Остановись, смотри читайте купить диплом судового механика как-то так.
Развитие энергетики России Тепловые станции Экологический аспект Электрофильтры Регенеративные методы Математическое моделирование экологических систем Аварийные ситуации на АЭС

Введение в экологию энергетики

Структурный подход и нейросетевое моделирование

Под структурным подходом подразумеваются попытки построения систем ИИ путем моделирования структуры человеческого мозга. В последние десять лет впечатляет феномен взрыва интереса к структурным методам самоорганизации – нейросетевому моделированию, которое успешно применяется в самых различных областях – бизнесе, медицине, технике, геологии, физике, т.е. везде, где нужно решать задачи прогнозирования, классификации или управления [Горбань, 1990, 1998а,б; Уоссермен, 1992; Васильев с соавт., 1997]. Описаны и широко распространяются нейросетевые расширения к популярным пакетам прикладных программ [Горбань, Россиев, 1996; Дьяконов, Круглов, 2001; Нейронные сети.., 2001], что делает процесс проектирования интеллектуальных систем доступным любой домохозяйке с персональным компьютером. К сожалению, известные авторам сведения об использовании нейронных сетей в российской экологии весьма скудны и ограничиваются моделированием лесорастительных свойств ландшафтных зон [Царегородцев, Погребная, 1998] и авторским вариантом моделирования гидроэкологических систем [Шитиков с соавт., 2002].

Способность нейронной сети к обучению впервые была исследована Дж. Маккалоком и У. Питтом, когда в 1943 г. вышла их работа "Логическое исчисление идей, относящихся к нервной деятельности". В ней была представлена модель нейрона и сформулированы принципы построения искусственных нейронных сетей.

Крупный толчок развитию нейрокибернетики дал американский нейрофизиолог Ф. Розенблатт, предложивший в 1962 г. свою модель нейронной сети – персептрон [Розенблатт, 1965; Минский, Пейперт, 1971]. Воспринятый первоначально с большим энтузиазмом, персептрон вскоре подвергся интенсивным нападкам со стороны крупных научных авторитетов. И, хотя подробный анализ их аргументов показывает, что они оспаривали не совсем тот персептрон, который предлагал Розенблатт, крупные исследования по нейронным сетям были свернуты почти на 10 лет. И когда в журнале "Успехи физических наук" стали появляться статьи, связанные с фазовыми переходами в нейронных системах, корректоры упорно исправляли в этих статьях слово «нейрон» на слово «нейтрон».

Значительную роль в общем подъеме интереса к нейропроблемам сыграла теория, предложенная Дж. Хопфилдом [Hopfield, 1982]. Она буквально заворожила на продолжительное время физиков-теоретиков. И хотя с точки зрения нейро-теоретиков и технологов эта теория мало что дала, возбужденные ей аналогии и каскады головокружительных вычислений доставили немало эстетических радостей адептам науки. Более того, по аллитерации «нейрон»-«нейтрон» возникло модное в ту пору сочетание "нейронная бомба" и нейросетевые исследования стали финансироваться в рамках исследовательских программ всех родов войск США. Не исключено, что на вооружении каких-то стран уже имеются нейронные снаряды-камикадзе, чей нейросетевой "интеллект" направлен на уничтожение каких-то конкретных целей…

Другой важный класс нейронных систем был введен в рассмотрение финном Т. Кохоненом [1982]. У этого класса красивое название: "самоорганизующиеся отображения состояний, сохраняющие топологию сенсорного пространства". Теория Кохонена активно использует теорию адаптивных систем, которую развивал на протяжении многих лет академик РАН Я.З. Цыпкин [1968, 1984]. Водородная энергетика Общая энергетика

Весьма популярна сейчас во всем мире оценка возможностей обучающихся систем, в частности, нейронных сетей, основанная на теории размерности, созданной в 1966 г. советскими математиками В.Н. Вапником и А.Я. Червоненкисом [1974]. Еще один класс нейроподобных моделей представляют сети с обратным распространением ошибок, в развитии современных модификаций которых ведущую роль сыграл проф. А.Н. Горбань и возглавляемая им красноярская школа нейроинформатики (см. ссылки в начале подраздела). Большую научную и популяризаторскую работу проводит Российская ассоциации нейроинформатики под руководством президента В.Л. Дунина-Барковского.

В основе всего нейросетевого подхода лежит идея построения вычислительного устройства из большого числа параллельно работающих простых элементов – формальных нейронов. Эти нейроны функционируют независимо друг от друга и связаны между собой однонаправленными каналами передачи информации. Ядром нейросетевых представлений является идея о том, что каждый отдельный нейрон можно моделировать довольно простыми функциями, а вся сложность мозга, гибкость его функционирования и другие важнейшие качества определяются связями между нейронами. Предельным выражением этой точки зрения может служить лозунг: "структура связей – все, свойства элементов – ничто".

Нейронные сети (НС) – очень мощный метод моделирования, позволяющий воспроизводить чрезвычайно сложные зависимости, нелинейные по свой природе. Как правило, нейронная сеть используется тогда, когда неизвестны предположения о виде связей между входами и выходами (хотя, конечно, от пользователя требуется какой-то набор эвристических знаний о том, как следует отбирать и подготавливать данные, выбирать нужную архитектуру сети и интерпретировать результаты).

На вход нейронной сети подаются представительные данные и запускается алгоритм обучения, который автоматически анализирует структуру данных и генерирует зависимость между входом и выходом. Для обучения НС применяются алгоритмы двух типов: управляемое ("обучение с учителем") и неуправляемое ("без учителя").

