Анализ существующих подходов и построению систем поддержки принятие решений.

Искусственная нейронная сеть (ИНС, нейросеть) - это набор нейронов, соединенных между собой. Как правило, передаточные функции всех нейронов в сети фиксированы, а веса являются параметрами сети и могут изменяться. Некоторые входы нейронов помечены как внешние входы сети, а некоторые выходы - как внешние выходы сети. Подавая любые числа на входы сети, мы получаем какой-то набор чисел на выходах сети. Таким образом, работа нейросети состоит в преобразовании входного вектора в выходной вектор, причем это преобразование задается весами сети.

ИНС представляют собой систему соединённых и взаимодействующих между собой простых процессоров (искусственных нейронов). Такие процессоры обычно довольно просты (особенно в сравнении с процессорами, используемыми в персональных компьютерах). Каждый процессор подобной сети имеет дело только с сигналами, которые он периодически получает, и сигналами, которые он периодически посылает другим процессорам. И, тем не менее, будучи соединёнными в достаточно большую сеть с управляемым взаимодействием, такие локально простые процессоры вместе способны выполнять довольно сложные задачи.

С точки зрения машинного обучения, нейронная сеть представляет собой частный случай методов распознавания образов, дискриминантного анализа, методов кластеризации и т. п. С математической точки зрения, обучение нейронных сетей — это многопараметрическая задача нелинейной оптимизации. С точки зрения кибернетики, нейронная сеть используется в задачах адаптивного управления и как алгоритмы для робототехники. С точки зрения развития вычислительной техники и программирования, нейронная сеть — способ решения проблемы эффективного параллелизма. А с точки зрения искусственного интеллекта, ИНС является основой философского течения коннективизма и основным направлением в структурном подходе по изучению возможности построения (моделирования) естественного интеллекта с помощью компьютерных алгоритмов.

Нейронные сети не программируются в привычном смысле этого слова, они обучаются. Возможность обучения — одно из главных преимуществ нейронных сетей перед традиционными алгоритмами. Технически обучение заключается в нахождении коэффициентов связей между нейронами. В процессе обучения нейронная сеть способна выявлять сложные зависимости между входными данными и выходными, а также выполнять обобщение. Это значит, что в случае успешного обучения сеть сможет вернуть верный результат на основании данных, которые отсутствовали в обучающей выборке, а также неполных и/или «зашумленных», частично искаженных данных.

Преимущества и недостатки нейрокомпьютеров

1. По сравнению с обычными компьютерами нейрокомпьютеры обладают рядом преимуществ.

2. Высокое быстродействие, связанное с тем, что алгоритмы нейроинформатики обладают высокой степенью параллельности.

3. Нейросистемы делаются очень устойчивыми к помехам и разрушениям.

4. Устойчивые и надежные нейросистемы могут создаваться из ненадежных элементов, имеющих значительный разброс параметров.

Несмотря на перечисленные выше преимущества эти устройства имеют ряд недостатков:

1. Они создаются специально для решения конкретных задач, связанных с нелинейной логикой и теорией самоорганизации. Решение таких задач на обычных компьютерах возможно только численными методами.

2. В силу своей уникальности эти устройства достаточно дорогостоящи.

Имитационное моделирование (ситуационное моделирование) — метод, позволяющий строить модели, описывающие процессы так, как они проходили бы в действительности. Такую модель можно «проиграть» во времени как для одного испытания, так и заданного их множества. При этом результаты будут определяться случайным характером процессов. По этим данным можно получить достаточно устойчивую статистику. Имитационным моделированием иногда называют получение частных численных решений сформулированной задачи на основе аналитических решений или с помощью численных методов. К имитационному моделированию прибегают, когда дорого или невозможно экспериментировать на реальном объекте невозможно построить аналитическую модель: в системе есть время, причинные связи, последствие, нелинейности, стохастические переменные необходимо сымитировать поведение системы во времени. Цель имитационного моделирования состоит в воспроизведении поведения исследуемой системы на основе результатов анализа наиболее существенных взаимосвязей между её элементами или другими словами — разработке симулятора исследуемой предметной области для проведения различных экспериментов.

Экспертные системы - это сложные программные комплексы, которые соединяют в себе знания специалистов в конкретных предметных областях и используются с целью заменить частично эксперта-специалиста в решении проблемной ситуации.

Экспертные системы являются одним из основных приложений искусственного интеллекта. Они начали разрабатываться семидесятых годах прошлого века исследователями искусственного интеллекта, а уже в восьмидесятых годах получили свое коммерческое признание. Однако предпосылками создания экспертных систем принято считать работы С.Н. Корсакова, который создал механические устройства «интеллектуальные машины», позволявшие находить решения по заданным условиям.

Преимущества и недостатки экспертных систем.

Среди основных преимуществ можно выделить:

Постоянство: вся информация, внесенная в базу данных не меняется, а знания экспертов могут изменяться, т.к. со временем человеческая компетенция ослабевает;

Легкость передачи: передача информации от машины человеку более простой процесс, который происходит путем копирования программы или файла данных

Издержки: Эксперты, особенно высококвалифицированные обходятся очень дорого. Разработка экспертных систем - достаточно дорогостоящий процесс, но они дешевы в эксплуатации, что в итоге выгоднее;

Устойчивость и воспроизводимость результатов: Экспертные системы устойчивы к «помехам». Человек же поддается влиянию внешних факторов, которые непосредственно не связаны с решаемой задачей, что существенно влияет на результат;

Повышенная надежность: позволяет повысить доверие к принятому решению. Если же решение экспертной системы и человека-эксперта не совпадают, это свидетельствует об ошибке, допущенной экспертом под влиянием внешних факторов (например, усталость);

Быстрый отклик: в экстренных ситуациях в зависимости от программного обеспечения экспертная система реагирует быстрее, чем эксперт-человек.

Однако экспертные системы несовершенны и обладают рядом недостатков, основные из которых:

Здравый смысл: человек-эксперт обладает помимо технических знаний здравым смыслом. На сегодняшний день еще неизвестно, как заложить здравый смысл в экспертные системы.

Творческий потенциал: человек-эксперт может реагировать творчески на необычные ситуации в отличии от экспертных систем.

Обучение: Человек-эксперт адаптируется автоматически к изменению среды, а экспертные системы необходимо явно модифицировать.

Нечеткая логика является многозначной логикой, что позволяет определить промежуточные значения для таких общепринятых оценок, как да - нет, истинно - ложно, черное – белое и т.п. Выражения подобные таким, как слегка тепло или довольно холодно возможно формулировать математически и обрабатывать на компьютерах.