Текст книги "Курс Интеллектуальные средства автоматизации. Модуль Конспект лекций и концепт-карты основных тем"
Автор книги: Станислав Горобченко
сообщить о нарушении
Текущая страница: 1 (всего у книги 2 страниц)
Станислав Горобченко
Курс Интеллектуальные средства автоматизации. Модуль Конспект лекций и концепт-карты основных тем
Введение
Целью пособия является представление основных понятий искусственного интеллекта, описание интеллектуальных средств автоматизации и управления для промышленной энергетике и целлюлозно-бумажной промышленности.
Мы рассмотрим:
1. основные направления развития искусственного интеллекта
2. принципы построения систем управления с искусственным интеллектом
3. возможности применения искусственного интеллекта в управлении технологическими процессами и производствами.
Учебные модули
Модуль 1. Искусственный интеллект в системах управления
Модуль 1 представлен двумя темами.
Тема 1. Искусственный интеллект ч.1. Основные понятия. Принцип построения систем искусственного интеллекта. Информационные технологии и программно-аппаратное обеспечение.
Тема 2. Искусственный интеллект ч.2. Основные направления развития интеллектуальных средств автоматизации в области обработки информации и управления.
Модуль 2. Интеллектуальные средства автоматизации
Модуль 2 Интеллектуальные средства автоматизации представлен следующими темами:
Тема 3. Интеллектуальные средства измерений. Назначение. Принцип действия. Функциональные возможности. Программное обеспечение. Технические характеристики.
Тема 4. Интеллектуальные исполнительные устройства. Назначение. Принцип действия. Функциональные возможности. Программное обеспечение. Технические характеристики.
Модуль 3. Устройства управления
Модуль 3 представлен темами:
Тема 5. Интеллектуальные контроллеры ч.1. Назначение, принцип действия. Функциональные возможности.
Тема 6. Интеллектуальные контроллеры ч.2. Программное обеспечение. Технические характеристики.
Модуль 4. Применение интеллектуальных средств автоматизации в системах управления технологическими процессами
Темы модуля:
Тема 7. Обзор современных интеллектуальных средств автоматизации отечественного и зарубежного производства.
Тема 8. Применение интеллектуальных средств автоматизации в ЦБП и энергетике.
Основные вопросы курса
1 Искусственный интеллект.
1. Основные понятия.
2. Основные направления развития интеллектуализации средств автоматизации.
3. Назначение интеллектуальных средств измерений.
4. Принципы действия интеллектуальных средств измерений.
5. Информационное обеспечение интеллектуальных средств измерений.
6. Алгоритмическое обеспечение интеллектуальных средств измерений.
7. Функциональные возможности интеллектуальных средств измерений.
8. Программное обеспечение интеллектуальных средств измерений.
9. Применение интеллектуальных средств измерений в локальных системах управления.
10. Применение интеллектуальных средств измерений в распределенных системах управления.
11. Назначение интеллектуальных исполнительных устройств.
12. Принципы действия интеллектуальных исполнительных устройств.
13. Информационное обеспечение интеллектуальных исполнительных устройств.
14. Алгоритмическое обеспечение интеллектуальных исполнительных устройств.
15. Функциональные возможности интеллектуальных исполнительных устройств.
16. Программное обеспечение интеллектуальных исполнительных устройств.
17. Применение интеллектуальных исполнительных устройств в локальных системах управления.
18. Применение интеллектуальных исполнительных устройств в распределенных системах управления.
19. Назначение интеллектуальных контроллеров.
20. Принципы действия интеллектуальных контроллеров.
21. Информационное обеспечение интеллектуальных контроллеров.
22. Алгоритмическое обеспечение интеллектуальных контроллеров.
23. Функциональные возможности интеллектуальных контроллеров.
24. Программное обеспечение интеллектуальных контроллеров.
25. Применение интеллектуальных контроллеров в локальных системах управления.
26. Применение интеллектуальных контроллеров в распределенных системах управления.
