Методи підвищення ефективності застосування зростаючих пірамідальних мереж

Розглянуто моделі та методи логіко-лінгвістичного аналізу складних об’єктів, в яких розширяються можливості зростаючих пірамідальних мереж за рахунок удосконалення процедур їх побудови....

Повний опис

Збережено в:

Бібліографічні деталі
Дата:	2010
Автори:	Величко, В.Ю., Палагін, О.В.
Формат:	Стаття
Мова:	Ukrainian
Опубліковано:	Інститут кібернетики ім. В.М. Глушкова НАН України 2010
Назва видання:	Комп’ютерні засоби, мережі та системи
Онлайн доступ:	http://dspace.nbuv.gov.ua/handle/123456789/46402
Теги:	Додати тег Немає тегів, Будьте першим, хто поставить тег для цього запису!
Назва журналу:	Digital Library of Periodicals of National Academy of Sciences of Ukraine
Цитувати:	Методи підвищення ефективності застосування зростаючих пірамідальних мереж / В.Ю. Величко, О.В. Палагін // Комп’ютерні засоби, мережі та системи. — 2010. — № 9. — С. 106-114. — Бібліогр.: 8 назв. — укр.

Репозитарії

Digital Library of Periodicals of National Academy of Sciences of Ukraine

id	irk-123456789-46402
record_format	dspace
spelling	irk-123456789-464022013-06-30T04:07:43Z Методи підвищення ефективності застосування зростаючих пірамідальних мереж Величко, В.Ю. Палагін, О.В. Розглянуто моделі та методи логіко-лінгвістичного аналізу складних об’єктів, в яких розширяються можливості зростаючих пірамідальних мереж за рахунок удосконалення процедур їх побудови. Рассмотрены модели и методы логико-лингвистического анализа сложных объектов, в которых расширяются возможности растущих пирамидальных сетей за счет усовершенствования процедур их построения. Models and methods of the logical-linguistic analysis of complex objects are considered. Models are constructed on the basis of growing pyramidal networks (GPN) and expand opportunities of the latter due to improvement of GPN construction procedures. 2010 Article Методи підвищення ефективності застосування зростаючих пірамідальних мереж / В.Ю. Величко, О.В. Палагін // Комп’ютерні засоби, мережі та системи. — 2010. — № 9. — С. 106-114. — Бібліогр.: 8 назв. — укр. 1817-9908 http://dspace.nbuv.gov.ua/handle/123456789/46402 681.3 uk Комп’ютерні засоби, мережі та системи Інститут кібернетики ім. В.М. Глушкова НАН України
institution	Digital Library of Periodicals of National Academy of Sciences of Ukraine
collection	DSpace DC
language	Ukrainian
description	Розглянуто моделі та методи логіко-лінгвістичного аналізу складних об’єктів, в яких розширяються можливості зростаючих пірамідальних мереж за рахунок удосконалення процедур їх побудови.
format	Article
author	Величко, В.Ю. Палагін, О.В.
spellingShingle	Величко, В.Ю. Палагін, О.В. Методи підвищення ефективності застосування зростаючих пірамідальних мереж Комп’ютерні засоби, мережі та системи
author_facet	Величко, В.Ю. Палагін, О.В.
author_sort	Величко, В.Ю.
title	Методи підвищення ефективності застосування зростаючих пірамідальних мереж
title_short	Методи підвищення ефективності застосування зростаючих пірамідальних мереж
title_full	Методи підвищення ефективності застосування зростаючих пірамідальних мереж
title_fullStr	Методи підвищення ефективності застосування зростаючих пірамідальних мереж
title_full_unstemmed	Методи підвищення ефективності застосування зростаючих пірамідальних мереж
title_sort	методи підвищення ефективності застосування зростаючих пірамідальних мереж
publisher	Інститут кібернетики ім. В.М. Глушкова НАН України
publishDate	2010
url	http://dspace.nbuv.gov.ua/handle/123456789/46402
citation_txt	Методи підвищення ефективності застосування зростаючих пірамідальних мереж / В.Ю. Величко, О.В. Палагін // Комп’ютерні засоби, мережі та системи. — 2010. — № 9. — С. 106-114. — Бібліогр.: 8 назв. — укр.
