Программная среда для создания обучаемых нейросетевых экспертных систем и ее практическое применение

В качестве конкретной области применения нейронных сетей было выбрано направление создания обучаемых нейросетевых экспертных систем (ЭС).

Этот выбор по ряду причин не был случайным. В последнее десятилетие в рамках исследований по искусственному интеллекту сформировалось самостоятельное направление — экспертные системы. Цель этого направления — решение сложных задач путем использования знаний экспертов и процедур логического вывода.

К таким задачам в настоящее время можно отнести прогнозирование поведения сложных динамических систем, предсказание экологической и медико-демографической обстановки в городах и регионах; получение оперативной оценки возможных социально-экономических последствий решения, принимаемых правительством, законодательными и финансовыми органами в области налоговой и кредитно-денежной политики: краткосрочный и долгосрочный прогнозы погоды и климатических изменений в природе Земли; предсказания, связанные с возникновением и распространением эпидемий; прогнозирование в макро- и микроэкономике и многие другие.

При решении подобных задач возникают проблемы, к общим признакам которых можно отнести следующие:
- невозможность или чрезвычайную сложность построения строгих математических моделей систем;
- динамический характер поведения систем;

- необходимость сбора и обработки оперативной информации, полученной из различных (часто удаленных друг от друга) источников, с последующим накоплением информации в базах данных;

- необходимость анализа и получения экспертной оценки эволюции поведения системы с учетом оперативной и хранящейся в базе данных информации.

В настоящее время экспертные системы уже применяются в различных областях интеллектуальной деятельности: в проектировании интегральных микросхем и поиске неисправностей технических систем, в медицинской диагностике и разведке полезных ископаемых, позволяя повысить в 5—10 раз производительность труда. Ведутся разработки экспертных систем для таких проблем, как раннее предупреждение национальных и

международных конфликтов, планирование и распределение ресурсов, принятие решений в кризисных ситуациях, оптимизация систем управления разных уровней от кабинета министров до фирмы, банка или магазина. По прогнозам рынок экспертных систем в США в 1995 году составит 8-10, а в 2000 году - 60 млрд, дол.

Однако стоимость разработки таких систем традиционными методами велика: даже для относительно простых экспертных систем, содержащих от 200 до 1000 правил и рассчитанных на использование ПЭВМ, стоимость разработки составляет от 50 тыс. до 300 тыс. дол., время разработки — до года, трудоемкость — несколько человеко-лет. Для сложных экспертных систем эти показатели на порядок выше. Тем не менее, несмотря на значительную стоимость разработок, экспертные системы приносят существенный доход и являются весьма эффективным средством решения задач, в которых формальные методы не приносят успеха.

Поиск путей снижения затрат на разработки экспертных систем и дальнейшее повышение их эффективности привел к попыткам использования для создания экспертных систем искусственных нейронных сетей.

Преимущества нейросетевого подхода при создании экспертных систем обусловлены принципиальной возможностью эффективно преодолевать перечисленные выше проблемы. К основным достоинствам этого подход? можно отнести следующие:

- обучаемость: способность нейронных сетей обучаться на примерах (т. е. реально существовавших фактах или результатах) и создавать в процессе обучения неявную (скрытую) эмпирическую модель анализируемой системы, процесса или явления;

- нелинейное отображение: способность нейронных сетей к произвольному нелинейному отображению информации (представленной в виде векторов или матриц числовых значений);

- правдоподобие: нелинейное отображение приводит к более правдоподобным обобщениям — экстраполяциям, чем, например, полиноминальные модели;

- устойчивость: метод независимой проверки достоверности созданной модели, используемый для нейросетевых экспертных систем, позволяет автоматически оценивать, как много истинной информации содержится в обучающей выборке. Это делает нейросетевую экспертную систему устойчивой к шумам и недостатку данных;

- простота использования: весь процесс обучения нейронной сети может быть автоматизирован в программе, так что пользователь, даже не являющийся экспертом в анализируемой проблеме и специалистом по нейронным сетям, может за короткое время приготовить разумную экспертную оценку.

Возможности нейросетевых экспертных систем прогнозирования имеют и свои ограничения. Полезные предсказания и модели могут быть получены только в том случае, если имеется достаточное количество достоверных данных, на основе которых нейронная сеть может построить корректную модель.

В отличие от традиционных экспертных систем, для которых логическая структура решения задачи должна быть заданы априори, нейросетевые экспертные системы создаются эмпирически путем обучения.

В процессе обучения нейронной сети, составляющей основу таких экспертных систем, подстраиваются коэффициенты связей между нейронами сети, моделируя функцию преобразования входных данных в выходные и тем самым, создавая эмпирическую (имитационную) модель решения задачи получения требуемого выхода по заданному входу. На основе такой эмпирической модели и функционирует нейросетевая экспертная система.