27. Применение интеллектуальных средств автоматизации в ЦБП.
28. Применение интеллектуальных средств автоматизации в теплоэнергетике.
29. Принципы построения интеллектуальных контроллеров.
30. Архитектура интеллектуальных контроллеров.
31. Языки программирования.
32. Архитектура программного обеспечения.
33. Состав программного обеспечения.
34. Программное обеспечение для связи с контроллера с объектом управления.
35. Функциональные возможности современных интеллектуальных средств автоматизации.
36. Основные технические характеристики современных интеллектуальных средств автоматизации.
37. Сравнительный анализ интеллектуальных средств автоматизации отечественного и зарубежного производства.
38. Принципы построения адаптивных систем управления технологическими процессами.
39. Возможности адаптивных систем управления технологическими процессами.
40. Возможности контроллеров Fuzzy Logic для управления технологическими процессами.
Модуль 1. Искусственный интеллект в системах управления
1.1. Искусственный интеллект. Основные понятия
Что такое искусственный интеллект?
Искусственный интеллект (ИИ) – это система или машина, которая способна имитировать человеческое поведение для выполнения определенных задач и может постепенно обучаться, используя полученную информацию. ИИ имеет множество воплощений.
ИИ – это не формат и не функция, это процесс и умение думать и анализировать данные. Несмотря на то, что при упоминании «искусственного интеллекта» многие представляют разумных человекоподобных роботов, захватывающих мир, в реальности ИИ не предназначен для замены людей. Его цель – расширить границы человеческих способностей и возможностей. Поэтому данная технология является ценным бизнес-ресурсом.
История развития искусственного интеллекта
Термин «искусственный интеллект» появился в 1956 году, но настоящей популярности технология ИИ достигла лишь сегодня на фоне увеличения объемов данных, оптимизации вычислительных мощностей и средств хранения данных.
Первые исследования в области ИИ, стартовавшие в 50-х годах прошлого века, были направлены на решение проблем и разработку систем символьных вычислений. В 60-х годах это направление привлекло интерес Министерства обороны США: американские военные начали обучать компьютеры имитировать мыслительную деятельность человека. Например, Управление перспективных исследовательских проектов Министерства обороны США (DARPA) выполнило в 70-х годах ряд проектов по созданию виртуальных уличных карт. И специалистам DARPA удалось создать интеллектуальных личных помощников в 2003 году, задолго до того, как появились Siri, Alexa и Cortana.
Нейросети 1950-1970г. Первые разработки в области нейросетей вызвали ажиотаж в связи с возможностью создания «мыслящих» машин.
Машинное обучение 1970-2010г. Становятся популярными технологии машинного обучения.
Настоящее время. Глубокое обучение. Прорывы в сфере глубокого обучения привели к расцвету технологий ИИ.
Основные понятия искусственного интеллекта. Интеллект и искусственный интеллект
Определений слова “интеллект” существует множество. Например:
«Интеллект – качество психики, имеющее способность приспосабливаться к новым ситуациям, способность к обучению и запоминанию на основе опыта, а также способность использовать свои знания для управления окружающей средой»
«Интеллект – способность разбираться в происходящем событии, использовать имеющиеся средства и эффективно решать жизненные задачи».
Эти и множество других определений помогают разобраться, что представляет собой понятие «интеллект». Джон Маккарти был первым, кто ввел термин "искусственный интеллект" и дал ему определение: «Искусственный интеллект – наука и технология создания интеллектуальных машин, компьютерных программ»
В настоящее время нет единого и признанного всеми определения «искусственного интеллекта». Мнения специалистов из разных областей науки расходятся, поэтому существует много трактовок термина «искусственный интеллект». Например:
«Искусственный интеллект – это наука, целью которой является изучение и моделирование атрибута человека – мышления».
«Искусственный интеллект – это область информатики, предметом которой является создание комплексных систем, с возможностями естественного интеллекта».
