Аналіз проблеми інформаційного синтезу систем керування, що навчаються, страница 17

3.  Переважна більшість відомих методів оптимізації навчання є непрямими, оскільки вони ґрунтуються на дистанційних критеріях і не враховують інформаційну спроможність системи, яка прямо характеризує функціональну ефективність СК, що навчається.

4. До теперішнього часу найважливіша проблема інформаційного синтезу нечітких регуляторів здатних навчатися СК - оптимізація просторово-часових параметрів функціонування все ще залишається, як показує аналіз науково-технічної літератури, мало дослідженою. У працях [119,120] встановлено в рамках параметричного методу статистичної теорії прийняття рішень наближений аналітичний зв’язок оцінок точнісних характеристик системи розпізнавання з обсягами навчальної та екзаменаційної вибірок, але отримані результати так само носять модельний характер, що зменшує їх практичну цінність.

5. При обґрунтованості гіпотези нечіткої компактності реалізацій образу, яка має місце в практичних задачах контролю та керування, доцільність побудови “точної” роздільної гіперповерхні залишається сумнівною через значні обчислювальні ускладнення при її реалізації та випадковість значень ознак розпізнавання на екзамені. Тому виглядає перспективною ідея авторів праць  [66,67] про доцільність у рамках детерміновано-статистичного підходу побудови статистично-усередненої наближеної до “точної” роздільної гіперповерхні спрощеної форми деяким оптимальним способом за умови забезпечення на екзамені повної достовірності розпізнавання, близької до максимальної асимптотичної, що характеризує функціональну ефективність навчання системи.

6. Оскільки машинне навчання СК є слабо формалізованим динамічним процесом оптимального керування, то його реалізація повинна  ґрунтуватися на принципі дуальності О.А. Фельдбаума [223], за яким вирішальне правило корегується на кожному кроці навчання в міру накопичення емпіричних даних, що дозволяє починати навчання системи відразу ж при надходженні реалізацій різних класів за недосконалим вирішальним правилом, яке корегується в процесі навчання до безпомилкового за навчальною вибіркою.

7. Значним науковим досягненням, що має важливе методологічне та теоретичне значення для подальшого розвитку теорії автоматичної класифікації, є створення українською школою В.І.Васильєва теорії редукції [211], яка відкриває можливість побудови відносно простих вирішальних правил шляхом зменшення інформаційної надлишковості апріорного словника ознак розпізнавання.     

З метою звуження проблеми будемо розглядати тільки найважливішу складову загальної ефективності - функціональну ефективність навчання системи, яка характеризується інформаційною спроможністю системи. Тоді має місце така постановка задачі загального інформаційного синтезу СК, що навчається.

Нехай відома навчальна матриця «об’єкт-властивість», яка характеризує  m-й функціональний стан СК – клас розпізнавання  :

                      .                           (1.6.1)

У матриці (1.6.1) строка є реалізацією образу  , де  N- кількість ознак розпізнавання, а стовпчик матриці - випадкова навчальна вибірка  ,  де  n-обсяг вибірки, Дано структурований вектор просторово-часових параметрів функціонування   g=<g₁, …, g_x , …, >,  які прямо або непрямо впливають на функціональну ефективність СК, що навчаються, з відповідними на них обмеженнями  R_x (g₁, …,) .  Необхідно визначити  оптимальні значення параметрів функціонування  , які забезпечують максимум КФЕ:

.

де      Е_m - КФЕ процесу навчання розпізнавати реалізації класу  ;

          G - область допустимих значень параметрів функціонування СК, що     навчається.

При цьому розв’язком задачі часткового інформаційного синтезу системи може бути визначення оптимального значення, наприклад, параметра    як

,

де       – область допустимих значень параметра