Министерство образования и науки Российской Федерации Федеральное агентство по образованию Южно-Российский государственный технический университет (Новочеркасский политехнический институт)Шахтинский институт (филиал) ЮРГТУ (НПИ)С.Е. МеньшенинСовременные информационные технологии.Изучение принципов работы программного эмулятора нейрокомпьютераNeural Network Wizard 1.7^ Учебно-методическое пособие по дисциплинам«Интеллектуальные информационные системы»и «Системы искусственного интеллекта»Новочеркасск 2006 УДК 004.4 (07)Рецензент: канд. техн. наук А.И. БондаренкоМеньшенин С.Е.Современные информационные технологии. Изучение принципов работы программного эмулятора нейрокомпьютера Neural Network Wizard 1.7. Учебно-методическое пособие по дисциплинам «Интеллектуальные информационные системы» и «Системы искусственного интеллекта» / С.Е. Меньшенин; М-во образования и науки РФ, Шахтинский ин-т (филиал) ЮРГТУ (НПИ). – Новочеркасск: ЮРГТУ, 2006. – 64 с. – 50 экз.Рассматриваются вопросы реализации многослойной нейронной сети, обучаемой по алгоритму обратного распространения ошибки. Приведены основные принципы работы с программой Neural Network Wizard 1.7, предназначенной для проведения исследований с целью выбора оптимальной конфигурации нейронной сети, позволяющей наилучшим образом решить поставленную задачу. Результатом работы системы является файл, который хранит в себе все параметры полученной нейронной сети. Далее, на основе этого файла, можно разрабатывать систему, предназначенную для решения конкретных задач. Для этого существует модуль, позволяющий работать с этим файлом. Даны подробные методические указания по реализации нейронной сети и ее обучению. Состоит из методики выполнения работы с теоретическими выкладками, задания для самостоятельного выполнения и контрольных вопросов.Предназначено для студентов специальностей 230201 «Информационные системы и технологии», 080801 «Прикладная информатика (в экономике)» и 080801 «Прикладная информатика (в юриспруденции)».© Шахтинский институт ЮРГТУ, 2006 © Меньшенин С.Е., 2006 ОГЛАВЛЕНИЕ 1. Возможности и области применения персептронов. Основные подходы к методам математического моделирования 4 2. Основные термины и определения, используемые в системах искусственного интеллекта 10 3. Программный эмулятор нейрокомпьютера Neural Network Wizard 1.7 48 3.1. Краткое описание программы Neural Network Wizard 1.7 48 3.2. Изучение принципов работы программного эмулятора нейрокомпьютера Neural Network Wizard 1.7 49 3.2.1. Сбор статистики по процессу 49 3.2.2. Описание процесса обучения нейросети на приведенных данных 50 3.2.3. Проверка полученных результатов 51 4. Вопросы и задания для самооценки 60 Библиографический список 63 ^ 1. ВОЗМОЖНОСТИ И ОБЛАСТИ ПРИМЕНЕНИЯПЕРСЕПТРОНОВ. ОСНОВНЫЕ ПОДХОДЫ КМЕТОДАМ МАТЕМАТИЧЕСКОГО МОДЕЛИРОВАНИЯС появлением алгоритма обратного распространения ошибки начался период широкого практического применения нейросетевых технологий для решения самых разнообразных задач. С помощью многослойного персептрона стало возможным строить математические модели, выполняющие сложные многомерные отображения входного вектора параметров X на выходной вектор Y. Задачи подобного рода часто встречаются в самых разнообразных областях: промышленность, экономика, бизнес, финансы, политология, социология, криминалистика, медицина и т.д. Практически в каждой проблеме, решаемой прикладными науками, требуется построить модель явления, процесса, объекта, т.е. выявить и математически описать зависимость одного комплекса параметров от другого, построить математические функции, которые можно использовать для более глубокого анализа объекта (поиск оптимального сочетания управляющих параметров, обеспечивающих максимум целевой функции; прогнозирование развития события в зависимости от того или иного воздействия). Традиционно математические модели строились путем изучения и использования фундаментальных законов природы. В результате рассмотрения этих моделей вытекали математические формулы либо формулировки краевых задач для дифференциальных уравнений. Персептроны открыли иной подход к самой методике построения математических моделей. Появилась возможность, не задумываясь над законами физики, химии, биологии, медицины, общественного развития, исходя из одного