В различных областях даются разные трактовки понятия «Искусственный интеллект», отличающиеся друг от друга по своему содержанию.
В результате рассмотрения большинства определений данного термина, можно сделать вывод о том, что искусственный интеллект – область компьютерной науки, предметом которой является моделирование и создание интеллектуальных систем, способных принимать оптимальные решения, на основе ранее полученного опыта.
Процессы обработки информации в мозгу человека не совпадают с аналогичными процессами в компьютере. Информацию из внешнего мира человек получает с помощью своих органов чувств. Эта информация помещается в буфер кратковременной памяти для анализа.
Рис.1. 1. Система обработки информации у человека
Долговременная память
В области долговременной памяти хранятся символы и смысловые связи между ними, которые используются для объяснения новой информации, поступающей из кратковременной памяти.
Доступ к информации в долговременной памяти осуществляется очень эффективно. Практически любой элемент данных может быть извлечен в течение цикла обращения и затем преобразован.
Например, человек успевает отдернуть от горячей печки руку до того, как получит ожог, или при возникновении неожиданного препятствия на дороге, резко вывернуть руль автомобиля. Такой автоматизм действий объясняется использованием образов, «лежащих» в долговременной памяти.
Искусственный интеллект как область знаний
В целом, искусственный интеллект – это самостоятельная область научных исследований, которая сформировалась в результате достижений в логике и математике, и основана на накопленных человечеством знаниях о живой и неживой природе.
Область научных знаний об искусственном интеллекте сформировалась в середине XX века, однако ещё в глубокой древности, и в средние века работали в этом направлении.
Таким образом, искусственный интеллект в современном понимании – это совокупность методов решения разных сложностей задач, использующих принципы, аналогичные мышлению человека, способного решить данные задачи.
Как используется искусственный интеллект?
Здравоохранение. Технологии ИИ могут применяться в персонализированной медицине и при расшифровке рентгеновских снимков. Персональные медицинские помощники могут напоминать пользователям, что нужно принять лекарство, выполнить физические упражнения или перейти на более здоровый режим питания.
Промышленность. ИИ может анализировать данные IT с производственного участка, получаемые от подключенного оборудования, и прогнозировать загрузку и спрос с помощью рекуррентных сетей – особого вида сетей глубокого обучения, используемых для работы с последовательными данными.
Ритейл. ИИ помогает совершать покупки онлайн с индивидуально подобранными рекомендациями, а также дает возможность продавцам обсуждать покупки с клиентами. Кроме того, технологии ИИ могут оптимизировать процессы управления товарными запасами и размещения товара.
Спорт. Тренеры получают отчеты со снимками с камер и показателями датчиков о том, как лучше организовать игру, в том числе как оптимизировать расстановку игроков и стратегию.
Принцип работы искусственного интеллекта
Принцип работы ИИ заключается в сочетании большого объема данных с возможностями быстрой, интерактивной обработки и интеллектуальными алгоритмами, что позволяет программам автоматически обучаться на базе закономерностей и признаков, содержащихся в данных. ИИ представляет собой комплексную дисциплину со множеством теорий, методик и технологий. Ее главными направлениями являются следующие:
Машинное обучение – это область знаний, исследующая алгоритмы, которые обучаются на данных с целью найти закономерности. В нем используются методы нейросетей, статистики, исследования операций и т.п. для выявления скрытой полезной информации в данных;
Нейросеть – это один из методов машинного обучения. Это математическая модель, а также её программное или аппаратное воплощение, построенная по принципу организации и функционирования биологических нейронных сетей – сетей нервных клеток живого организма.
В глубоком обучении используются сложные нейросети со множеством нейронов и слоев. Для обучения этих глубоких нейросетей используются повышенные вычислительные мощности и усовершенствованные методики. Распространенные области применения: распознавание изображений и речи.
Когнитивные вычисления – направление ИИ, задачей которого является обеспечение процесса естественного взаимодействия человека с компьютером, аналогичного взаимодействию между людьми.
