению и увеличению своей позиции на рынке и рыночной доли, по предотвращению потерь и снижению издержек, а также по поддержанию и повышению конкурентоспособности. Обоснованность и профессиональный уровень принимаемых решений определяет, в конце концов, эффективность деятельности предприятия.

Для решения слабоструктурированных или неструктурированных управленческих задач, с которыми достаточно сложно справиться естественному интеллекту, возникает необходимость в создании и использовании систем искусственного интеллекта для принятия решений, т. е. интегрированных интеллектуальных систем управления, в состав основных компонентов которых включаются базы данных и знаний, блок решения и логического вывода, хранилище моделей и т. п. Создание подобных систем стало возможным благодаря развитию и достижениям интеллектуального управления, основанным на разработках в области искусственного интеллекта, инженерии знаний, обработки данных и математического моделирования.

Попытки наделить компьютерную технику интеллектуальными способностями более высокого уровня (вероятностными методами рассуждения, логикой, индуктивным выводом, доказательством по аналогии и проч.) до сих пор не дали ощутимого результата. К известным методам и способам автоматизации решения задач управления путем применения интеллектуальных функций относятся:

 использование нейронных сетей и нейрокомпьютеров на уровне распознавания (классификации) и обобщения объектов и ситуаций;

В своих работах американский нейрофизиолог Френсис Розенблатт предложил свою модель нейронной сети, которая должна применяться для задачи автоматической классификации, состоящей в общем случае в разделении пространства признаков между заданным количеством классов.

Эти системы (и подобные им) получили название персептроновисостояли в основном из одного слоя искусственных нейронов, соединенных с помощью весовых коэффициентов с множеством входов.

Рис. 1. Однослойный персептрон

Начало современному математическому моделированию нейронных вычислений было положено работами Хопфилда в 1982 году, в которых была сформулирована математическая модель ассоциативной памяти на нейронной сети с использованием правила Хеббиана для программирования сети (рисунок 2). Введенная в эту модель Хопфилдом функция вычислительной энергии нейронной сети стала одним из новых путей развития искусственных нейронных сетей.

Недостатком модели Хопфилда является их тенденция стабилизироваться в локальном, а не глобальном минимуме функции энергии, поэтому эволюционным развитием модели для решения комбинаторных оптимизационных задач и задач искусственного интеллекта является машина Больцмана.

Рис. 2. Сеть Хопфилда из 4 нейронов

Самоорганизующаяся карта признаков (сеть SOFM — Self-Organizing Feature Map), разработанная Кохоненом в 80-х гг., имеет набор входных элементов, число которых соответствует размерности учебных векторов, и набор выходных элементов, которые служат в качестве прототипов. Основная архитектура сети SOFM приведена на рисунке 3

Рис. 3. Сеть Кохонена с тремя входными и пятью кластерными элементами, каждый элемент входного слоя связан с каждым элементом кластерного слоя

В конце 80-х годов были разработаны сети встречного распространения, которые превосходят возможности однослойных сетей. Время обучения в них, по сравнению сетями с обратным распространением ошибки, может уменьшаться в сто раз. Обратное распространение может давать решение в тех приложениях, где долгая обучающая процедура невозможна. Во встречном распространении объединены два хорошо известных алгоритма: самоорганизующаяся карта Кохонена и звезда Гроссберга. Их объединение ведет к свойствам, которых нет ни у одного из них в отдельности [4].

Методы, которые подобно встречному распространению, объединяют различные сетевые парадигмы как строительные блоки, могут привести к сетям, более близким к мозгу по архитектуре, чем любые другие однородные структуры. Похоже, что в мозгу именно каскадные соединения модулей различной специализации позволяют выполнять требуемые вычисления.

голоса

Рейтинг статьи