series	Комп’ютерні засоби, мережі та системи
work_keys_str_mv	AT veličkovû metodipídviŝennâefektivnostízastosuvannâzrostaûčihpíramídalʹnihmerež AT palagínov metodipídviŝennâefektivnostízastosuvannâzrostaûčihpíramídalʹnihmerež
first_indexed	2025-07-04T05:38:59Z
last_indexed	2025-07-04T05:38:59Z
_version_	1836693629087776768
fulltext	Комп’ютерні засоби, мережі та системи. 2010, № 9 106 V.Ju. Velychko, O.V. Palagin METHODS OF EFFECTIVENESS INCREASE OF APPLICATION OF GROWING PYRAMIDAL NETWORKS Models and methods of the logical- linguistic analysis of complex objects are considered. Models are constructed on the basis of growing pyramidal networks (GPN) and expand opportunities of the latter due to improvement of GPN con- struction procedures. Key words: growing pyramidal net- works, complex objects. Рассмотрены модели и методы логико-лингвистического анализа сложных объектов, в которых расширяются возможности рас- тущих пирамидальных сетей за счет усовершенствования про- цедур их построения. Ключевые слова: растущие пи- рамидальные сети, сложные объекты. Розглянуто моделі та методи ло- гіко-лінгвістичного аналізу склад- них об’єктів, в яких розширяють- ся можливості зростаючих піра- мідальних мереж за рахунок удос- коналення процедур їх побудови. Ключові слова: зростаючі пірамі- дальні мережі, складні об’єкти.  В.Ю. Величко, О.В. Палагін, 2010 УДК 681.3 В.Ю. ВЕЛИЧКО, О.В. ПАЛАГІН МЕТОДИ ПІДВИЩЕННЯ ЕФЕКТИВНОСТІ ЗАСТОСУВАННЯ ЗРОСТАЮЧИХ ПІРАМІДАЛЬНИХ МЕРЕЖ Вступ. Поширюється використання в інфор- маційних системах моделей, що призначені для логіко-лінгвістичного аналізу складних об’єктів. Функції таких систем як правило відносять до класу інтелектуальних, тому наведемо визначення інтелектуальності та інтелектуальної системи, які розглянуто в роботах [1, 2]. Інтелектуальність це синергетичне поєд- нання наступних якостей: - діяльність для здійснення зовнішньої взаємодії. Ця властивість є основною для всіх відкритих систем. Діяльність для здій- снення зовнішньої взаємодії означає можли- вість відбиття впливу оточуючого середови- ща й реалізацію впливу на навколишнє середовище; - інформаційне відбиття й інформаційна пам'ять, тобто можливість накопичення ін- формації. Ясно, що пам'ять – основна харак- теристика інтелекту для реалізації здатності вчитися; - інформаційне самовідбиття, тобто мож- ливість створення "вторинної інформації". Узагальнення (створення абстракцій) добре відома характеристика інтелекту. Ми часто концентруємо наші дослідження тільки на цій дуже важливій можливості, що є базою для навчання й розпізнавання. Те ж саме можна відзначити для інтелектуальної систе- ми: "Для досягнення своєї мети вона вибирає дії на основі свого досвіду. Вона може вчи- тися, узагальнюючи досвід, що зберігається в її пам'яті"; МЕТОДИ ПІДВИЩЕННЯ ЕФЕКТИВНОСТІ ЗАСТОСУВАННЯ ЗРОСТАЮЧИХ ПІРАМІДАЛЬНИХ МЕРЕЖ Комп’ютерні засоби, мережі та системи. 2010, № 9 107 - інформаційне очікування, тобто (вторинна) інформаційна діяльність для здійснення внутрішніх або зовнішніх контактів. Ця особливість означає, що прогностичні знання мають бути отримані до початку й у ході взаємодії з навколишнім середовищем: інформація, що отримується, накопичується і порівнюється із заздалегідь очікуваною інформацією. Ця властивість є основною для визначення поняття "інтелект"; - досягнення інформаційного очікування. Це відповідає визначенню, що "інтелект – здатність досягти мети". Метою є модель майбутнього стану