Компьютерное зрение опирается на распознавание шаблонов и на глубокое обучение для распознавания изображений и видео. Машины уже умеют обрабатывать, анализировать и понимать изображения, а также снимать фото или видео и интерпретировать окружающую обстановку.
Обработка естественного языка – это способность компьютеров анализировать, понимать и синтезировать человеческий язык, включая устную речь. Сейчас мы уже можем управлять компьютерами с помощью обычного языка, используемого в повседневном обиходе. Например, используя Siri или Google assistant.
Кроме того, функционирование ИИ обеспечивают следующие технологии:
– Графика. Существование ИИ невозможно без графических процессоров, так как они предоставляют вычислительные мощности, необходимые для итеративной обработки данных. Для обучения нейросетей необходимы «большие данные» и вычислительные ресурсы.
– Интернет вещей собирает колоссальные объемы данных от подключенных устройств. Большая часть этих данных не проанализирована. Автоматизация моделей с помощью ИИ позволит использовать больше таких данных.
– Разрабатываются и по-новому комбинируются более совершенные алгоритмы, которые позволяют быстрее анализировать больший объем данных сразу на нескольких уровнях. Такая интеллектуальная обработка – ключ к выявлению и прогнозированию редких событий, пониманию сложных систем и оптимизации уникальных сценариев.
– API (программные интерфейсы приложений) представляют собой переносимые пакеты кода, благодаря которым функционал ИИ может быть интегрирован в существующие продукты и пакеты программ. С помощью API можно добавить функцию распознавания изображений в домашнюю систему безопасности или вопросно-ответные функции для описания данных, создания титров и заголовков, обнаружения в данных интересных закономерностей и иной полезной информации.
Группы искусственного интеллекта
Рис. 1.2. Виды искусственного интеллекта в общей системе понятий ИИ.
– Слабый ИИ – то, что уже удалось создать. Такой ИИ способен решать определённую задачу, зачастую даже лучше, чем человек.
– Сильный ИИ – способность машины учиться, мыслить, чувствовать, осознавать себя и принимать решения.
– Суперинтеллект – не только не создали, но и не имеем пока что ни малейшего представления, как это сделать и можно ли вообще. Это не просто умные машины, а компьютеры, которые во всём превосходят людей.
Машинное обучение
Машинное обучение – это один из разделов науки об ИИ. Здесь используются алгоритмы для анализа данных, получения выводов или предсказаний в отношении чего-либо.
Для принятия решения необходимо:
– Алгоритм – специальная программа, которая говорит компьютеру, что делать и откуда брать данные.
– Набор данных – примеры, на которых машина тренируется.
– Признаки – то, на что компьютеру смотреть при принятии решения.
Алгоритмы машинного обучения
– Линейная регрессия – применяют, если есть линейная зависимость между переменными.
– Байесовские алгоритмы – применение теоремы Байеса и теории вероятности.
– Нейронные сети – один из методов глубокого обучения.
Глубокое обучение
– Глубокое обучение – подраздел машинного обучения. Алгоритмам глубокого обучения не нужен учитель, только заранее подготовленные данные.
– Нейронные сети – математические модели, созданные по аналогии с биологическими нейронными сетями. Они способны моделировать и обрабатывать нелинейные отношения между входными и выходными сигналами.
Искусственные нейронные сети
Рис. 1.3. Модель ИНС
Итоги:
Искусственный интеллект – одновременно и наука, которая помогает создавать «умные» машины, и способность компьютера обучаться и принимать решения.
Машинное обучение – одна из областей искусственного интеллекта. МО использует алгоритмы для анализа данных и получения выводов.
Глубокое обучение – лишь один из методов машинного обучения, в рамках которого компьютер учится без учителя сама с помощью данных.
Проблемы искусственного интеллекта
Искусственный интеллект сейчас находится в основном на уровне слабого интеллекта. Например, нет возможности уверенно и точно распознавать ограниченные образы.