только эмпирического опыта (обучающей выборки) строить математические модели, которые сами извлекают эти законы и позволяют их эффективно использовать для решения широкого круга практических задач. Появился новый инструмент извлечения знаний из данных, позволяющий заново открывать фундаментальные законы природы, выявлять ранее неизвестные и никогда не исследованные зависимости и закономерности и использовать их для решения конкретных практических задач. В настоящее время нейросетевые технологии находят применение: в медицине при диагностике различных заболеваний; в технических сферах деятельности человека при диагностике неисправностей сложных технических устройств; в банковском деле и в системах прогнозирования валютных курсов и котировок ценных бумаг; в области защиты информации и компьютерных сетей. В качестве инструмента, позволившего обнаружить аномальную сетевую активность, вызываемую действиями хакеров, указывались нейросети - антихакеры. На основе нейросетевых технологий создаются новые модификации детекторов лжи. Список примеров практического применения нейросетевых технологий можно во много раз увеличить. Однако и те немногие приведенные выше примеры убедительно показывают, что мы имеем универсальный и весьма эффективный инструмент для построения математических моделей самых разнообразных физических, технических, химических, экономических, социальных и другого рода объектов, процессов, явлений. Исследуя эти модели, мы можем решать широкий круг разнообразных практических задач. Так, если нам удалось построить математическую модель какого-то сложного технологического процесса, например выплавки стали в мартеновской печи, или крекинга нефти в химическом реакторе, или производства электроэнергии на атомной электростанции, то, исследуя математическую модель, изучая влияние входных параметров на выходные, можно решить задачу оптимизации моделируемого технологического процесса. Это значит, что можно подобрать оптимальное сочетание входных параметров, обеспечивающих максимально высокое качество выплавляемой стали, рассчитать наиболее благоприятный ход химической реакции крекинга нефти, выбрать наиболее эффективный режим работы атомной станции. Аналогично решаются задачи оптимизации в сфере бизнеса, экономики. В этом случае выходом нейронной сети может быть некая целевая функция, имеющая смысл показателя экономической эффективности предприятия: себестоимости валового продукта, прибыли, рентабельности фирмы и т. п. Если математическая модель является нестационарной, т.е. составлена с учетом фактора времени, то ее можно использовать для решения задач прогнозирования. Это значит, что с помощью математической модели можно узнать, какими будут технологические, экономические, социальные, политические и другие показатели моделируемого объекта в будущем и как на них можно повлиять, принимая те или иные меры сегодня. Если математическая модель работает в реальном режиме времени, т.е. оперативно получает сведения о текущих изменениях параметров моделируемого объекта, если результаты математического моделирования могут быть оперативно переданы оператору, управляющему объектом, или могут быть непосредственно введены в приборы, например, дозирующие подачу кокса, руды, кислорода и других химических компонентов в мартеновскую печь либо управляющие параметрами работы ядерного реактора, то такая математическая модель будет решать задачу управления моделируемым объектом или процессом. Помимо перечисленных задач оптимизации, прогнозирования и управления персептрон, как было показано выше, может решать задачи распознавания и классификации образов, причем под образами понимаются зрительные изображения, символы, тексты, запахи, звуки, шумы. Отметим, что во всех примерах построения математических моделей с помощью нейросетевых технологий не требовалось знание и использование законов природы. Вместо этого нужно было подготовить обучающую выборку, содержащую статистические данные о предметной области. Если эта выборка оказывается достаточно репрезентативной (представительной), то нейросеть сама извлекает закономерности, необходимые для формирования математической модели, адекватной рассматриваемой предметной области. В этом отношении методика построения нейросетевых моделей напоминает методику построения