раздел 2), на основании критерия минимальной
стоимости работы каждой единицы применяемого оборудования за один час и
рациональных решений, принимаемых при помощи метода рассуждений на основе опыта
определяется оптимальная структура ТП.
Сущность метода рассуждений на основе опыта состоит в следующем. Эвристические
правила и теоретические модели – два типа информации, которые человек-эксперт
использует для решения проблем. Одна из стратегий, которую использует эксперт –
это стратегия на основе опыта, когда для решения новых проблем используется
детальная база данных, содержащая известные решения задач. Механизм рассуждения
обобщает правила автоматически, применяя их к новым ситуациям. Такой подход
позволяет системе учиться на своем опыте, т.к. новое решение сохраняется в базе
знаний [28].
Задача синтеза технологического процесса с применением механизма рассуждений на
основе опыта решается следующим образом:
1. В базе знаний отыскиваются подходящие случаи. Случай – это
последовательность операций, преобразующих начальное состояние в целевое.
Случай является подходящим, если решение можно применить в новой ситуации.
2. Найденная ситуация приспосабливается к текущей, т.е. модифицируются
некоторые операции с учетом специфики текущей проблемы.
3. Применяют преобразованное решение. Модификация известного случая не
обязательно гарантирует удовлетворительное решение проблемы. Может
потребоваться еще одна итерация выполнения первых трех шагов.
4. Успешное или неудачное решение сохраняют для дальнейшего использования.
Преимущества метода рассуждений на основе опыта состоят в следующем:
возможность напрямую использовать исторический опыт, возможность сокращения
рассуждений, не требуется всестороннего анализа знаний о данной области, а
соответствующие стратегии индексирования базы знаний повышают эффективность
решения задач.
К недостаткам метода рассуждений на основе опыта следует отнести то, что
описание случаев не учитывает более глубокие знания о предметной области, что
может привести к низкокачественным результатам. Одной из проблем является
проблема роста базы знаний и снижение эффективности в связи с пересечением
понятий. Другая, наиболее важная проблема, это определение степени
правдоподобия двух случаев (поиск в пространстве версий). В настоящее время
существует несколько методов определения правдоподобия двух случаев: обобщения,
ID3 (индуктивный алгоритм построения дерева решений), подобия, аналогии и т.д.
В работе применен метод обоснования по аналогии, как наиболее гибкий метод
использования знаний [28]. Аналогия – это отображение соответствующих элементов
источника и цели. Заключение по аналогии расширяет это отображение на новые
элементы области определения цели. Обоснование по аналогии строиться на
предпосылках, состоящих в том, что, если две ситуации сходны в некотором
отношении, то весьма вероятно, что они окажутся сходными и в других аспектах
[28]. В данном случае в качестве базы знаний выступает нейронная сеть АРТ-1
[93].
В качестве критерия аналогии принят специальный задаваемый параметр сходства
входного вектора данных с прототипом, хранящимся в коэффициентах весовых связей
нейронной сети, т.е. осуществляется поиск решения имеющего заранее заданную
степень сходства.
Основу архитектуры сети составляют три слоя нейронов (рис. 3.1):
- слой чувствительных S-нейронов, воспринимающих входную информацию в виде
черно-белых изображений или бинарных входных векторов;
- слой бинарных интерфейсных Z-нейронов; Z- и S-элементы объединяются в поле F1
входных обрабатывающих нейронов;
- слой распознающих Y-нейронов.
Кроме этого имеются еще три управляющих нейрона: R, G1 и G2 .
Выход каждого бинарного нейрона () входного слоя связан однонаправленной связью
с единичным весовым коэффициентом с бинарным нейроном () интерфейсного слоя.
Выходные сигналы всех чувствительных элементов поступают также на входы
управляющих нейронов R, G1 и G2. Каждый интерфейсный нейрон () связан со всеми
элементами распознающего слоя и с управляющим нейроном R.
Связи с весовыми коэффициентами передают сигналы с выхода каждого Z-элемента на
входы каждого Y-нейрона. Бинарные связи с весовыми коэффициентами связывают
выход каждого распознающего нейрона с входом каждого интерфейсного нейрона.
Информация о запомненных изображениях хранится в весах связей распознающих
нейронов.
Нейроны Y-слоя с помощью дополнительной нейронной сети, на рис. 3.1 не
показанной, образуют слой конкурирующих нейронов.
Z- и Y-нейроны получают сигналы из трех источников: Z-нейроны - от управляющего
нейрона G1 и от нейронов слоев S и Y; Z-нейроны - от управляющих нейронов G2, R
и от Z-нейронов. Z- и Y-элементы переходят в активное состояние по правилу "два
из трех", то есть только при наличии сигналов из двух различных источников.
Для обучения дискретных нейронных обычно используется метод быстрого обучения,
при котором равновесные веса связей нейронов определяются за одно предъявление
входного изображения [21, 22].
В исходном состоянии перед началом обучения все нейроны сети имеют нулевые
выходные сигналы. При подаче на вход сети первого бинарного изображения
S-элементы, получившие единичные входные сигналы, переходят в активное
состояние. Их единичные возбуждающие сигналы переводят в активное состояние
управляющие нейроны G1 и G2, а также поступают на входы соответствующих
интерфейсных нейронов. Поскольку Z-нейроны переходят в активное состояние по
правилу "два из трех", то в активное состояние перейдут только те Z-элементы,
которые получат единичные входные сигналы как от нейрона G1, так и от
соответствующего S-элемента. Возбуждающие сигнал
- Київ+380960830922