системи, який має бути досягнутий, і відповідні йому прогностичні знання, які мають бути отримані з вхідної інформації. Розглянемо більш детально процеси інформаційної пам'яті та інформаційного самовідбиття, до яких належать формування асоціативних зв’язків між описами об’єктів, ієрархічне впорядкування, класифікація, пошук закономірностей та формування узагальнених логічних ознакових моделей класів об’єктів – понять. Найбільш прийнятним типом моделей що вико- ристовуються в інтелектуальних системах для обробки складних структур різнотипних даних і знань є логіко-лінгвістичні моделі, тобто такі моделі, у яких основними елементами є не числа й обчислювальні операції, а імена та логічні зв’язки. Характерним прикладом логіко-лінгвістичних моделей є поняття, які відображають закономірності, притаманні класам об’єктів. Однією з можливих добре апробованих реалізацій логіко-лінгвістичних моделей є організація пам’яті інтелектуальних інформаційно-аналітичних систем у вигляді зростаючих пірамідальних мереж (ЗПМ) [3]. Важливою властивістю пам’яті ЗПМ, на базі якої стають можливими процеси логічного аналізу даних, є властивість структурування інформації одночасно з її сприйняттям. У цьому випадку формування структури пам’яті відбувається під впливом інформації, що сприймається і зберігається в системі. В результаті здійснення процесів структурування інформації встановлюється семантична й синтаксична близькість інформації яка сприймається із уже збереженою інформацією. Знайдені асоціації закріплюються структурними змінами пам’яті. Сформована інформаційна модель об’єктів надалі використовується для підтримки процесу прийняття рішень з метою класифікації, діагностики та прогнозування властивостей нових об’єктів. За допомогою визначених понять задачі прогнозування і діагностики зводяться до задачі класифікації. Класифікація нових об’єктів виконується шляхом порівняння їх ознакових описів з поняттям, яке визначає клас об’єктів, який потрібно спрогнозувати. Постановка задачі. Алгоритми побудови ЗПМ викладено у багатьох публікаціях [3−7]. Використання ЗПМ пов'язано з реалізацією наступних етапів: - побудова структури мережі для деякої вхідної множини об’єктів, що задані за допомогою ознакових описів; - навчання отриманої структури, що складається у виділенні елементів В.Ю. ВЕЛИЧКО, О.В. ПАЛАГІН Комп’ютерні засоби, мережі та системи. 2010, № 9 108 (логічних закономірностей), які дозволяють класифікувати об'єкти з вхідної множини; - розпізнавання приналежності до деякого класу об'єктів об’єкта, що не належить до вхідної множини об'єктів. Разом з тим існують ряд проблем при побудові ЗПМ та формуванні логічних закономірностей. При індуктивному формуванні деякого поняття на основі атрибутивних моделей метою є пошук сукупності кон’юнкцій значень атрибутів, що визначають всі об’єкти цього поняття та не визначають жодного об’єкта інших понять. Результат підбору сукупності кон’юнкцій значень атрибутів не є однозначно визначеним, а суттєво залежить від методу виведення та порядку перегляду об’єктів вибірки для навчання. При індуктивному формуванні понять у ЗПМ проблема неоднозначності представлення кон'юнкцій значень атрибутів проявляється в виникненні вершин-викидів [6] під час застосування правил побудови мережі. Вершини-викиди порушують цілісність пірамід. Як наслідок, під час формування понять вершина-викид може бути виділена як контрольна вершина поняття, що може привести до неправильного розпізнавання