регрессионных моделей. Последние, как известно, основаны на методе наименьших квадратов, позволяющем получать математические формулы, аппроксимирующие статистические данные. Однако в отличие от регрессионных, нейросетевые технологии представляют собой значительно более мощный и универсальный математический аппарат. Кроме того, не надо забывать, что в его основе лежит не просто математический трюк, а глубокий физический, психологический и общефилософский смысл. Нейронная сеть (нейросеть) – это система, выполненная по образу и подобию человеческого мозга. Естественно, что она наследует его свойства, причем как положительные, так и отрицательные. Как и человеческий мозг, нейросеть способна извлекать знания из данных, обнаруживать скрытые в них закономерности. Но, как и человек, нейросеть не способна объяснять, как она это делает. Нейросеть, извлекая знания из данных, способна выводить закономерности, делать догадки, открывать законы природы. Но, так же как и человек, нейросеть не способна к четкой формулировке пунктов алгоритма, позволившего сделать то или иное умозаключение. Известны случаи, когда нейросети демонстрируют феномен, называемый в жизни «шестым чувством». Они с успехом извлекают знания из анализа информации, из которой, казалось бы, эти знания извлечь невозможно. Феномены подобного рода в практике применения нейросетевых технологий не являются редкостью. Особенно часто они наблюдаются при исследовании достаточно сложных объектов, когда нейросети выявляют связи и закономерности, о существовании которых специалисты, создавшие объект, не знают. Выявляются даже такие взаимосвязи и взаимные влияния, которые при поверхностном рассмотрении противоречат здравому смыслу специалистов и становятся понятными и объяснимыми только после более тщательного изучения объекта. Таким образом, мы вправе заявить о наличии у нейросетей свойства, обычно называемого в жизни «шестым чувством», – способности принимать правильные решения, алгоритм принятия которых с точки зрения известных истин объяснить не представляется возможным. Невербальность знаний и «шестое чувство» нейросетей – это качества, вытекающие из самой их природы. Нет ничего удивительного в том, что нейросети, представляющие собой модель человеческого мозга, наследуют его свойства. Человеческий мозг по своей сути является невербальным объектом. В процессе эволюции тысячелетиями от мозга требовалось обрабатывать поступающую информацию, делать из нее выводы и принимать решения. Ho при этом не требовалось давать каких-либо объяснений. Потребность в вербализации человеческих умозаключений появилась только в последнее тысячелетие, и далеко не каждый современный человек обладает способностью объяснять все свои поступки. Многие наши действия совершаются под влиянием эмоций, или «шестого чувства», не имеющего логических объяснений. И, возможно, дальнейшая эволюция человеческого мозга приведет его к еще более совершенной структуре, в которой алгоритм принятия решений и сами знания будут храниться в прозрачной для понимания форме. Но пока мы моделируем мозг, в котором знания закодированы в виде матрицы сил синаптических связей. В отличие от экспертных систем, где имеется возможность проследить всю цепочку логического вывода, мы не можем спросить нейросеть, почему она пришла к тому или иному выводу. Естественно, что это является недостатком нейросетевых технологий, преодолением которого занимаются некоторые исследовательские группы. По мнению многих специалистов в области искусственного интеллекта, человеческий мозг, являясь самой сложной из известных в природе систем, «не хочет раскрывать своих тайн». Подводя итог приведенным рассуждениям, отметим, что последняя фраза может быть отнесена и к модели человеческого мозга – нейронным сетям. Но это совсем не значит, что их удивительными свойствами не следует пользоваться.