Жуйков Виктор Викторович Научные публикации

Экспертно-сетевой метод классификации знаний

Аннотация

Предлагается экспертно-сетевой метод классификации знаний на основе нейронных сетей и экспертных оценок. Автором приводится описание данного метода, позволяющего осуществлять объединение набора простых знаний, представленных в виде нейронных сетей, в более сложные структурированные знания.

Expertise network method of classification knowledge

Abstract

Offered expertise network method of classification knowledge based on neural networks and expert estimates. The author is a description of the ways in which the union of a set of simple knowledge, presented in the form of neural networks, in a more complex structured knowledge.

В науке и жизнедеятельности человека классификация объектов занимает одну из ключевых ролей. При построении классификаций знаний в сферах деятельности человека наблюдался значительный подъём в исследованиях и достижениях. Яркими примерами могут служить периодическая система Менделеева, классификации растительного и животного мира. В настоящий момент особую роль занимают сферы деятельности с трудными для формализации элементами с многочисленными взаимосвязями между ними. Нередко знания о предметной области представляют с различными базисами. Данные сферы деятельности не описываются адекватно в терминах классических подходов чёткой и нечёткой логики. В случае систем с различными базисами, когда нас интересуют не только и не столько количественные характеристики принадлежности, а ее структурные характеристики и свойства, связанные с наиболее вероятными ответами, классификатор должен быть структурно подобен самой классификации. Необходимо создание методов описания и анализа классификаций, который может сгладить формальный подход. Выходом из данной ситуации могло бы быть использование теории распознавания образов, например искусственных нейронных сетей.

С помощью нейронных сетей облегчается классификация объектов, но отсутствует возможность соединения уже имеющихся знаний о предметной области. Необходим механизм, позволяющий использовать накопленные знания вместе. В тех областях, где исследования могут быть проведены только в узком диапазоне предметной области, метод соединения знаний мог бы стать отправной точкой для построения более глобальных систем классификации [Нейронные сети 2006].

Таким образом, проблема классификации остаётся наиболее острой, и необходим механизм синтеза знаний из уже имеющихся разбросанных знаний в более крупные структуры.

Одним из решений может быть заимствование принципов искусственных нейронных сетей, где имеется достаточно развитый математический аппарат и возможность сопоставления входов и выходов на обучающихся примерах. В рамках поднятой проблемы предлагается ввести следующий механизм решения проблемы:

1) Построение простых знаний может опираться на искусственные нейронные сети.

2) Должен существовать механизм синтеза нейронной сети из более простых нейронных сетей.

3) Там где это необходимо для обеспечения адекватности, дополнительной мерой может являться механизм реализации «жёстких» правил.

Таким образом, определим цели исследования. Целью является разработка теоретических основ построения и использования экспертно-сетевого метода классификации.

При этом предлагается использовать математический аппарат для синтеза простых знаний на основе [Жуйков Подсистема 2008].

Элементы множества входных значений принадлежат промежутку от 0 до 1, что означает признак о предмете. 0 — нет признака, 1 — признак достоверен со 100% уверенностью исследователя. Множество выходных значений могут представлять собой элементы находящиеся в диапазоне от «–» бесконечности до «+» бесконечности. Где отрицательные значения говорят о возможном несоответствии распознаваемого предмета элементу классификации, а положительные — о возможном соответствии. В рамках данной модели можно рассмотреть ряд, упорядоченный по убыванию. Таким образом, наиболее возможные соответствия распознаваемого предмета элементам классификации будут располагаться вначале. Следует учитывать, что при неправильных входных данных соответствие элементу классификации может не соответствовать действительности.

В отличие от предложенной ранее модели нейрона с линейной функцией активации [Жуйков Применение 2008], предлагается дополнительно использовать там, где это необходимо, мультиплексор, схема которого отображена на рисунке 1. Где:

X – входные значения;

Y – выходное значение;

W – весовые коэффициенты;

S – результат произведения;

F – функция активации;

П – функция произведения.

Рис. 1. Мультиплексор

С помощью мультиплексора имеется возможность создания структур управления и поддержки принятия решений [Нейронные сети 2007, Jager 1995].

Для проверки адекватности модели на входы мультиплексора подаются сигналы, противоречащие друг другу. В этом случае положительные значения на выходе будут означать степень противоречия. При существовании порога однозначного определения ошибочного состояния возможно использование пороговых функций активации.

При наличии нескольких структур знаний о предметной области существует возможность их синтеза в более глобальную структуру знаний. Входными данными здесь являются нейронные сети с входными и выходными значениями. Выходными данными будет являться объединённая нейронная сеть. Рассмотрим этапы объединения:

1) Нормализация нейронных сетей на основе экспертных коэффициентов каждой сети.