об'єктів. Один з можливих шляхів вирішення проблеми виникнення вершин-викидів наведений в [6], але проблема неоднозначності представлення кон'юнкцій значень атрибутів при цьому не вирішується. Далі у статті будуть наведені нові алгоритми побудови й навчання ЗПМ, які дозволяють позбутись виникнення вершин-викидів та отримувати однакові логічні описи класів об’єктів незалежно від порядку перегляду об’єктів вибірки для навчання. Нагадаємо основні поняття [7], які будемо використовувати в подальшому описі алгоритму. Пірамідальною мережею Q називається ациклічний орієнто- ваний граф ( ),=Q U E (U – множина вершин, E – множина дуг), в якому від- сутні вершини, які мають одну дугу, що заходить. Вершини, які не мають дуг, що заходять, називають рецепторами, інші вершини – концепторами. Рецептори відповідають окремим значенням ознак з описів об'єктів. Концептори − комбінаціям значень ознак, що ідентифікують об'єкт в цілому, або відповід- ним спільним частинам описів декількох об'єктів. Множина вершин піраміда- льної мережі – це множина = ∪Q QU R C , де QR – множина рецепторів пірамі- дальної мережі, QC – множина концепторів пірамідальної мережі. Приклад пірамідальної мережі показано на рис. 1. Підграф пірамідальної мережі, що включає вершину a та всі вершини, з яких існує шлях до a , називається пірамідою вершини a . Вершини, що входять до піраміди вершини a утворюють її субмножину. Множина вершин, до яких існують шляхи з вершини a , називається її супермножиною. Множину вершин з субмножини вершини a , що безпосередньо зв’язані дугами з вершиною a , будемо називати 0-субмножиною a та позначимо її aF . Правила побудови мережі А1 та А2 наведено в роботі [7]. При застосуванні правила А1 основним структуруючим відношенням є відношення перетину МЕТОДИ ПІДВИЩЕННЯ ЕФЕКТИВНОСТІ ЗАСТОСУВАННЯ ЗРОСТАЮЧИХ ПІРАМІДАЛЬНИХ МЕРЕЖ Комп’ютерні засоби, мережі та системи. 2010, № 9 109 множини рецепторів, збуджених при введенні опису нового об'єкта, з якими- небудь іншими множинами рецепторів, що входять у раніш побудовані піраміди. Застосування правила А2 завершує побудову піраміди, що представляє опис уведеного об'єкта в цілому. У класичному алгоритмі побудови ЗПМ правила А1 та А2 забезпечують побудову мережі у напрямку від вершин нижнього рівня QR – рецепторів до вершин верхнього рівня – концепторів, які відповідають відомим об’єктам ( 1 2 3, ,a a a на рис.1). 9 1 2 4 3 10 5 6 8 7 13 16 15 1 − рецептор 9 − концептор RQ CQ 11 12 14 1a 2a 3a a РИС. 1. Приклад семантичної мережі пірамідальної структури Пропонуються модифіковані правила побудови ЗПМ. Головна ідея модифікованих правил полягає у тому, що структурування та побудова мережі здійснюється по черзі у низхідному і висхідному напрямках, тобто зверху від рівня об’єктів та знизу від рівня рецепторів. Побудова зростаючої пірамідальної мережі. На початковій стадії у мережі існують лише рецептори, кожен з яких відповідає значенню ознаки та концептори, які відповідають відомим об’єктам. Для кожного з об’єктів ia відома відповідна множина рецепторів . iaR Побудова мережі починається з ви- конання наступного нового правила. Правило А1. Для кожного нового об’єкта ia , який додається до мережі, та об’єкта , 1, 1= −ja j i , який уже існує у мережі, визначається найбільша за потуж- ністю множина спільних рецепторів. Якщо концептор, який відповідає такому перетину рецепторів, уже існує у мережі, то він додається до 0-субмножини об’єктів ia та ja . В іншому випадку в мережу вводиться новий концептор, який з'єднується дугами, що виходять з вершин множини iaR та дугами, що заходять до вершин ia та ja . Дуги від рецепторів з 0-субмножини нового концептора, які безпосередньо йшли до вершин ia та ja розриваються. В.