^ 2. ОСНОВНЫЕ ТЕРМИНЫ И ОПРЕДЕЛЕНИЯ,ИСПОЛЬЗУЕМЫЕ В СИСТЕМАХИСКУССТВЕННОГО ИНТЕЛЛЕКТААбстракция – это выделение существенных признаков и связей понятий, используемых при решении данной задачи, и игнорирование несущественных. Абстрагирование является основным методологическим приемом при разработке программного обеспечения. Оно позволяет разбить решаемую задачу на подзадачи, каждая из которых проще исходной задачи. Причем при рассмотрении начальной задачи нет необходимости учитывать те детали и ту более подробную информацию, которые используются на этапе рассмотрения подзадач. В поле зрения должны находиться только те сведения, которые позволяют охватить проблему целиком и осуществить ее декомпозицию на более простые подзадачи. Абстрагирование обеспечивает упорядочение, структуризацию и понимание информации о реальном мире. Поэтому методы абстракции широко используются в формальном описании предметной области. Известны следующие основные типы абстрагирования понятий: агрегация, обобщение, типизация и ассоциация.Архетип – см. классификация.База знаний – одна из составных частей экспертной системы. База знаний – ядро интеллектуализированной системы (например, экспертной системы), совокупность знаний предметной области, записанная на машинном носителе в форме, понятной эксперту и пользователю, т.е. на языке представления знаний (обычно приближенном к естественному).Восприятие – одно из основных проблем в области искусственного интеллекта. Это направление включает: проблемы анализа трехмерных сцен; разработку методов представления информации о зрительных образах в базе знаний; создание методов перехода от зрительских сцен к их текстовому описанию и методов обработки перехода; разработку процедур когнитивной графики; создание средств для порождения зрительских сцен на основе внутренних представлений в интеллектуализированной системе. Существуют большие возможности в повышении уровня интеллектуальности интеллектуализированной системы за счет обработки зрительной (образной) информации и соотнесения ее с обработкой символьной (текстовой) информации.Выполнение – один из этапов технологии разработки экспертной системы. На этом этапе осуществляется наполнение экспертом базы знаний. Процесс приобретения знаний разделяют на извлечение знаний из эксперта, организацию знаний, обеспечивающую эффективную работу системы, и представление знаний в виде, понятном экспертной системе. Из-за эвристического характера знаний их приобретение является весьма трудоемким.Вильямс – один из создателей эффективного алгоритма обучения многослойных персептронов, открывший путь для их широкого практического применения (работа Румельхарта, Хилтона и Вильямса, опубликованная в 1986 г.). Интересно, что данный фундаментальный алгоритм, называемый алгоритмом обратного распространения ошибки (back propagation), был предложен годом ранее в работах Паркера и Ле-Кана, изданных независимо одна от другой. Более того, еще в 1974 г. этот простой и изящный алгоритм обратного распространения ошибки был защищен Вербосом в его докторской диссертации.Данные – это отдельные факты, характеризующие объекты, процессы и явления предметной области, а также их свойства. При обработке на ЭВМ данные трансформируются, последовательно проходя следующие этапы: данные, существующие как результат измерений и наблюдений; данные на материальных носителях информации – в таблицах, протоколах, справочниках; структуры данных в виде диаграмм, графиков, функций; данные в компьютере на языке описания данных; базы данных. Для хранения данных используются базы данных. Для них характерны большой объем и относительно небольшая стоимость информации.^ Декларативная информация – информация, с которой имеет дело ЭВМ, овеществленная в данных, с которыми эти программы работают.Демонстрационный прототип – экспертная система, которая решает часть требуемых задач, демонстрируя жизнеспособность метода инженерии знаний. Работает, имея в базе знаний всего 50... 100 правил. Время разработки такой экспертной системы – 6... 12 мес.Действующий прототип — надежно решает все задачи, но для решения сложных задач может потребоваться много времени и памяти. База знаний содержит 500... 1000 правил. Время разработки действующего прототипа – 6... 12 мес.Денотат знака – это конкретная сущность или предмет, на которые указывает данный знак. Другими словами, денотат знака является способом интерпретации данного знака в рамках некоторой ситуации, рассматриваемой в предметной области. Денотат знака – это значение, которое может иметь знак в рамках данной знаковой ситуации.