2) Объединение нейронных сетей с помощью общих элементов и экспертных коэффициентов доверия.

Нормализация нейронных сетей необходима в том случае, если объединяются нейронные сети, имеющие общие элементы. Предположим, имеются две нейронные сети с общими элементами. Перед объединением эксперт или группа экспертов устанавливают доверительные коэффициенты D={d1,...,dn}, где n — количество объединяемых нейронных сетей, а значение каждого элемента множества принадлежит промежутку [0,1], 0 — в данном случае означает полное экспертное недоверие при объединении, 1 — абсолютное доверие. В связи с этим применяется операция умножения доверительного коэффициента сети на весовой коэффициент w, который обозначает степень связи.

Одним из проблемных моментов при объединении является выявление общих элементов в нейронных сетях. Для упрощения данной процедуры необходимо использование общей терминологии при выделении составляющих классификации. Данная проблема накладывает ограничения на слияние простых знаний из разных областей исследований, что может привести к абсурдности синтезируемых структур и, соответственно, неправильной интерпретации входных сигналов в выходные. В то же время, предлагаемый подход даёт возможность суммировать усилия исследовательских работ со схожей проблематикой и тем самым получить более качественную классификацию и выявить новые вопросы для изучения.

Рассмотрим более подробно объединение нейронных сетей с помощью общих элементов. При данной процедуре возможны следующие случаи:

1) общие элементы находятся только во входном слое для одной из нейронных сетей, для другой — в выходном;

2) общие элементы находятся только в выходном слое как для одной нейронной сети, так и для другой;

3) общие элементы находятся только во входном слое как для одной нейронной сети, так и для другой;

4) общие элементы находятся только во входном и выходном слое как для одной нейронной сети, так и для другой;

5) общие элементы имеются в промежуточных слоях какой-либо из нейронных сетей.

В первом случае имеет место быть иерархичность между знаниями, представленными с помощью нейронных сетей. Данное применение позволяет применять более углубленные представления о предмете, тем самым повышая точность. В некоторых случаях входное значение не может быть получено без проведения предварительных исследований. Подобного рода объединение может исправить проблему, детализируя входные значения нейронной сети на составляющие. Тем не менее, данная операция не может полностью проходить без вмешательства эксперта. Исключения могут составлять специально созданные составляющие, которые имеют полностью определённые выходные значения, зависимые от входных данных, в области применения.

Во втором случае предполагается, что исследуемые знания по составляющим элементам являются не полными, и с помощью дополнительных входных значений, более объёмно раскрываются. С осторожностью необходимо использовать данный вариант, так как после процедуры слияния анализ на полученных выходных значениях может отличаться от предыдущих исследований, что искажает картину. Здесь следует понимать, что формируется новая структура знаний, построенная на совершенно другом базисе. Исключением может являться объединение нейронных сетей со сходными входными значениями, когда одни из них образуют подмножество других, в таком варианте имеет место уточнение структуры знаний.

В третьем случае этап нормализации может отсутствовать. Это самый безобидный вариант слияния простых знаний. Здесь имеет место увеличение количества выходных значений, за счёт объединения. Тем не менее, выявление общих элементов, может являться источником ошибочных полаганий и впоследствии неправильного результата. В то же время подобного рода операции по синтезу новых знаний имеют место для составления более полной картины исследуемого предмета.

Четвёртый случай — это комбинация второго и третьего. Здесь следует учитывать сложность образовавшейся структуры, и брать в расчёт особенности каждого варианта. В простейшем рассмотрении данный случай — это синтез на основе общих элементов по входным значениям, затем объединение по выходным значениям, то есть выходные значения для одной сети не являются входными для другой. В то же время подобного рода манипуляции, требуют аналитической и практической проверки.

Пятый случай самый сложный с точки зрения синтеза более сложных знаний. Если следовать рекомендациям из предыдущих этапов, то вероятность получить ошибочный результат является очень высокой. Дело в том, что нарушатся отдельные составляющие нейронных сетей. Простая нормализация проблему решить может только технически, но в таком случае стоит говорить о неполном знании выходных значений и структуре нейронной сети на предыдущих этапах. Неизбежным является и то, что необходимость в дополнительном исследовании полученной нейронной сети очевидна. Таким образом, требуется полный анализ синтезированных знаний, как при построении. Вышесказанное не означает бесполезность пятого случая, его положительные свойства могут проявиться при поиске возможных связей между более простыми знаниями, тем самым указывая направления дальнейших исследований.