Простейшая сеть имеет структуру многослойного персептрона с прямой передачей сигнала (см. рис. 2.5), которая характеризуется наиболее устойчивым поведением. Входной слой служит для ввода значений исходных переменных, затем последовательно отрабатывают нейроны промежуточных и выходного слоев. Каждый из скрытых и выходных нейронов, как правило, соединен со всеми элементами предыдущего слоя (для большинства вариантов сети полная система связей является предпочтительной). В узлах сети активный нейрон вычисляет свое значение активации, беря взвешенную сумму выходов элементов предыдущего слоя и вычитая из нее пороговое значение. Затем значение активации преобразуется с помощью функции активации (или передаточной функции), и в результате получается выход нейрона. После того, как вся сеть отработает, выходные значения элементов последнего слоя принимаются за выход всей сети в целом.

Рис. 2.5. Пример нейронной сети – трехслойного персептрона с прямым распространением информации

Наряду с моделью многослойного персептрона, позднее возникли и другие модели нейронных сетей, различающихся по строению отдельных нейронов, по топологии связей между ними и по алгоритмам обучения. Среди наиболее известных сейчас вариантов можно назвать НС с обратным распространением ошибки, основанные на радиальных базисных функциях, обобщенно-регрессионные сети, НС Хопфилда и Хэмминга, самоорганизующиеся карты Кохонена, стохастические нейронные сети и т.д. Существуют работы по рекуррентным сетям (т.е. содержащим обратные связи, ведущие назад от более дальних к более ближним нейронам), которые могут иметь очень сложную динамику поведения. Начинают эффективно использоваться самоорганизующиеся (растущие или эволюционирующие) нейронные сети, которые во многих случаях оказываются более предпочтительными, чем традиционные полносвязные НС [Головко, 1999].

Для моделей, построенных по мотивам человеческого мозга, характерны как легкое распараллеливание алгоритмов и связанная с этим высокая производительность, так и не слишком большая выразительность представленных результатов, не способствующая извлечению новых знаний о моделируемой среде. Попытаться в явном виде (например, в виде полинома 2.6) представить результаты нейросетевого моделирования – довольно неблагодарная задача. Поэтому основной удел этих моделей, являющихся своеобразной "вещью в себе", – прогнозирование.

Важным условием применения НС, как и любых статистических методов, является объективно существующая связь между известными входными значениями и неизвестным откликом. Эта связь может носить случайный характер, искажена шумом, но она должна существовать. Известный афоризм «garbage in, garbage out» («мусор на входе – мусор на выходе») нигде не справедлив в такой степени, как при использовании методов нейросетевого моделирования. Это объясняется, во-первых, тем, что итерационные алгоритмы направленного перебора комбинаций параметров нейросети оказываются весьма эффективными и очень быстрыми лишь при хорошем качестве исходных данных. Однако, если это условие не соблюдается, число итераций быстро растет и вычислительная сложность оказывается сопоставимой с экспоненциальной сложностью алгоритмов полного перебора возможных состояний. Во-вторых, сеть склонна обучаться прежде всего тому, чему проще всего обучиться, а, в условиях сильной неопределенности и зашумленности признаков, это – прежде всего артефакты и явления "ложной корреляции".

Отбор информативных переменных в традиционной регрессии и таксономии осуществляют путем «взвешивания» признаков с использованием различных статистических критериев и пошаговых процедур, основанных, в той или иной форме, на анализе коэффициентов частных корреляций или ковариаций. Для этих целей используют различные секвенциальные (последовательные) процедуры, не всегда приводящие к результату, достаточно близкому к оптимальному. Эффективный автоматизированный подход к выбору значимых входных переменных может быть реализован с использованием генетического алгоритма. В связи с этим, в общей схеме статистического моделирования методами ИИ рекомендуется [Нейронные сети.., 2001] последовательное выполнение двух разных процедур: 

с помощью эволюционных методов в бинарном пространстве признаков ищется такая минимальная комбинация переменных, которая обеспечивает незначительную потерю информации в исходных данных,

полученная на предыдущем этапе минимизированная матрица данных подается на вход нейронной сети для обучения.

Мы подробно рассмотрим несколько алгоритмов искусственного интеллекта и версий нейронных сетей при изложении главы 9, где приведем примеры их использования в гидробиологии.

«Лев состоит из съеденных им баранов». Это древнеримское изречение вспоминает С.П.Сотник [URL], проведя сравнительный анализ моделей МГУА и НС на примерах различной сложности. На задачах, близких к линейным, МГУА дает прекрасные результаты и оказывается точнее нейронных сетей. Однако при переходе к нелинейным задачам МГУА уже не имеет такого явного преимущества. Это отнюдь не означает, что нейронные сети плохи, а МГУА – хорош (или наоборот). «Они – всего лишь "животные" с различным, хотя и существенно пересекающимся "ареалом обитания"».

На основании проведенного сравнения представляется, что искусственные нейронные модели будут более эффективны при выполнении следующих условий:

моделируемый объект очень сложен;

моделируемый объект существенно нелинеен;

для моделирования "участков" объекта, имеющих несложное математическое описание, предпочтительно использование частных моделей (например, построенных с помощью алгоритмов типа МГУА).

Выбор наиболее адекватного метода обработки данных – одновременно и кропотливый труд, и искусство, основанное на парадоксах и опыте «ошибок трудных». Авторы надеются, что помочь этому могут материалы, представленные в части 3.


На главную