Ю. ВЕЛИЧКО, О.В. ПАЛАГІН Комп’ютерні засоби, мережі та системи. 2010, № 9 110 На рис. 2, а, б. показано застосування правила А1. Початковий стан ЗПМ показано на рис. 2, а. Після додавання до мережі нового об’єкта ia в мережі з’явився новий концептор з номером 10 (рис. 2, б). 1 2 3 4 1 3 4 9 14 15 5 7 8 а 1 2 3 4 9 14 15 5 7 8 10 б 1a 2a ia ja ja ia РИС. 2. Правило А1 побудови пірамідальної мережі На другому етапі структурування мережі переглядаються всі об’єкти, піраміди яких включають рецептори нового об’єкта. При обробці кожного об’єкта ja рецептори jaR переводяться в стан збудження. Збудження розпов- сюджується по мережі та для кожного концептора формується 0-субмножина iaF збуджених вершин. Концептор вважається збудженим, якщо збуджені всі вершини з його 0-субмножини. Введення нових концепторів у мережу буде здійснюватись за наступним правилом (це правило повністю співпадає з правилом побудови мережі, наведеним в [6]). Правило А2. Якщо вершина ia не збуджена та ( )Card 1> iaF , то дуги, що з'єднують вершини з множини iaF з вершиною ia , ліквідуються, та у мережу вводиться новий концептор, який з'єднується дугами, що виходять з вершин множини iaF та дугою, що заходить до вершини ia . Нова вершина знаходиться у стані збудження. Виконання правила А2 показано на рис. 3, а, б. Мережа (рис. 3, б) виникає після збудження в мережі рецепторів 1, 3, 4, 5, 7 (рис. 3, а). Після додавання за правилом А2 нових вершин до мережі необхідно виконати перевірку вершин на вкладеність за множиною рецепторів [6]. Якщо існує вершина більш високого рівня, множина рецепторів якої включає множину рецепторів нової вершини (17 на рис. 3, б), необхідно перевірити чи входить існуюча вершина до супермножини нової вершини. Якщо такий зв’язок відсутній, то вершини з’єднуються дугами. Побудова мережі за наведеними правилами дозволяє уникнути виникнення зайвих вершин, які дублюють головну вершину об’єкта, та позбутись негативного впливу вершин-викідів, за рахунок введення додаткових дуг у мережу. МЕТОДИ ПІДВИЩЕННЯ ЕФЕКТИВНОСТІ ЗАСТОСУВАННЯ ЗРОСТАЮЧИХ ПІРАМІДАЛЬНИХ МЕРЕЖ Комп’ютерні засоби, мережі та системи. 2010, № 9 111 Нова вершина а 1 2 3 4 9 14 15 5 7 8 10 б 2aF 1 2 3 4 9 14 15 5 7 8 10 17 1a 2a 1a 2a РИС. 3. Правило А2 побудови пірамідальної мережі При обробці великих обсягів вхідних даних стає актуальним питання розробки алгоритмів паралельної побудови мережі. Найбільш простим варіантом такого алгоритму є наступний. Множина вихідних об’єктів { }1 2, , , nA a a a=  поділяється на підмножини. У якості критерію поділу доціль- но обрати різні значення цільової властивості об’єктів з А, тобто різні класи об’єктів. Для кожної з отриманих підмножин побудова пірамідальної мережі здійснюється незалежно і паралельно. Отримані мережі об’єднуються, для чого здійснюється перегляд мереж та об’єднання вершин, які мають однакові множини рецепторів. Після об’єднання вершин необхідно виконати перевірку вершин на вкладеність та формування необхідних зв’язків у мережі. Звісно наведений алгоритм не дозволяє сформувати нові вершини, які відповідають перетинам між класами об’єктів. Але формування таких зв’язків не є ціллю при побудові ЗПМ. Головна ціль – це побудова