Знания – это выявленные закономерности предметной области. Знания связаны с данными, основываются на них, но представляют собой результат мыслительной деятельности человека, обобщают его опыт, полученный в ходе практической деятельности. При обработке на ЭВМ знания трансформируются аналогично данным: знания, существующие в памяти человека как результат обучения, воспитания, мышления; знания, помещенные на материальных носителях – учебниках, инструкциях, методических пособиях, книгах; знания, описанные на языках представления знаний и помещенные в компьютер; базы знаний. Для хранения знаний используются базы знаний, которые отличаются сравнительно небольшими объемами, но исключительно дорогими информационными массивами. Знания могут быть классифицированы на поверхностные и глубинные. Кроме того, знания можно разделить на процедурные и декларативные.^ Знания глубинные – абстракции, аналогии, схемы, отображающие структуру и процессы в предметной области.Знания поверхностные – знания о видимых взаимосвязях между отдельными событиями и фактами в предметной области.^ Знания процедурные – знания, растворенные в алгоритмах. Исторически первичными были именно процедурные знания. Они управляли данными. Для их изменения требовалось изменять программы. Однако с развитием искусственного интеллекта приоритет данных постепенно изменялся и все большая часть знаний сосредоточивалась в структурах данных, т. е. увеличивалась роль декларативных знаний.^ Знания декларативные – знания, растворенные в структурах данных. Существуют десятки способов представления декларативных знаний для различных предметных областей. Большинство из них может быть сведено к следующим классам: продукционные, фреймы, семантические сети.^ Игры и творчество – одно из направлений развития искусственного интеллекта. Традиционно искусственный интеллект включает в себя интеллектуальные задачи, решаемые при игре в шахматы, шашки, го, каллах. В основе этого направления лежит один из ранних подходов – лабиринтная модель плюс эвристики. Кроме того, в современных программах-игроках наиболее полно удалось реализовать центральную идею искусственного интеллекта – обучение, самообучение и самоорганизацию. В широком смысле слова под игрой понимается некая конфликтная ситуация, участники которой своими действиями не только достигают своих личных целей, но и влияют на достижимость целей другими участниками игры. Ясно, что под такое толкование игры подпадают многие экономические, политические и военные конфликты. Компьютерное творчество представляет пока чисто теоретический интерес. Наибольший прогресс достигнут в сочинении компьютерной музыки. Разработаны различные модели художественного и поэтического творчества, имеющие больше познавательный, чем практический интерес.Искусственный интеллект – это раздел информатики, посвященный моделированию интеллектуальной деятельности человека. Зародившийся более 700 лет назад в средневековой Испании искусственный интеллект оформился в самостоятельную научную область в середине XX в. Сегодня искусственный интеллект – это обширная область исследований и разработок интеллектуальных систем, предназначенных для работы в трудно формализуемых областях деятельности человека. Для задач, решаемых методами искусственного интеллекта, характерно наличие большого числа степеней свободы с числом вариантов поиска решений, приближающимся к бесконечности. В отличие от жестко детерминированных компьютерных программ системы искусственного интеллекта сами ищут пути решения поставленной задачи. При этом они могут менять свои параметры и структуру, совершенствоваться и развиваться, жить самостоятельной, не зависящей от воли разработчика жизнью.^ Интеллектуальная система – это информационно-вычислительная система с интеллектуальной поддержкой при решении задач без участия оператора.Интеллектуализированная система – это информационно-вычислительная система с интеллектуальной поддержкой при решении задач с участием оператора – лица, принимающего решение. Под интеллектуализированной системой будем понимать систему, способную принимать решение в условиях: а) необходимости обрабатывать и анализировать большой массив информационной базы данных; б) ограниченной информации; в) неопределенности; г) многомерного пространства; д) необходимости распознавать ситуацию (образы, сцены); е) различных стадий жизненного цикла объектов (процессов) – проектирования, производства, эксплуатации; ж) динамических, эволюционизирующих, нестационарных фактов, влияющих на решение задачи; з) формализации и представления знаний; и) адаптации, самообучения, самоорганизации и т.