Читать в оригинале

<< ПредыдущаяОглавлениеСледующая >>


ГЛАВА 1. ВВЕДЕНИЕ

В последние годы большой интерес вызывает проблематика нейронных сетей, генетических алгоритмов и нечетких систем. Эти направления относятся к научной области, определяемой в англоязычной литературе термином Computational Intelligence. Взаимосвязи между нейронными сетями, генетическими алгоритмами и нечеткими системами послужили причиной того, что IEEE (Institute of Electrical and Electronics Engineers - США) создан Всемирный Конгресс Computational Intelligence [10]. В рамках этого конгресса в период с 26 июня по 2 июля 1994 г. в Орландо, штат Флорида (США) были проведены три конференции:

а) IEEE International Conference on Neural Networks,

б) IEEE International Conference on Fuzzy Systems,

в) IEEE International Conference on Evolutionary Computation.

В 1995 - 1997 гг. каждая из этих конференций проводилась независимо, но в 1998 г. вновь был организован Конгресс, проведенный на этот раз в Анкоридже на Аляске (США). На рис. 1.1. видно, что задачи нейронных сетей, генетических алгоритмов и нечетких систем могут рассматриваться вне связи между собой, однако их взаимозависимость оказывается необычайно важной. В частности, генетические алгоритмы можно применять для подбора весов и топологии нейронной сети, а также для формирования базы правил и функций принадлежности нечеткой системы.

006.jpg

Рис. 1.1. Взаимосвязи между нейронными сетями, генетическими алгоритмами и нечеткими системами

В свою очередь, нейронные сети позволяют выбирать соответствующие параметры для самих генетических алгоритмов (параметры скрещивания и мутации); саму философию нейронных сетей можно заложить в фундамент нечетких систем, которые в результате обретают способность к обучению.

Кроме того, методы теории нечетких множеств позволяют подбирать как упомянутые выше параметры генетических алгоритмов, так и коэффициенты, определяющие скорость обучения нейронных сетей.

В Польше перечисленные выше проблемы интенсивно исследуются во многих научных центрах. В области нейронных сетей первым достаточно полным и очень полезным изданием считается книга профессора Р. Тадеусевича [7]. В настоящее время некоторые фрагменты этой книги представляются автором также и на видеокассете [8]. В последующие годы увидели свет и другие издания: книга, подводящая итоги работы коллектива под руководством профессора Ю. Корбича [3], монография профессора С. Осовского [5] и работа, представляющая результаты исследований группы профессора Т. Каспшака в области клеточных нейронных сетей [2].

Следует также отметить факт, что некоторые монографии польских авторов известны и по достоинству оценены в мировой литературе. В частности, можно назвать:

а) по нейронным сетям - книги профессора Я. Журады [9] и профессора А. Чихотского (с соавтором) [1];

б) по нечетким системам - книга профессора В. Педрыша [6];

в) по генетическим алгоритмам - книга профессора З. Михалевича [4].

Поскольку ни одно из упомянутых прекрасных изданий не охватывает одновременно все три ветви, объединяемые под названием «вычислительные технологии», авторы настоящей работы поставили перед собой задачу раскрыть перед читателем необычайно интересные возможности нейронных сетей, генетических алгоритмов и нечетких систем, а также их композиций.

В главе 2 представлены основные структуры одно и многослойных нейронных сетей и алгоритмы их обучения. В первой части описывается перцептрон и системы типа Адалайн. Далее приводятся два алгоритма обучения многослойных нейронных сетей: классический и наиболее часто применяемый алгоритм обратного распространения ошибки, а также значительно более быстрый алгоритм, основанный на рекуррентном методе наименьших квадратов.

В главе 3 обсуждаются системы, использующие нечеткую логику. Они особенно полезны в ситуации, когда доступные знания представлены в виде правил, основанных на нечетких множествах и лингвистических переменных. Системы этого типа де-факто признаны стандартом в Японии, где они применяются в автоматических стиральных и посудомоечных машинах, видеокамерах и фотоаппаратах, кондиционерах и автомобилях. Излагаются элементы теории нечетких множеств и нечеткого вывода, также описывается функционирование различных нечетких процессоров.