кон’юнктивних вершин, що від- повідають окремим класам об’єктів, а перетини між класами частково враховуються за рахунок об’єднання вершин з однаковими множинами ре- цепторів. Алгоритм паралельної побудови ЗПМ потребує більш детальної розробки та проведення експериментальних досліджень. Пірамідальні мережі зручні для виконання різних операцій асоціативного пошуку. Наприклад, можна вибрати всі об'єкти, що включають задане поєднання значень ознак, простежуючи шляхи, що виходять з вершини мережі, яка відповідає цьому поєднанню. Для вибірки всіх об'єктів, описи яких перетинаються з описом заданого об'єкта, досить прослідкувати шляхи, що виходять з вершин піраміди цього об’єкта. Алгоритм побудови мережі забез- печує автоматичне встановлення асоціативної близькості між об'єктами за спільними елементами їх описів. Перехід від конвергованих представлень об'єктів (концепторів) до розгорнених (наборів рецепторів) здійснюється шляхом перегляду пірамід у різних напрямках (зверху вниз і у зворотному напрямку). Важливою властивістю пірамідальних мереж є їх ієрархічність, що дозволяє природним чином відображати структуру складених об'єктів і зв'язки типів рід- вид та об’єкт-властивість. Концептори мережі відповідають поєднанням значень В.Ю. ВЕЛИЧКО, О.В. ПАЛАГІН Комп’ютерні засоби, мережі та системи. 2010, № 9 112 ознак, що визначають окремі об'єкти і кон'юнктивні класи об'єктів. При включенні збуджених вершин у піраміду об'єкта здійснюється його прив'язка до класів, визначення яких представлено цими вершинами. Таким чином, при побудові мережі формуються кон'юнктивні класи об'єктів, тобто здійснюється класифікація без вчителя. Властивість пірамідальної мережі здійснювати кла- сифікацію має велике значення для моделювання середовищ і ситуацій. У якості ситуації може розглядатись деяка подія, чи сцена, яка крім структурних та ознакових елементів має деяку часову характеристику. Спеціальний клас зростаючих пірамідальних мереж, призначений для формування узагальнених описів динамічних об'єктів і процесів, ознаковими описами яких є часові відносини представлено в [8]. Для опису часових відно- син використовуються якісні темпоральні відносини часової логіки Аллена. Часовий процес являє собою деяку впорядковану в часі послідовність подій 1 2( ( ), ( ),..., ( ))= nS x t y t z t , що характеризують стани об’єктів досліджень у дис- кретні моменти часу it . На множині подій Q визначається система якісних темпоральных відносин [8] {φ, φ, }=RT I e через обмеження між моментами часу здійснення подій у та- кий спосіб ( ) , ( ) ;∀ ∈ ∀ ∈i jx t S y t S ( )φ ( ) ;⇔ <i j i jx t y t t t ( )φ ( ) ;⇔ >i j i jx t I y t t t ( ) ( ) ⇔ =i j i jx t e y t t t . Але спільна обробка невпорядкованих і впорядкованих (часових) ознак об’єктів ускладнює алгоритми роботи мережі та потребує розробки відповідних процедур. У цьому випадку доцільно перейти до бага- тошарової пірамідальної мережі, в якій невпорядковані та впорядковані ознаки належать до різних шарів мережі. До впорядкованих ознак застосовується додаткова операція їх нумерації [3]. Зв’язки між шарами мережі вказують на проміжок часу існування об’єктів та зміни їх властивостей. Індуктивне формування понять в ЗПМ. Навчання ЗПМ полягає у форму- ванні в них структур, що представляють поняття. Поняття − елемент системи знань, що є узагальненою логічною ознаковою моделлю класу об'єктів, за допомогою якої реалізуються процеси розпізнавання і генерації моделей конкретних