д. Таким образом, если информационно-вычислительная система имеет необходимую математическую, алгоритмическую, программную и инструментальную поддержку в принятии решения в перечисленных условиях, то будем считать, что она имеет интеллектуальную поддержку при решении широкого класса разнообразных задач. К интеллектуализированным системам общего назначения отнесены те, которые не только исполняют заданные процедуры, но на основе метапроцедур поиска генерируют и исполняют процедуры решения новых конкретных задач. К специализированным интеллектуализированным системам отнесены те, которые выполняют решение фиксированного набора задач, предопределенного при проектировании системы. Для использования таких систем требуется наполнить их данными, соответствующими выбранному приложению (прикладным задачам, предметной области).^ Интеллектуальные системы, основанные на знаниях – одно из направлений развития искусственного интеллекта. До недавнего времени это направление считалось основным и наиболее плодотворным в развитии искусственного интеллекта. Оно связано с разработкой моделей представления знаний, созданием баз знаний, образующих ядро экспертных систем.^ Интеллектуальные роботы – одно из направлений развития искусственного интеллекта. Роботы — это технические устройства, предназначенные для автоматизации человеческого труда. Само слово «робот» появилось в 20-х гг. XX в. Его автор – чешский писатель Карел Чапек. В настоящее время в промышленности применяется огромное количество роботов-манипуляторов, работающих по жесткой схеме управления. В отличие от них интеллектуальные роботы обладают способностью самообучаться и самоорганизовываться, адаптироваться к изменяющейся окружающей обстановке.^ Интеллектуальное математическое моделирование – одно из направлений развития искусственного интеллекта. Это компьютерное математическое моделирование с использованием методов искусственного интеллекта. Интеллектуальные системы подобного рода имитируют творческую деятельность математика-профессионала, занимающегося решением краевых задач математической физики. Они обладают базами знаний, содержащими нужные теоремы, математические зависимости и эвристические правила, обобщающие опыт и интуицию математика-профессионала, способны к обучению с помощью учителя и к самообучению.^ Интеллектуальный редактор базы знаний – одна из составных частей экспертной системы. Интеллектуальный редактор базы знаний – программа, представляющая инженеру-когнитологу и программисту возможность создавать базу знаний в диалоговом режиме. Она включает в себя системы вложенных меню, шаблонов языка представления знаний, подсказок (help-режим) и других сервисных средств, облегчающих работу с базой знаний.^ Инженер по знаниям (когнитолог, инженер-интерпретатор) – специалист по искусственному интеллекту, выступающий в роли промежуточного буфера между экспертом и базой знаний.^ Интегрированная интеллектуализированная система – система, состоящая из традиционной интеллектуализированной системы и других программных систем, с которыми интеллектуализированная система взаимодействуют в процессе работы (СУБД, пакеты прикладных программ, электронные таблицы и т.д.). Базовой проблемой в таких интеллектуализированных системах является проблема интеграции, которую можно рассматривать с точки зрения следующих аспектов: интеграция в интеллектуализированной системе различных компонентов, определяющих специфику функционирования системы в целом (интеллектуализированная система с поверхностной и глубинной интеграцией компонентов); интеграция (функциональная, структурная, концептуальная), связанная с основными проектными решениями; интеграция (информационная, программная, техническая), связанная с используемыми технологиями программирования, инструментальными средствами и платформами.^ Интерфейс пользователя – одна из составных частей экспертной системы. Интерфейс пользователя – комплекс программ, реализующих диалог пользователя с интеллектуализированной системой (например, экспертной системой) на стадии как ввода информации, так и получения результатов (фактически, на всех стадиях функционирования интеллектуализированной системы).