Рис. 1.4. Проблема распознавания образов в ИИ
Будущее ИИ
1. ИИ станет умнее человека.
2. ИИ может диагностировать и чинить себя.
3. Питомцы с ИИ
5. О запрете использования ИИ в военных целях
6. Наутилус – электронный Нострадамус
7. Компьютеры, обучающие сами себя
8. Индустрии будущего на основе ИИ
Карта памяти Основные понятия искусственного интеллекта
Рис. 1.5. Карта памяти темы Основные понятия Искусственного интеллекта
1.2. Принципы построения систем с искусственным интеллектом
Рис. 1.6. Принципы построения систем управления с искусственным интеллектом
Принципы построения самообучающихся систем на основе нейронных сетей
Общие понятия о самообучающихся системах
Самообучающаяся система – это интеллектуальная информационная система, которая на основе примеров реальной практики автоматически формирует единицы знаний.
Примеры реальных ситуаций за некоторый период времени и составляют обучающую выборку. В результате обучения автоматически строятся обобщенные функции или правила. Они определяют принадлежность ситуаций классам, которыми в дальнейшем будет пользоваться система. База знаний из обобщающих правил формируется автоматически. После этого по мере накопления она периодически корректируется.
Виды самообучающихся систем
Различают следующие виды самообучающихся систем:
Индуктивные системы – это самообучающиеся интеллектуальные информационные системы, которые работают на принципе индукции. Они осуществляют классификацию примеров по значимым признакам.
Системы, основанные на прецедентах – это самообучающиеся интеллектуальные информационные системы, которые в качестве единиц знаний хранят прецеденты решений (примеры). По запросу они позволяют подбирать и адаптировать наиболее похожие прецеденты. В таких системах база знаний содержит описания не обобщенных ситуаций, а сами ситуации или прецеденты. Поиск решения проблемы сводится к поиску по аналогии.
Информационные хранилища – это самообучающиеся интеллектуальные информационные системы, которые позволяют извлекать знания из баз данных и создавать специально-организованные базы знаний.
Нейронные сети – это самообучающиеся интеллектуальные информационные системы, которые на основе обучения по реальным примерам, строят ассоциативную сеть понятий (нейронов) для параллельного поиска на ней решений.
Понятие о нейронной сети
Нейронная сеть – параллельная распределенная структура обработки информации, которая состоит из обрабатывающих информацию элементов (нейронов), соединенных между собой сигнальными каналами (связями).
Каждый нейрон имеет одну выходную связь, которая может разветвляться и соединять его с другими элементами сети. Выходной сигнал элемента может быть любой математической формы.
Рис. 1. 7. Модель нейронной сети
Структура нейросети
Внешне структура нейронной сети напоминает структуру биологической нейронной сети. Часть терминологии в данной области появилась из нейронауки, которая исследует мозг и память.
Мозг состоит из нейронов, которые являются малыми единицами обработки информации. Природный нейрон состоит из тела клетки с ядром и протоплазмой, одного или нескольких дендритов, проводящих импульсы к нейрону, и аксона, выводящего импульс из нейрона.
Рис. 1.8. Биологический нейрон
Между окончанием аксона и началом дендритов других нейронов находится пространство – синапс. Через него импульсы с аксона передаются на дендрит другого нейрона. Такую связь называют синаптической: Синапс – точка соединения, где дендриты принимают сигналы. Уникальными способностями нейрона считается прием, обработка и передача по нейронной сети электрохимических сигналов.
Импульсы через синапс способны проходить только в одном направлении. При получении импульса нейрон начинает оценивать его силу. Одни импульсы игнорируются, другие пытаются возбудить нейрон, некоторые препятствуют этому. Эффект действия всех полученных импульсов суммируется. Если суммарный эффект превышает некоторый порог, то нейрон возбуждается, выдавая импульс на выход, т.е. посылает по аксону сигнал другим нейронам.
