К числу недостатков таких сетей относятся [43]:
○ симметричность, без которой нельзя ввести понятие энергии, но которая ограничивает класс разрабатываемых моделей;
○ само понятие энергии. В нейронных сетях надо запоминать и обрабатывать информацию, а экономия энергии – вспомогательная задача;
○ наличие большого количества связей, что невыгодно и живым организмам, и искусственным системам.
Проблемы использования нейронных сетей [43].
○ Медленная сходимость. Процесс обучения требует огромного количества итераций. Доказана сходимость только для бесконечно малых шагов, что требует бесконечно большого времени. Иногда процесс обучения не сходится вообще.
○ Возможность остановки в локальном экстремуме. Ввиду нелинейности системы и детерминированности процесса обучения процедура может остаться в локальном экстремуме целевой функции. Чтобы избежать этого, вводят случайный шум, который позволяет процедуре обучения выйти из области локального экстремума.
○ Возможность разрыва связи между слоями. Пороговая и даже сигмоидальная функции имеют плоские участки, попав в которые, процесс может остановиться.
Нейронные сети представляют собой универсальный нелинейный инструмент с возможностью настройки характеристик. Они могут применяться в случаях, когда имеются только сведения о решениях в аналогичных ситуациях, но нет никакой информации о том, как они разрабатывались. Это – частая ситуация в маркетинге, так как правильное решение становится очевидным со временем, так что возможно обучение не только на правильно принятых решениях, но и на совершенных ошибках. Но метод отличается «капризностью» и требует выполнения многочисленных настроек, что, ввиду эвристической природы алгоритма, делает его сродни искусству. Новые разработки в области компьютеризации касаются интеллектуализации настройки алгоритма и автоматической оптимизации полученных сетей.
Одно из определений искусственного интеллекта – это программная система, имитирующая на компьютере мышление человека.
Под интеллектом многие исследователи понимают совокупность фактов и способов их применения для достижения цели.
Примером фактов, рассматриваемых в экспертных системах, могут служить следующие:
○ затраты на рекламу в фирме X в текущем месяце составили 10000 руб.;
○ товар А имеет торговую марку;
○ проект N принесет прибыль;
○ выпуск товара B рентабелен.
Большинство полезных для фирмы фактов (хотя, конечно, не все) можно представить в форме параметр=значение. Но любые факты могут иметь место или не иметь место, поэтому их всегда можно представить в виде описание факта = истина / ложь / не определено. Таким образом, все факты могут быть представлены в виде равенства описание = значение.
Правила имеют вид
ЕСЛИ факт1 И факт2, ТО факт3 ,
где И – логическая операция.
Количество таких операций в правиле может быть произвольным. Для того, чтобы правило «сработало», требуется наличие всех фактов, перечисленных в его левой части. Результатом применения правила является новый факт. Правило состоит из двух частей: условия и реакции (действия).
Если результирующий факт можно установить несколькими способами, то есть требуется воспользоваться логической операцией ИЛИ, то используются несколько правил с одинаковой правой частью.
Набор правил называется базой знаний.
Во многих случаях четких правил нет. Например, один и тот же набор симптомов болезни может быть следствием различных заболеваний. В этом случае для факта, устанавливаемого правилом, вводится некоторый показатель достоверности или возможности, аналогично возможности, используемой в нечеткой логике. С другой стороны, может не быть полной уверенности и в исходных фактах. Тогда и исходным фактам сопоставляется мера их возможности. В этом случае экспертная система интегрируется с аппаратом нечеткой логики.
Уважаемый посетитель!
Чтобы распечатать файл, скачайте его (в формате Word).
Ссылка на скачивание - внизу страницы.