Основам реализации генетических алгоритмов посвящена глава 4. Как известно, естественный путь развития мозга - это эволюционный процесс, с которым связаны специфические методы проб и ошибок. Идеи эволюционных изменений привели к созданию генетических алгоритмов, применяемых для обучения нейронных сетей и в системах, использующих нечеткую логику.

В книге представляются не только раздельные описания нейронных сетей и нечетких систем, но и (в главе 5) новейшие результаты, получаемые при их объединении. Композиции этого типа сохраняют и усиливают достоинства как нейронных сетей, так и нечетких систем. Они потенциально применимы во всех ситуациях, когда конструктор системы располагает и количественной (численные данные), и качественной (лингвистические правила) информацией.

В конце каждой главы приводится список литературы. Вопросы, обсуждаемые в книге, подробно иллюстрируются имитационными примерами, реализованными с помощью следующих пакетов программ:

1. FLiNN (программа написана на кафедре Компьютерной инженерии Политехнического университета г. Ченстохова (Польша));

2. FlexTool (GA) М2.1 (Flexible Intelligence Group) - пакет, взаимодействующий с комплексом MATLAB (The Math Works Inc.);

3. Evolver (Axcelis, Inc.) - пакет, взаимодействующий с программой Excel (Microsoft Corp.);

4. BrainMaker и Genetic Training Option (California Scientific Software);

5. Fide (Aptronix, Inc.);

6. Fuzzy Logic Toolbox - прикладной пакет программ комплекса MATLAB (The MathWorks, Inc.).

Выражаем признательность господам Уве фон Аммон и Марку Скарбек-Козетульскому из фирмы Motorola, благодаря любезности которых мы получили пакет Fide.

Первый опыт работы с перечисленными программными средствами мы приобретали совместно со студентами четвертого курса Политехнического университета г. Ченстохова по специальности «Электроника и компьютерная инженерия», которых хотелось бы поблагодарить за сотрудничество в ходе учебных занятий. Мы также сердечно благодарим госпожу Ренату Марчиняк и магистра инженера Артура Стажевского за труд по подготовке рисунков и рукописи.

Особую признательность выражаем рецензентам - профессору Юзефу Корбишу и профессору Рышарду Тадеусевичу за внимательное ознакомление с рукописью и очень полезные замечания.

Список литературы

[1]          Cichocki A., Unbehaucn R., Neural Networks for Optimization and Signal Processing, Wiley, Chichester 1993.

[2]          Kacprzak Т., Slot K., Sieci neuronowe komorkowe. Teoria, projektowanie, zastosowania, PWN, Warszawa-Lodz 1994.

[3]          Korbicz J., Obuchowicz A., Ucinski D., Sztuczne sieci neuronowe, podstawy i zastosowania, Akademicka Oficyna Wydawnicza, Warszawa 1994.

[4]          Michalewicz Z, Genetic Algorithms + Data Structures = Evolution Programs, Springer-Verlag, Berlin 1994.

[5]          Osowski S., Sieci neuronowe w ujeciu algorytmicznym, WNT, Warszawa 1996.

[6]          Pedrycz W.t Fuzzy Control and Fuzzy Systems. Wiley, New York 1993.

[7]          Tadeusiewicz R., Sieci neuronowe, Akademicka Oficyna Wydawnicza, Warszawa 1993.

[8]          Tadeusiewicz R., Wprowadzenie do sieci neuronowych, kaseta wideo, Polskie Towarzystwo Sieci Neuronowych, Czestochowa 1996.

[9]          Zurada J. M., Introduction to Artificial Neural Systems, West Publishing Company, Boston 1992.

[10]        Zurada J. M., Marks R. J., Robinson C. J., (red.), Computational Intelligence: Imitating Life, IEEE Press, New York 1994.

 



<< ПредыдущаяОглавлениеСледующая >>