Рис. 1.9. Синапс в нейроне
Для успешного моделирования процесса искусственный нейрон должен действовать точно так же как и биологический.
Рис. 1.10. Искусственный нейрон
В сетях нейроны группируются слоями. Входной слой состоит из нейронов, которые получают сигналы из внешней среды. Выходной слой состоит из нейронов, которые связывают выход системы с пользователем или внешней средой.
Обработка знаний в нейронной сети состоит из взаимодействия между слоями нейронов. Проектирование связей между нейронами подобно программированию системы для обработки входа и создания желаемого выхода.
Рис. 1.11. Модель нейронной сети
Проектирование нейросети
Проектирование нейронной сети состоит из следующих этапов:
– установление нейронов по слоям;
– определение связей между нейронами различных слоев, а также между нейронами внутри слоя;
– принятие решений о том, каким образом нейрон получает вход и как создает выход;
– определение силы связей внутри нейронной сети, чтобы узнать соответствующие значение весов путем использования контрольного набора данных.
Внутри одного слоя группируются нейроны одного типа, которые имеют или не имеют связи между собой. Чаще всего нейроны одного слоя не связаны между собой.
Принцип построения систем искусственного интеллекта. Современная информационная система
– Современная информационная система – это набор информационных технологий, направленных на поддержку жизненного цикла информации и включающего три основных процесса: обработку данных, управление информацией и управление знаниями.
– Интеллектуальные системы – технические или программные системы, способные решать задачи, которые считаются творческими
Система называется интеллектуальной, если в ней реализованы следующие функции:
– накапливать знания об окружающем мире, классифицировать и оценивать их с точки зрения полезности и непротиворечивости, осуществлять соотнесение новых знаний с полученными раннее;
– получать обобщенные знания на основе анализа полученных данных и логически планировать свою деятельность;
– общаться с человеком на языке максимально простом и понятном ему;
– оказывать пользователю помощь за счет знаний, которые хранятся в памяти, и логических средств рассуждений, которые имеет система
Структура интеллектуальной системы
Системы управления с искусственным интеллектом состоят из трех основных элементов:
– базы знаний,
– устройства принятия решения (решателя),
– интеллектуального интерфейса.
На рис. 1.12. в общем виде представлена структура интеллектуальной системы в виде совокупности блоков и связей между ними.
Рис.1.12. Общая структура интеллектуальной системы
Система управления интеллектуальной робототехнической системы
Перспектива использования систем искусственного интеллекта связывается с оптимизацией процесса принятия решений управленческим и оперативным персоналом АСУ ТП и энергетическими комплексами, созданием условий для их деятельности, получением возможности максимально использовать творческие возможности человека за счет минимизации рутинных операций подготовки решений.
Рис. 1.13. Структурная схема интеллектуальной робототехнической системы
Система поддержки принятия решений
СПР – компьютерная автоматизированная система, которая помогает людям принимать решение для полного и объективного анализа предметной деятельности в сложных условиях.
Одним из главных свойств интеллектуальности системы поддержки принятия решения является способность к поиску, конструированию и выводу решения, которое в готовом виде не содержится в системе.
Общая структурная схема интеллектуальной системы поддержки решений приведена на рис. 1.14.
Рис. 1.14. Структурная схема интеллектуальной СПР
Функционирование интеллектуальной СПР
Модель функционирования данной СПР можно представить в виде четырехуровневого графа, изображенного на рис. 1.15.
Первый уровень u1 – описание признаков проблемной ситуации,
Второй уровень u2 – обобщенная модель всех проблемных ситуаций,
на третьем уровне u3 представлена модель формирования гипотез о причинах возникновения проблемных ситуаций.
Четвертый уровень u4 – проверка гипотез и реализация решений, устраняющих проблемные ситуации. Каждой гипотезе уровня u3 соответствует модель уровня u4.
