Технические науки / 12.Автоматизированные системы управления на производстве.

Нурмагомедова Л.И.

Дагестанский государственный технический университет, Россия

Проблемы моделирования понятийного мышления интеллектуальных систем

Авангардным процессом в ситуационном управлении сложными системами или интеллектуальными системами автономного управления (ИСАУ), являются процессы классификации и распознавания образов окружающей среды описанных на естественном языке. Неотъемлемыми атрибутом проблемы распознавания естественного языка является понятие объекта, выражающее некоторый образ, обрабатываемый механизмами понятийного мышления [1]. Это позволяет решить проблему классификации и распознавания образов понимания на метауровне [2].

Проблемы классификации и распознавания образов проявились вновь с возникновением новой задачи связанной с прогрессивным развитием науки и техники. В последнее время начали интенсивно развиваться математические методы, модели представления знаний и алгоритмы построения решающих правил с повышенной структурной сложности для создания мультиклассификаторов [3,4,5], способных выполнять классификацию образов, путем последовательного распознавания сразу несколькими классификаторами, что позволяет улучшить качественные показатели всей системы в целом. Такие системы классификации, называют системами совместной классификации (ССК), в которых принимаются решения, на основе данных поступающих от каждого используемого классификатора, называемых в ряде работ экспертом [4,5].

Анализ известных работ, как зарубежных [6, 7, 8], так и отечественных [9, 10] авторов по реализации процесса совместной классификации (мультиклассификатора) показывает в основном использование двух стратегий последовательных и параллельных стратегий классификации.

В последовательной стратегии классификации векторы признаков подвергаются последовательному анализу каждым экспертом, входящим в мультиклассификатор. В случае, когда отдельный эксперт достаточно «эрудирован», его ответ о принадлежности образа к конкретному классу принимается немедленно. В противном случае анализ данных осуществляется следующим экспертом.

Однако, несмотря на достаточно широкий круг работ в этой области, используемые методологии последовательного анализа для построения и оптимизации последовательной схемы совместной классификации в общем случае недостаточно эффективны. Это обусловлено несколькими причинами. Во-первых, решение на каждом этапе анализа в последовательной схеме классификации в общем случае принимается не на основании статистики, а классификатором, параметры которого заранее могут быть неизвестными. Во-вторых, эксперты различных уровней могут быть «компетентны» лишь на ограниченном числе классов. Например, в двухэтапной процедуре распознавания первый эксперт предназначен для решения задачи обнаружения образа, а второй — задачи распознавания. В последовательных же процедурах классификации все элементы структурно эквивалентны.

Выделенные основные недостатки существующих решений в области последовательной организации классификации делают целесообразным разработку новых алгоритмов параметрической и структурной оптимизации последовательных мультиклассификаторов.

Это еще раз показывает, что теория и методы совместной классификации — требует продолжения исследований.

К одному из подходов решения этой проблемы следует отнести использование комбинированной модели представления знаний на основе нечетких гипермножеств (НГМ), в которых каждый отдельный эксперт рассматривается как лист НГМ [6,7, 8, 9].

Рассмотрим принципы реализации процесса совместной классификации (последовательной стратегии), опирающиеся на комбинированную модель представления знаний нечетких гипермножеств и на следующие вопросы связанные сданной проблемой [1-3]:

· оптимальное комбинирование классификаторов;

· настройка параметров получаемого мультиклассификатора;

· улучшение качества совместной классификации при коррекции параметров;

· границы качественных показателей при совместной классификации.

Литература:

1. Берштейн Л.С., Ильягуев П.М., Мелёхин В.Б. Интеллектуальные системы. Дагкнигоиздат Махачкала 1996г.

2. Башмаков А.И., Башмаков И.А. Интеллектуальные информационные технологии: Учеб. Пособие. М.: Изд-во МГТУ им. Н.Э. Баумана, 2005.

3. Дуда Р., Харт П. Распознавание образов и анализ сцен. М.: Мир, 1976.

4. Глумов Н.И., Егунов И.П., Коломиец Э.И., Мясников В.В., Сергеев В.В. Распознавание образов и анализ изображений: новые информационные технологии: 2-я Всероссийская с участием стран СНГ конференция (Ульяновск, Часть 2, 1995)

5. Вальд А. Последовательный анализ М.: Физматгиз, 1960.

6. Заде Л. Понятие лингвистической переменной и его применение к принятию приближенных решений. - М.: Мир, 1976.

7. Мелехин В.Б., Нурмагомедов И.С. Использование нечетких гипермножеств в интеллектуальных решателях. //Вестник ДГТУ т.1. Технические науки. №6. г. Махачкала 2004.

8. Мелехин В.Б., Нурмагомедов И.С. Нечеткие гиперграфы: представление нечеткого гипермножества с помощью нечетких двудольных графов и гиперграфов //Вестник ДГТУ т.1. Технические науки. №6. г. Махачкала 2004.

9. Абдурахманов А.А. Нурмагомедов И.С. Предикаты на основе нечетких гипермножеств. //Сборник докладов т. 1. SCM’2007 X- Международная конференция по мягким вычислениям и измерениям. Санкт-Петербург Издательство СПбГЭТУ «ЛЭТИ» 2007.