Следует дополнительно указать, что любые комбинации общих элементов, относящиеся к первым четырём случаям, при наличии общих составляющих в промежуточном слое сводят рассмотрение к пятому варианту синтеза. Данное утверждение подчёркивается словом «только» при перечислении случаев.

Для более наглядного представления экспертно-сетевого метода классификации на рисунке 2 предлагается его схема.

Рис. 2. Схема экспертно-сетевого метода классификации

Степень детализации выбрана по принципу наглядности. В данной схеме НИБ (научно-исследовательская база) представляет собой упорядоченный определённым образом набор исследований в определённой области, в том числе и созданные ранее нейронные сети на основе экспертно-сетевого метода. Данные из НИБ являются основой для синтеза нейронной сети, отвечающей представленным требованиям заказчика. Они строятся с помощью ПТС (программно-технических средств), экспертов и их экспертных оценок. В свою очередь эксперты должны являться специалистами в данной области и иметь представление о НИБ. В процессе эксплуатации возможно её переформирование или усовершенствование на основе обратной связи с НИБ и заказчиком.

В общем случае экспертно-сетевой метод классификации можно представить следующими этапами:

1) Постановка задачи.

2) Формирование научно-исследовательской базы.

3) Формирование нейронных сетей.

4) Синтез более сложных нейронных сетей.

5) Эксплуатация.

6) Анализ результатов.

7) Внесение качественных изменений в научно-исследовательскую базу.

На первом этапе формуются цели и задачи, которым должен отвечать классификатор. В расчёт берутся все особенности предметной области, обозначаются допущения. В дальнейшем если они пересматриваются, то должен полностью перестраиваться или проходить адаптацию классификатор. На втором — используются знания рассматриваемой области, накопленные во всевозможных исследовательских работах. Темы и предмет, в которых будут полезны для будущего конфигуратора. На третьем — с помощью экспертов формируются нейронные сети, имеющие предложенную в [Жуйков Применение 2008, Жуйков Подсистема 2008] структуру. На четвёртом синтезируются более сложные структуры по принципу, представленному ранее. При необходимости повторяется второй и третий этап. Процесс эксплуатации продолжается до тех пор, пока созданный классификатор отвечает поставленным задачам или появятся новые исследования в данной области знаний. Анализ результатов должен происходить непрерывно на всём этапе использования нейронной сети. Могут возникнуть условия, при которых необходимо внесение качественных изменений в научно-исследовательскую базу и формирование новой нейронной сети или переход ко второму этапу в результате неадекватных ответов классификатора.

Таким образом, экспертно-сетевой метод классификации знаний может являться основой для построения информационных систем в области знаний с иерархической структурой. Например, в образовательном процессе при построении, диагностики, прогнозировании траекторий обучения. В новых государственных стандартах иерархичность является неотъемлемой составляющей. Экспертно-сетевой метод классификации знаний не только не противоречит заявленным принципам обучения, но и может выступать в качестве собирательного основополагающего структурного элемента всего образовательного процесса.

Литература

1. Жуйков В.В. Применение нейронных технологий в системе оценки качества знаний [Текст] / В.В. Жуйков //Актуальные вопросы преподавания математики и информатики: Сборник научных трудов Третьей международной научно-практической конференции. Биробиджан, 16 апреля 2008г. – Биробиджан: Изд-во ДВГСГА, 2008. – С. 168-171.
2. Жуйков В.В. Подсистема построения портрета обучающегося в рамках системы оценки качества знаний [Текст] / В.В. Жуйков // Вестник московского городского педагогического университета. Серия «Информатика и информатизация образования» Москва: МГПУ, Йошкар-Ола: МГУ, 2008г.
3. Нейронные сети, генетические алгоритмы и нечеткие системы: Пер. с польск. И.Д. Рудинского. – М.: горячая линия – Телеком, 2007. – 452с.:ил.
4. Нейронные сети: полный курс, 2-у издание.: Пер. с англ. – М.: Издательский дом «Вильямс», 2006. – 1104с.
5. Jager R., Fuzzy Logic in Control, Thesis Technische Universiteit Delft, Delft, 1995.

Жуйков В.В. Экспертно-сетевой метод классификации знаний [Текст] / В.В. Жуйков // Известия Балтийской государственной академии рыбопромыслового флота: психолого-педагогические науки (теория и методика профессионального образования): научный рецензируемый журнал / Калиннинград: Изд-во БГАРФ, 2014 №2 (28). С. 52-57 - 0,37 п.л.