Инструментальные средства поддержки гибридных интеллектуальных систем на основе нейросетевых нечетко-эволюционных моделей

Обобщены результаты исследований в области методов построения эволционных гибридных интеллектуальных систем.Согласно современным представлениям нечеткая логика, нейронные сети и генетические алгоритмы являются взаимодополняющими друг друга технологиями при разработке интеллектуальных систем. Нейронные системы по существу являются низкоуровневой вычислительной структурой, в совокупности с генетическими алгоритмами обеспечивающими высокую производительность при обработке сенсорной информации; методы нечеткой логики часто решают задачи, связанные с мышлением на более высоком уровне, чем нейронные сети. Од-нако поскольку нечеткие системы не обладают развитой способностью к обучению, оператору (человеку) бывает трудно настроить нечеткие правила и функции принадлежности, исходя из обучающего набора данных. Кроме того, поскольку внутренние слои нейронных сетей всегда скрыты от пользователя, правила отображения остаются невидимыми и, соответственно, трудными для понимания; более того, сходимость процедуры обучения является очень медленной и не гарантируется. Таким образом, перспективным подходом, позволяющим выделить преимущества и нечетких систем, и нейронных сетей, а также разрешить свойственные им проблемы, представляется их объединение в интегрированную систему. Разработано теоретико-вероятностное представление образов и понятий. С точки зрения предлагаемого информационного подхода образ и понятие создаются в памяти в процессе обучения и характеризуются соответствующими распределениями вероятностей. Для образа характерно холмообразная форма, свойственная нормальному распределению, для понятия – равномерное распределение. Основное различие между образами и понятиями состоит в том, что образ обеспечивает более высокую концентрацию вероятности и, как следствие, скорее преодолевает порог восприятия, нежели понятие. Все остальное является следствием этого различия. Высокая степень концентрации вероятностей в образе достигается за счет таких свойств образа как определенность, ассимиляция, кумулятивность, целостность и конкретность. Уточнена архитектура гибридной нейроэкспертной системы: помимо компонент базового инструментария (объектно-ориентированной базы знаний, машины вывода, подсистемы моделирования, планировщика) она включает графический объектно- ориентированный язык для описания моделей, средства анимации и имитационного моделирования, нейроэмулятор для обработки образной информации, программные средства реализации генетических алгоритмов. Важной составной частью архитектуры является блок адаптации, позволяющий гибридной системе приспосабливаться к среде функционирования.