об'єктів. Розглянемо задачу індуктивного формування понять для множини об'єктів з властивостями 1 2, ,..., nV V V [5]. Нехай L – множина об’єктів, які використовуються як вибірка для навчання. Задані ознакові описи всіх елементів L. Для кожного об’єкта ∈l L відомо від- ношення ∈ il V . Потрібно за допомогою аналізу L сформувати n понять з об- сягами 1 2, ,..., nV V V , достатніх для правильного розпізнавання всіх об'єктів ∈l L . Суть процесу формування понять в пірамідальних мережах полягає в аналізі елементів побудованої мережі та доборі з них таких, які найчастіше зустрічаються в об'єктах з однаковими властивостями з вибірки для навчання. Відібрані вершини помічаються як контрольні вершини поняття, що формується. Поняття Bi класу об'єктів Vi представляється у мережі сукупністю МЕТОДИ ПІДВИЩЕННЯ ЕФЕКТИВНОСТІ ЗАСТОСУВАННЯ ЗРОСТАЮЧИХ ПІРАМІДАЛЬНИХ МЕРЕЖ Комп’ютерні засоби, мережі та системи. 2010, № 9 113 контрольних вершин. У разі необхідності поняття може бути представлено у вигляді логічного виразу. Нехай побудована пірамідальна мережа, що представляє всі об'єкти вибірки для навчання L. Для формування понять 1 2, ,..., nB B B , що відповідають множи- нам 1 2, ,..., nV V V послідовно проглядаються піраміди всіх об'єктів з вибірки для навчання. Вершини піраміди об’єкта, що переглядається, під час перегляду вважаються збудженими. Для всіх вершин мережі будемо використо- вувати наступні характеристики: kа − кількість рецепторів в піраміді вершини а (для рецепторів k = 1), тобто ( )Card=a ak R ; 1 2( , ,..., )=  a a a a nm m m m , де ( ) ( ) Card Card ⊆ = a i ia i i V V m V (i = 1, 2, ..., n); a im – відносна кількість об’єктів поняття Bi, до пірамід яких входить вершина а. При перегляді піраміди поняття Bi здійснюються операції, які описуються наступними правилами. Правило В1. Якщо в піраміді об'єкта X з обсягу поняття Вi вершина a, що має найбільшу різницю між a im та ( ) 1,= ≠ = ∑ n a a j j j i M m з найбільшим k з усіх вершин піраміди Х, не є контрольною вершиною поняття Вi, то вона зазначається як контрольна вершина поняття Вi. Формулювання правила враховує можливість існування серед збуджених вершин декількох вершин з однаковою найбільшою різницею між a im та aM і найбільшим значенням k. У цьому разі з такої групи як контрольна відмічається будь яка вершина. Правило В2. Якщо в піраміді об'єкта X з обсягу поняття Вi є контрольні вершини інших понять, що не містять у своїх супермножинах збуджених конт- рольних вершин поняття Вi, у кожній з цих супермножин вершина, як конт- рольна вершина поняття Вi зазначається вершина згідно з вимогами правила В1. Якщо при перегляді всіх об'єктів вибірки для навчання з'явилась хоча б одна нова контрольна вершина, то робиться новий перегляд об'єктів вибірки до субмножин яких входить нова вершина. Процес завершується, коли під час чергового перегляду не виникло жодної нової контрольної вершини. За допомогою контрольних вершин здійснюється виділення найбільш характерних поєднань значень ознак, що належать об'єктам з обсягу поняття. Після побудови пірамідальної мережі утворюється структура, яка є представленням описів об'єктів вибірки для навчання. Кожна вершина мережі визначає кон’юнктивний клас об'єктів. Таким чином, об'єкт належить до всіх класів об'єктів, які визначаються вершинами, що входять до його піраміди, і також кожний об'єкт, піраміда якого містить у собі деяку вершину, належить класу об'єктів, який вона представляє. На основі аналізу мережі можна представити поняття у формі логічного виразу з використанням логічних операцій диз’юнкції, кон’юнкції та заперечення [4]. В.