Рис. 1.15. Граф функционирования интеллектуальной СПР
Человеко-машинный интерфейс
– Посредники в обмене информацией между человеком и оборудованием – средства человеко-машинного интерфейса (human-machine interface, HMI), к которым относятся операторские панели.
– Автоматизированное рабочее место оператора представляет собой персональный компьютер. На рис. 1.16. изображена рабочая станция оператора системы SIMATIC PCS7 производства Siemens.
Рис. 1.16. Пример промышленной рабочей станции оператора
Классификация систем с искусственным интеллектом
Разделяют три основные вида систем с искусственным интеллектом по типу построения
– основанные на нечеткой логике
– основанные на экспертных знаниях
– основанные на нейросетях
Нечетная логика
Термин «fuzzy logic» или «нечеткая логика» означает: логическое исчисление, которое является расширением многозначной логики и основана на теории нечетких множеств
История создания систем с нечеткой логикой:
В конце 1960-х профессор Калифорнийского университета Латфи Заде предложил теорию нечеткой логики. Работа Латфи Заде «Fuzzy Sets» (нечетные множества), опубликованная в 1965 году в журнале "Information and Control" заложила основы моделирования интеллектуальной деятельности человека.
Общая структура микроконтроллера, основанного на нечеткой логике, содержит:
– Базу знаний;
– Блок фаззификации (преобразует четкие величины, измеренные на выходе объекта управления, в нечеткие величины, которые описаны лингвистическими переменными в базе знаний);
– Блок решений (использует нечеткие условные правила, заложенные в базу знаний, для преобразования нечетких входных данных в необходимые управляющие влияния, которые также носят нечеткий характер);
– Блок дефаззификации (превращает нечеткие данные с выхода блока решений в величину, которая используется для управления объектом).
Рис.1.17. Структура микроконтроллера с нечеткой логикой
В качестве примера известных микроконтроллеров, использующих нечеткую логику, можно назвать 68HC11, 68HC12 фирмы Motorola (представлен на рисунке), MCS-96 фирмы Intel и другие.
Рис.1.18. Микроконтроллер с нечеткой логикой MCS-96
Преимущества применения ИИ
– возможность оперировать нечеткими входными данными;
– возможность нечеткой формализации критериев оценки и сравнения: оперирование критериями "большинство", "возможно", преимущественно" и т.д.;
– возможность проведения качественных оценок входных данных и выходных результатов;
– возможность проведения быстрого моделирования сложных динамических систем и их сравнительный анализ с заданной степенью точности.
Экспертная система
Экспертная система – это набор программ, который выполняет функции эксперта при решении задач из некоторой предметной области. Экспертные системы проводят анализ, дают консультации, ставят диагноз.
Основными отличиями экспертных систем от других программных продуктов являются:
– использование данных и знаний;
– наличие специального механизма вывода решений;
– создание новых знаний на основе имеющихся.
Состав экспертной системы
Экспертная система состоит из следующих компонентов:
– решателя;
– рабочей памяти (РП), называемой также базой данных (БД);
– базы знаний (БЗ);
– компонентов приобретения знаний;
– объяснительного компонента;
– диалогового компонента.
Рис.1.19. Структура экспертной системы
В разработке ЭС участвуют представители следующих специальностей:
– эксперт в проблемной области, задачи которой будет решать ЭС;
– инженер по знаниям – специалист по разработке ЭС;
– программист по разработке инструментальных средств, предназначенных для ускорения разработки ЭС.
Карта памяти Классификация ИСА и СУ
Рис.1.20. Карта памяти Классификация ИСА
Применение нейронных сетей
Главным отличием нейронных сетей является то, что они не нуждаются в заранее известной модели, а строят ее сами на основе предоставляемой информации.
Применение нейронных сетей целесообразно, если:
– накоплен достаточный объем данных о предыдущем поведении системы
– не существует традиционных методов или алгоритмов, которые способны удовлетворительно решить данную проблему
– данные частично искажены, частично противоречивы или не полны, и поэтому традиционные методы выдают неудовлетворительный результат.