С использованием библиотеки Turbo-Vision фирмы Borland-International в НИИФП была разработана программная среда Нейросетевых Экспертных СИстем - НЭКСИ.

НЭКСИ представляет собой набор взаимосвязанных программных средств — интегрированную среду, ориентированную на исследователя нейронных сетей и пользователя, самостоятельно разрабатывающего различные полезные для работы системы диагностики, классификации, распознавания, прогнозирования или экспертизы.

Как отмечено выше, создание экспертной системы осуществляется путем обучения на примерах. Примеры для обучения составляются из ’’ситуаций” или ’’объектов”.

Ситуация (объект) представляет собой упорядоченный набор числовых значений параметров, называемых показателями ситуации (атрибутами объекта), которые представляют кодированное описание реальных событий, процессов, явлений, условий, классов, состояний и других характеристик реального мира, используемых в практических приложениях. Ситуацию можно рассматривать как вектор числовых значений. Размерность вектора определяется числом показателей ситуации.

Входные ситуации содержат наборы входных данных, т. е. условия задачи. Выходные ситуации включают наборы выходных данных, т. е. решения задачи.

Пара соответствующих друг другу входной и выходной ситуаций представляет собой пример. Совокупность примеров для обучения нейронной сети составляет обучающую выборку. Совокупность примеров для тестирования качества обучения нейронной сети образует тестовую выборку. Одна или несколько обучающих и тестовых выборок составляют базу данных экспертной системы.

В процессе обучения нейронной сети экспертной системы формируется база знаний, которая представляет собой файл форматированных данных, включающий информацию об архитектуре, , функции активности нейронов и значениях параметров обученной сети (в частности, весов связи нейронов), а также об использованных при обучении примерах ситуаций (объектов).

НЭКСИ обеспечивает диалоговый режим работы пользователя и состоит из следующих связанных через интерфейс программных блоков:

- просмотр текстовых файлов,
- создание базы данных,
- обучение нейронных сетей,
- исследование нейронных сетей,
- тестирование и экспертиза
- сервисные средства среды,
- справочник и руководство пользователя.

В НЭКСИ могут быть использованы два основных класса архитектуры искусственных нейронных сетей:
- прямосвязные трехслойные сети с обратным распространением ошибки в процессе обучения — наиболее широко применяемые в настоящее время;
- рекуррентные сети нейронов - сети с обратными внешними связями, чьи выходные сигналы зависят от ’’предысторий” входных сигналов, накопленных за несколько временных периодов.

Программная среда НЭКСИ предоставляет возможности:
- создавать эмпирические модели сложных динамических систем и количественно оценивать их достоверность;
- проводить оптимизацию архитектуры и исследование динамики обучения нейронной сети, используя встроенную графику;

- обеспечивать автоматическое (без участия эксперта) формирование базы знаний экспертной системы;
- выявлять ключевые факторы в анализируемом процессе или явлении;
- количественно оценивать качество обучения и точность экспертизы;

- проводить экспертные оценки и прогнозировать поведение систем;
- протоколировать процессы обучения, тестирования и экспертизы.

Среда НЭКСИ выполнена в двух вариантах: для работы с векторами аналоговых сигналов, представленных последовательностями действительных чисел, и для работы с матрицами двоичных сигналов — бинарными изображениями.

На основе НЭКСИ созданы демонстрационные прототипы нейронных экспертных систем, предназначенные для решения практических задач:

- ’’реактор”— обнаружение отклонений режима работы технологической установки от номинального и диагностика повреждений датчиков, контролирующих технологических процесс;

- ’’образ”— распознавание изображений в системах технического зрения и идентификации образов на примере отпечатков пальцев;

- ’’валюта”- прогнозирование изменений курсов валют;
- ’’биржа”— предсказание изменений цен на фондовой бирже;
- ’’тест”—психологическое тестирование людей.

Два прототипа экспертных систем были разработаны для Госкомстата России:
- ЭССЭ — экспертная система состояния экономики государства,
- ЭСКДП — экспертная система кредитно-денежной политики, прогнозирующая социально-экономические последствия проведения определенной политики в области финансов и кредитной системы.

Для реализации ЭССЭ была создана база данных, в которой были использованы: статистические материалы Европейской системы интегрированных экономических счетов за 1977—1989 годы, статистические сборники ООН, справочник валют стран мира и другие документы, представляющие динамику развития экономики и государств мира.

База данных для обучения и тестирования была сформирована в виде примеров экономических ситуаций, содержащих последовательности числовых значений макроэкономических показателей США, Франции и Германии. Созданная нейросетевая экспертная система продемонстрировала способность с требуемой точностью прогнозировать значения макроэкономических показателей государств с устойчивой рыночной экономикой.