Hybridná inteligencia

Kombinácie fuzzy systémov a neurónových sietí Nedávno sme sa na stránkach Computerworldu zoznámili s neurónovými sie


Kombinácie fuzzy systémov a neurónových sietí
Nedávno sme sa na stránkach Computerworldu zoznámili s neurónovými sieťami
(ktoré sa dokážu učiť, ale údaje uložené v nich nie je možné abstrahovať) a s
fuzzy systémami (ktoré sú určené na prácu s neurčitosťou, znalosti v nich
uložené sú čitateíné pre človeka, ale nedokážu sa učiť a ich návrh je často
problematický). Nakoíko sa ale ich dobré vlastnosti celkom vhodne dopíňajú,
dali vzniknúť hybridným technológiám, ktoré ich kombinujú.
Systémy integrujúce fuzzy množiny a neurónové siete sa stali asi
najrozšírenejšími hybridnými systémami výpočtovej inteligencie. Kombinácií
týchto dvoch technológií je viacero. My sa uspokojíme s veími hrubým
rozdelením, založeným na vonkajšom správaní sa a vnútornej realizácii toho
ktorého hybridného systému. Podía tohto kritéria rozoznávame tri skupiny
takýchto systémov:
Neuro-fuzzy systémy sa navonok javia ako fuzzy systém, ktorý je ale vnútorne
realizovaný neurónovou sieťou. Ak je takto zrealizovaný napríklad fuzzy
regulátor, tak tento má schopnosť učiť sa (adaptovať sa) alebo automaticky
skonštruovať svoju bázu znalostí. Nevýhody fuzzy systému sú kompenzované
použitím neurónovej siete. Najznámejšími architektúrami neuro-fuzzy systémov sú
ANFIS, NARA či FALCON.
Fuzzy neurónové siete sú neurónové siete doplnené o možnosti práce s
neurčitosťou. Fuzzy logika je obyčajne implementovaná do neurónov, čím vznikajú
tzv. fuzzy neuróny. Prioritou nasadenia fuzzy systémov je umožnenie práce s
neurčitosťou. Toto do určitej miery dovoíuje poznatky uložené v takejto
fuzifikovanej neurónovej sieti považovať za abstraktnejšie, nakoíko takáto sieť
nie je obmedzená na prácu z ostrými hodnotami.
Iný druh interakcie fuzzy systémov a neuronových sieti je ten, že fuzzy
regulátor je použitý na adaptáciu učiacich parametrov siete. Tým umožňuje
rýchlejšiu konvergenciu neurónovej siete do lokálneho minima, nakoíko možnosť
zmeny učiacich parametrov neurónovej siete umožňuje rÖznu rýchlosť jej učenia
sa v rÖznych fázach učiaceho sa procesu. lHybridné systémy, v ktorých neurónová
sieť aj fuzzy systém sú navzájom oddelené a plnia samostatné úlohy v celkovom
systéme. MÖžu byť zapojené paralelne a ich výstupy sa navzájom kombinujú či
modifikujú, alebo mÖžu byť zapojené sériovo a výstup jedného zo systémov je
vstupom druhého.

NARA prichádza
Ako mÖže taký neuro-fuzzy systém vyzerať, si ukážeme na systéme NARA. NARA
(Neural network designed on Approximate Reasoning Architecture) je
štruktúrovaná neurónová sieť, ktorá je budovaná v zhode so štruktúrou IF-THEN
fuzzy inferenčných pravidiel. Štruktúra systému NARA (viď obrázok) sa skladá s
niekoíkých paralených neurónových sietí, ktoré predstavujú akýchsi "expertov".
Každý z týchto expertov ovláda určitú problematiku riešenej úlohy, pričom
hranice medzi týmito oblasťami nie sú ostré. Expert predstavovaný červeným
blokom NSmem síce o riešení úlohy nič nevie, ale vie, ktorý z expertov a ako
dobre ovláda niektorú problematiku. Preto tento blok priraďuje váhu
rozhodnutiam jednotlivých blokov NSi. Tak je možné, že hoci jeden vstup
spracúvajú všetky bloky NSi, výstup niektorých z nich mÖže byť v celkovom
výstupe neuro-fuzzy systému NARA zoslabený, alebo dokonca úplne potlačený.
Blok NSmem predstavuje podmienkovú časť IF-THEN inferenčných pravidiel fuzzy
systému určuje, ktoré pravidlo bude na odvodzovanie použité (pri expertných a
iných inferenčných systémoch založených na pravidlách sa hovorí o tzv. odpálení
pravidla). DÖsledkové časti IF-THEN inferenčných pravidiel sú potom
reprezentované blokmi NSi.
Model NARA zohíadňuje podobnosť medzi identifikáciou modelu neurónovou sieťou a
fuzzy rozdelením vstupných údajov. Neurónová sieť NSmem rozdeíuje vstupný
priestor a identifikuje triedy. Pretože výstup neurónu má sigmoidálnu
charakteristiku, vstupný priestor nemÖže byť rozdelený ostro, dokonca aj keď sú
použité ostro ohraničené údaje na učenie siete. Takýto spojitý výstup neurónov
zodpovedá funkcii príslušnosti fuzzy množiny. Rozpoznávanie vzoriek neurónovou
sieťou NSmem teda zodpovedá fuzzy zhlukovaniu vstupných údajov.
Druhou skutočnosťou, na ktorej stojí model NARA, je fakt, že aproximácia
myslenia odvodzuje výsledky založené na vedomostiach pre každú časť vstupného
priestoru oddelene. Konečný výsledok je daný ako kombinácia výsledkov z
čiastočných vedomostí v jednotlivých paralelných neurónových sieťach NSi.
Pre klasickú neštruktúrovanú neurónovú sieť nie je jednoduché zamerať sa na
jednu problémovú oblasť bez toho, aby tým boli ovplyvnené iné oblasti
jednotlivé časti klasickej neurónovej siete sú veími tesne zviazané. Naproti
tomu štruktúrovanie siete umožňuje oddeliť problémovo závislé časti. Jednotlivé
časti sú špecifickejšie, čo im umožňuje lepšie riešiť čiastkový problém zadanej
úlohy.
Okrem zjavných výhod činnosti systému pracujúceho podía modelu NARA existujú aj
ďalšie menej zjavné prednosti tejto architektúry dÖležité pre praktické
nasadenie takýchto systémov. Je relatívne íahšie zlepšiť činnosť takéhoto
systému, pretože je možné detekovať, ktorá z jeho častí funguje nesprávne a
túto časť opraviť; zvyšné správne fungujúce časti mÖžu zostať nedotknuté.
V prípade potreby je možné jednotlivé časti takéhoto systému nahradiť úplne
inými technológiami so zhodnou funkciou. Príkladom mÖže byť nahradenie
zhlukovacej neurónovej siete NSmem inou metódou na generovanie funkcií
príslušností založenou na fuzzy zhlukovaní, napríklad metódou fuzzy ISODATA.

