ترکیب سیستمهای خبره و شبکه های عصبی
Download
Report
Transcript ترکیب سیستمهای خبره و شبکه های عصبی
ترکیب سیستمهای خبره و شبکه های عصبی
تهیه کنندگان:
علیرضا ربیعی کاشانکی
امیر هدایتی کیا
مقدمه
شبکه های عصبی علیرغم مفید بودن محدودیتهایی هم دارند
به وسیله اطالعات موجود مورد آموزش قرار می گیرند
ای شبکه ها با استفاده از ورودی و خروجی متناظر اطالعات آموزش ی،
خروجی میدهند لذا قدرت استدالل و یا توضیح عملکرد خود را ندارند
یک سیستم خبره می تواند شبکه های عصبی را به گونه ای آموزش
دهد که ای سیستم قابلیت انطباق پذیری پیدا کرده و با تغییر
موقعیتها به روز شود.
استفاده از شبکه های عصبی در تعمیم دانش خبره
در یک سیستم خبره مبتنی بر قاعده دانش به وسیله قواعدی به
شکل عمومی زیر هستند نمایش داده میشوند:
استفاده از شبکه های عصبی در تعمیم دانش خبره
به عنوان مثال یک قاعده تولید MYCINرا میتوان تعریف کرد:
استفاده از شبکه های عصبی در تعمیم دانش خبره
سیستم های خبره براساس شبکه های عصبی
در سیستم خبره هر قاعده نشان دهنده یک زوج ( )X,yاست که
رابطه خاص ی بین متغیرهای وابسته و مستقل نشان میدهد
مشکل استفاده از شبکه های عصبی پس انتشار استاندارد در درونیابی
این است که با داشتن مجموعه ای از داده های یادگیری ،نتایج نهایی
مه توسط شبکه ارائه میشود ممکن است غیر قابل پیش بینی باشد
برای حل این مشکل از مدل تابع شبکه های عصبی یکنواخت استفاده
میکنیم
شبکه های عصبی یکنواخت
برای ایجاد یک منحنی منظم که از تعداد معدودی از نقاط عبور کند مدل تابع
شبکه ی عصبی یکنواخت بوجود آمده است
دالیل استفاده از شبکه های عصبی یکنواخت در سیستم های خبره :
.1
.2
یکنواختی یکی از خصوصیات مهم توابع عضویت فازی است
توابع عضویت فازی عموما در سیستمهای خبره مبتنی بر قاعده مورد استفاده قرار
گرفته و به وسیله مقادیر CFنشان داده می شوند.
اعمال شبکه های عصبی درد سیستمهای خبره
تعمیم قواعد تولیدی
.1
.2
.3
.4
.5
.6
قواعد تولید منفرد
متغیرهای وابسته چند گانه
قواعدی با شرط نا معادله
قواعدی با نتایج احتمالی
توابع درونیابی غیریکنواخت
دانش متضاد
-1قواعد تولید منفرد
یک قاعده تولیدی منفرد که ساختار علت و معلولی آن با سایر قواعد مشابهت
نداشته باشد میتواند به وسیله شبکه عصبی تعمیم یابد
مثال:
اگر x1درست باشد و x2درست باشد
آنگاه yدرست است
این قاعده در شبکه های عصبی آموزش دیده وبصورت زیر نشان میدهند
X1=1,x2=1,y=ymax
بطوری که ymaxیک خروجی از پیش تعیین شده برای شبکه عصبی است
-2متغیرهای وابسته چند گانه
وقتی تعداد متغیرهای وابسته بیش از یکی باشد قواعد به صورت زیر درمی آیند
قاعده :iاگر x1=ai1و x2=ai2
آنگاه
Xp=aipو y1=ci1
….
Yp=ciq
در این حالت شبکه عصبی از qعصب خروجی استفاده میکند
-3قواعدی با شرط نا معادله
در این حالت ممکن است برای شبکه ای که بر اساس این قاعده کار میکند نقاط
آموزش ی منفصل تولید شود و باز هم شرایط یکنواختی حفظ شود
مثال:
اگر b<x<aآنگاه y=c
در این حالت شبکه عصبی یک خط تقریبا مستقیم ایجاد میکند
-4قواعدی با نتایج احتمالی
منظور همان قواعد فازی است
اگر x=a1آنگاه y=c1
....
اگر x=aiآنگاه y=ci
: cمقادیر احتماالت که بصورت تابع توزیع تجمعی در می آیند
تمام توابع توزیع یکنواخت هستند
-5توابع درونیابی غیریکنواخت
گاهی ممکن است رابطه ) (x,yیکنواخت نباشد
مثال رابطه بین قلب و فشار خون یکنواخت نیست
نقطه عطف منحنی ===> رابطه یکنواخت
-6دانش متضاد
دانش متضاد بصورت تابع فوق فازی نمایش داده میشود
عمال از 2شبکه عصبی استفاده میکند
فاصله بین دو تابع نهایی ===> درجه تناقض اطالعات
استفاده از تابع عضویت میانی
نتیجه :
شبکه عصبی میتوانند جایگزین تمام قواعد تولیدی در سیستم خبره شوند
یعنی پایگاه دانش
-6دانش متضاد
روش استنتاج در سیستمهای خبره بر اساس شبکه های عصبی
قواعد تولیدی به صورت جمالت صریح « اگر ...آنگاه »...بیان می شوند ،در
حالی که قواعد شبکه های عصبی به فرم ریاض ی بیان می شوند.
قواعد شبکه های عصبی بر اساس قواعد تولیدی تعمیم می یابند و روابط
فازی زیادی را بین شرایط و نتایج ایجاد می کنند.
طی فرآیند استنتاج ،عدم قطعیت نتایج میانی به وسیله CFمشخص می
شود که این نتایج میانی هر کدام به ترتیب شرایط قواعد شبکه های عصبی
بعدی خواهند بود.
استدالل رو به عقب نمتواند در سیستمهای خبره مبتنی بر شبکه های عصبی
مفید باشد زیرا:
.1مقادیر فاکتورهای قطعیت نتایج نمی تواند از پیش تعیین شود
.2برای استداللهای تقریبی زیاد پاسخگو نیست.
روش استنتاج در سیستمهای خبره بر اساس شبکه های عصبی
خالصه و نتیجه گیری
شبکه های عصبی ،ماشینهای یاد گیرنده ای که رفتار فرد خبره را تقلید می کنند.
توسعه مدلهای CFبرای قواعد تولیدی به دلیل عدم اطمینان در روابط علت و
معلولی
تعمیم قواعد تولیدی به وسیله شبکه های عصبی و استفاده آنها برای انجام
استنتاجهای تقریبی در سیستمهای خبره
منابع
شبکه های عصبی، «اصول و مبانی سیستم های خبره با فصولی درباره
دانشگاه، زهره کاظمی، مهدی غضنفری،» تئوری مجموعه های فازی،مصنوعی
1382 ،علم و صنعت ایران
Wang. S. "Neural networks in Generalizing Expert
Knowledge" Computers indo Engng Vol. 32, No.1, pp.
67-76, 1997
Krishnamurthi 92). M. Krishnamurthi and D. T. Phillips.
An Expert System Framework for Machine Fault
Diagnosis. Computers Ind. Engng 22(1), 67-84 (1992)
(Buchanan 94). B. G. Buchanan and E. H. Shortliffe. RuleBased Expert Systems.
Addison-Wesley, Reading, MA (1985) .
(Wang 94). S. Wang. Generating Fuzzy Membership
Functions a Monotonic Neural Network Model. Fuzzy
Sets Systems 61(1), 71-81 (1994).