ترکیب سیستمهای خبره و شبکه های عصبی

Report
‫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).

similar documents