Ďalšie systémy
Neuro-fuzzy systém ANFIS (Adaptive Network-based Fuzzy Inference System) svojou
činnosťou zodpovedá TSK (Takagi-Sugeno-Kangovmu) fuzzy regulátoru. Vnútorne je
ale reprezentovaný ako päťvrstvová dopredná neurónová sieť, ktorej učenie je
založené na minimalizácii odchýlok metódou najmenších štvorcov a zodpovedá
úprave tzv. premisných a konsekventných parametrov. Tieto parametre nie sú
uložené vo váhach spomínanej neurónovej siete, ale v jej uzloch preto je
správne hovoriť tu o adaptívnej, nie neurónovej sieti (jednou zo základných
vlastností neurónových sietí je, že informácie sa ukladajú do medzineurónových
spojení, tzv. synaptických váh).
Návrh fuzzy regulátora definícia funkcií príslušností a inferenčných pravidiel
je náročný a často veími zdíhavý. FALCON (Fuzzy Adaptive Learning COntrol
Network) je špeciálna neurónová sieť, ktorá má za cieí tento návrh úplne
zautomatizovať. Neuro-fuzzy systém FALCON mÖže po naučení fungovať ako fuzzy
regulátor, alebo je možné z jeho vnútorných parametrov "prečítať" architektúru
a parametre zodpovedajúceho fuzzy regulátora.

Opačná interakcia
Doposiaí sme hovorili o neuro-fuzzy systémoch, ktoré sa navonok správajú ako
fuzzy systém, ale vnútorne využívajú neurónové siete. Existuje aj opačná
interakcia týchto dvoch technológií: neurónové siete využívajúce vo svojom
vnútri fuzzy systémy fuzzy neurónové siete. SpÖsobov integrácie fuzzy systémov
do neurónových sietí je viacero.
Pokiaí je zvyčajná lineárna alebo sigmoidálna prechodová funkcia neurónov v
neurónovej sieti nahradená niektorou z operácií s fuzzy množinami (tzv. T normy
a T conormy), hovoríme o fuzzy neurónoch. Pokiaí sú na vstupe takéhoto fuzzy
neurónu ostré čísla a len prechodová funkcia je fuzzy operáciou, hovoríme o
fuzzy neuróne prvého druhu; ak sú na vstupe neurónu fuzzy čísla, hovoríme o
fuzzy neuró-ne druhého druhu a v zmysle teórie fuzzy množín ide o implementáciu
fuzzy množín druhého rádu. Existujú aj fuzzy neuróny tretieho druhu, založené
na kompozičnej inferencii.
Ďalším častým spÖsobom použitia fuzzy systémov vo vnútri neurónových sietí je
použitie jednoduchého fuzzy regulátora na adaptáciu učiacich parametrov pri ich
učení. Každý neurón v neurónovej sieti tak obsahuje vlastný jednoduchý fuzzy
regulátor, ktorý vyhodnocuje jeho vplyv na dynamiku učenia sa celej siete a na
základe toho upravuje hodnoty parametrov neurónu ovplyvňujúce proces učenia.
Táto úprava má pozitívny vplyv najmä na rýchlosť učenia sa siete (čo je
dÖležité, ak sa daná neurónová sieť používa napr. pri regulácii), ale aj na
presnosť siete.
Vhodnou kombináciou neurónových sietí a fuzzy systémov možno spojiť schopnosť
učenia sa, prehíadnosť a čitateínosť modelu pre človeku a možnosť spracovávať
neurčitú informáciu. A to je už dostatočné množstvo schopností na riešenie
mnohých technických i akademických problémov...









Komentáře
K tomuto článku není připojena žádná diskuze, nebo byla zakázána.