^ Исследовательский прототип – экспертная система, которая решает все требуемые задачи, но неустойчива в работе и неполностью проверена. База знаний содержит 200...500 правил. Разработка занимает 3...6 мес.Идентификация (постановка задачи) – один из этапов технологии разработки экспертной системы. На этапе устанавливаются задачи, которые подлежат решению, выявляются цели разработки, требования к экспертной системе, ресурсы, используемые понятия и их взаимосвязи, определяются методы решения задач. Цель этапа — сформулировать задачу, охарактеризовать поддерживающую ее базу знаний и таким образом обеспечить начальный импульс для развития базы знаний.^ Интенсионал понятия – это тот смысл, который мы вкладываем в данное понятие, т. е. интенсионал характеризует концепт данного понятия, его содержание.Индивидуализация – процесс перехода от ассоциации понятий к отдельным понятиям. При этом происходит абстрагирование от имеющихся связей между двумя понятиями, что позволяет рассматривать их независимо друг от друга и, следовательно, значительно упростить представление предметных областей при формировании базы знаний.^ Компьютерная лингвистика – одно из направлений развития искусственного интеллекта. Начиная с 50-х гг. XX в. и по настоящее время одной из популярных тем исследований искусственного интеллекта является область машинного перевода. Первая программа в этой области – переводчик с английского языка на русский. Первая идея – пословный перевод. В настоящее время используются более сложные структуры естественно-языковых интерфейсов, которые включают в себя: морфологический анализ, синтаксический анализ, семантический анализ и прагматический анализ. Другой проблемой компьютерной лингвистики является разработка естественно-языкового интерфейса между человеком и машиной. Здесь немаловажную роль могут сыграть нейросетевые технологии, с помощью которых удается научить компьютер правильному произношению слов. В проектах создания компьютеров пятого и шестого поколений решению этой проблемы уделено первостепенное внимание.Кибернетика – одно из направлений развития искусственного интеллекта, зародившееся вскоре после признания искусственного интеллекта самостоятельной отраслью науки. Это направление называют высокоуровневым, или нисходящим. В отличие от нейрокибернетики кибернетика «черного ящика» не придает значения принципу действия мыслящего устройства, а ориентировано на поиск алгоритмов решения интеллектуальных задач с использованием существующих компьютеров независимо от их аппаратной базы. Задача кибернетики состоит в создании адекватной модели функциональной деятельности мыслящего устройства.Концептуализация – один из этапов технологии разработки экспертной системы. На этом этапе проводится содержательный анализ проблемной области, выявляются используемые понятия и их взаимосвязи, определяются методы решения задач.^ Концепция знаний – некоторый абстрактный тип информации или данных, объединяющий в себе многие черты процедурной и декларативной информации.Кодд Э. Ф. – ученый, который в 1979 г. предложил наиболее удачную в смысле математической строгости и прагматической полноты расширенную реляционную модель базы данных. Эта модель в отличие от других интересна еще тем, что при ее разработке была удовлетворительно решена задача уточнения как информационного, так и манипуляционного аспектов базы данных.^ Коэффициент доверия – это некоторый весовой коэффициент, позволяющий экспертам различать знания по степени надежности, важности, четкости и т.д. Такие знания обрабатываются с помощью алгоритмов нечеткой математики. В процессе опытной эксплуатации коэффициенты доверия могут подвергаться корректировке. В этом случае говорят, что происходит обучение экспертной системы. Процесс обучения экспертной системы может производиться автоматически с помощью обучающего алгоритма либо путем вмешательства инженера-когнитолога, выполняющего роль учителя.^ Коммерческая экспертная система – отличается от промышленной тем, что помимо собственного использования она может продаваться различным потребителям. База знаний содержит 1500... 3000 правил. Время разработки коммерческой экспертной системы – 1,5... 3 года. Стоимость – 0,3... 5 млн долларов.