Ю. ВЕЛИЧКО, О.В. ПАЛАГІН Комп’ютерні засоби, мережі та системи. 2010, № 9 114 Важливою особливістю методу формування понять у пірамідальних мережах є можливість введення у поняття так званих виключних ознак, що не належать об'єктам досліджуваного класу. В результаті сформовані поняття мають більш компактну логічну структуру, що в принципі дає можливість підвищувати точність діагнозу чи прогнозу. Виключні ознаки у логічному виразі представлені змінними з запереченням. Після того, як поняття для деякого класу об'єктів сформовано, класифікація нових об'єктів виконується шляхом порівняння їх ознакових описів з існуючими поняттями. Для цього у випадку чіткої класифікації об'єктів використовується наступне правило розпізнавання [4]. Правило розпізнавання. Об'єкт належить класу Vi, якщо в його піраміді є контрольні вершини поняття Вi і немає жодної контрольної вершини будь-якого іншого поняття такої, що не має збуджених контрольних вершин поняття Вi у своїй супермножині. Якщо ця умова не виконується для жодного з понять, об'єкт вважається невизначеним або застосовується правило нечіткої класифікації, за яким об’єкт розпізнається на основі співвідношень a im та k контрольних вершин різних понять з його піраміди. Висновки. Розглянуто методи підвищення ефективності логіко-лінгвіс- тичного аналізу складних об’єктів, які розширюють діапазон застосування зростаючих пірамідальних мереж за рахунок удосконалення процедур побу- дови ЗПМ та введення часових характеристик. Подальші дослідження орієнто- вані на детальну розробку паралельних алгоритмів та процедур побудови й аналізу ЗПМ. 1. Iliya Mitov, Anatolij Krissilov, Oleksandr Palagin, Peter Stanchev, Vitalii Velychko et al. The Intelligent Principle of Virtual Laboratories for Computer Aided Design of Smart Sensor Systems / In: G. Setlak, Kr. Markov (ed.). Methods and Instruments of Artificial Intelligence. ITHEA, Rzeszow, Poland – Sofia, Bulgaria, 2010. – P. 119 – 124. 2. Mitov I., Markov Kr., Ivanova Kr. The Intelligence // Plenary paper. Third International Scientific Conference “Informatics in the Scientific Knowledge”. – University Publishing House, VFU “Chernorizets Hrabar”, 2010. – P. 7 – 13. 3. Гладун В.П. Планирование решений. – Киев: Наук. думка, 1987. – 168 с. 4. Гладун В.П. Процессы формирования новых знаний. – София: СД «Педагог 6», 1994. – 189 с. 5. Гладун В.П. Партнерство с компьютером. Человеко-машинные целеустремленные систе- мы. – Киев: Port-Royal, 2000. – 118 с. 6. Москалькова Н.М. Методи правдоподібного виведення на основі представлення атрибутивних моделей знань в семантичних мережах // Автореф. дис. … канд. техн. наук. – К.: Інститут кібернетики імені В.М. Глушкова НАН України, 2000. – 19 с. 7. Victor Gladun, Vitaly Velichko, Yurii Ivaskiv. Selfstructurized Systems // International J. "Infor- mation Theories & Applications". FOI ITHEA, Sofia. – 2008. – 15. – N 1. – Р. 5 – 13. 8. Ковалев С.М. Формирование темпоральных баз знаний на основе аппарата растущих пирамидальных сетей // Интегрированные модели и мягкие вычисления в искусственном интеллекте / Сб. науч. тр. III Международного научно-практического семинара. – М.: Физматлит, 2005. – С. 351 – 357. Отримано 20.10.2010

Методи підвищення ефективності застосування зростаючих пірамідальних мереж

Репозитарії

Схожі ресурси