Классификация – одна из простейших регулярных структур-взаимосвязей однотипных понятий. Ее значение определяется, в первую очередь, тем, что она задает на множестве рассматриваемых понятий однородную структуру (семантическую сеть), которая носит глобальный характер в рамках данной предметной области. Классификация играет фундаментальную роль как логическое средство целостного описания некоторой части реального мира, гак как предшествует этапу анализа более тонких, а потому и более частных связей между понятиями предметной области, которые должны быть выявлены при решении конкретных прикладных проблем. Она представляет системным аналитикам и разработчикам функциональных задач интеллектуализированной информационной системы целостную совокупность инвариантных для данной предметной области понятий, которые выполняют роль естественных координат для описания функциональных задач предметной области и тем самым позволяют ограничиться рассмотрением только допустимых классов сущностей без потери информации. Кроме того, увеличение степени абстракции, которое достигается при переходе от одного уровня классификационной схемы к другому, позволяет существенно повысить выразительность спецификации предметной области, обеспечивая более ясное и более сжатое представление информации. При этом открывается возможность устанавливать связи не только между базовыми понятиями предметных областей, находящимися на нижнем уровне классификационной схемы, но и между понятиями верхних уровней. Это обстоятельство делает понятия, созданные в рамках классификационной схемы, гибким инструментом анализа предметной области в целом.Классификация – это выделение на основе существенных признаков из некоторого множества понятий универсального класса всех входящих в него подмножеств (подклассов) и установление между выделенными подмножествами отношения порядка. Признаки, на основе которых производится выделение из универсального класса всех его подклассов, называются классификационными. В классификационных системах класс сходных сущностей называют классификационным таксоном, а способ членения этих сущностей на отдельные части, позволяющий установить их сходство, – мерономией. Таким образом, таксон – это объем (экстенсионал) некоторого класса, а мерономия – содержание (интенсионал) понятия, связываемого с данным классом. Если таксономия определяет знание о внешней структуре связей между классами сущностей предметной области, используя многоуровневую абстракцию обобщения и отношение «есть – некоторый», то мерономия задает внутреннее устройство классов с помощью отношения «часть – целое». Таксономия и мерономия тесно связаны между собой. С одной стороны, признаки сущностей служат для разделения и распознавания сущностей, а с другой – для группирования сходных сущностей в классы (таксоны). Упорядоченную совокупность признаков, характеризующих данный таксон с точки зрения внутренней структуры входящих в него сущностей, назовем архетипом. Архетип – это некоторая внутренняя структура, которую можно обнаружить во всех сущностях соответствующего таксона. Здесь уместно указать на существенное различие между схемой класса, понимаемой как подмножество множества имен классификационных признаков, дополненного собственными характеристическими признаками класса, и архетипом. Дело в том, что в архетип таксона входят не только имена признаков, но и их значения. Другими словами, с архетипом в классификации связывают интенсионал таксона. Архетип – это структура отдельных частей классов, составляющих классификационную схему. Эти части в классификации называют мерономами. Фактически это значит, что мерономы совпадают с классификационными признаками понятий. Луллий – испанский рыцарь, поэт, философ, богослов, алхимик, изобретатель. Первую зафиксированную в истории попытку создания машины, моделирующей человеческий разум, связывают с именем Раймунда Луллия. Выражаясь современным языком, машина Луллия, по существу, представляла собой механическую экспертную систему, наделенную базой знаний, устройствами ввода и вывода, естественным языком общения.^ Математический нейрон – устройство, моделирующее нейрон мозга человека. Математический нейрон тоже имеет несколько входов и один выход. Через входы математический нейрон принимает входные сигналы, которые