Искусство в IT-технологиях...

Нестерук Татьяна Никифоровна. Разработка модели адаптивного корпоративного сайта и инструментария для повышения эффективности маркетинговых решений, 2006

Нейро-экспертные системы

Как следует из табл. 1.1, экспертные системы и нейронные сети в той или иной мере успешно моделируют отдельные стороны интеллекта. В то время как экспертные системы используют правила импликации (IF-THEN), логический вывод, нейронные сети обладают способностью обучаться и выполнять параллельную обработку данных.
Экспертные системы не обладают способностью к обучению, но проводимые ими рассуждения понятны и «прозрачны», в то время как нейронная сеть может обучаться, но действует как "черный ящик". Совокупность качеств делают нейронные сети и экспертные системы хорошими кандидатами на формирование гибридной интеллектуальной системы, называемой нейронной экспертной системой.
Нейронные экспертные системы используют обученную нейронную сеть вместо базы знаний. В отличие от основанных на правилах экспертных систем, нейронные экспертные системы могут оперировать с недостоверными и неполными данными. Знания проблемной области, необходимые для проведения экономического анализа, могут быть использованы при начальной настройке информационного поля нейронной сети - нейронной базы знаний. После обучения, нейронная база знаний может интерпретироваться как доступный для анализа набор правил логического вывода IF-THEN.
Нейронная экспертная система (рис. 1.5) может быть представлена в виде 5-слойной специализированной структуры, в которой достоверность сформулированной экспертами-экономистами системы правил логического вывода отражается в значениях весов связей между конъюнктивными (conjunction layer) и дизъюнктивными (disjunction layer) слоями нейронной сети. В процессе обучения нейронной экспертной системы автоматически

корректируется системы правил логического вывода, что улучшает достоверность экономического анализа.
Нейро-нечеткая сеть, соответствующая нечеткой модели вывода, например, модели Mamdani, может быть представлена нейронной сетью, состоящей из пяти слоев (рис. 1.6): входного, слоя введения нечеткости (fuzzification), слоя нечетких правил логического вывода, выходного слоя функций принадлежности и слоя формирования четких выходных значений (defuzzification) [4,8].
Знания экспертов-экономистов (априорный опыт системы) в форме лингвистических переменных и нечетких правил логического вывода могут быть взаимооднозначно отражены в структуре нейро-нечеткой сети.
При наличии примеров обучающей выборки (в виде набора разноплановых экономических показателей) нейро-нечеткая сеть в процессе обучения автоматически преобразует скрытую в экономических показателях информацию в набор нечетких правил IF-THEN, образующих проблемно ориентированную базу знаний, т.
е. извлекает знания из входного потока реальных данных.
Нейро-нечеткая сеть может использовать стандартные алгоритмы обучения, разработанные для нейронных сетей, включая алгоритм обратного распространения ошибки. Однако более оперативное обучение нейронных сетей может производиться с использованием эволюционных методов адаптации их информационных полей [3].
Генетические алгоритмы эффективны для оптимизации весов и выбора оптимальной топологии нейронной сети в соответствии с заданной целевой функцией [85, 86]. Эволюционные методики оптимизации весов связей [85] включают этапы выделения хромосом в структуре нейронной сети, задания функции соответствия - функционала, в соответствии с которым реализуется стратегия отбора отдельных хромосом для участия в процессе эволюции нейронных сетей и выбора генетических операторов для моделирования эволюционных процессов, как правило, пересечения и мутации (рис.1.4).
Эволюционные вычисления могут использоваться для отбора нечетких правил при решении задачи классификации: числовые данные, находящиеся в таблицах нечетких правил, используются для формирования полной системы нечетких правил IF-THEN, генетический алгоритм - для выбора ограниченного числа правил с высокой мощностью классификации [3].
предыдущий следующий
= К содержанию =


Нейро-экспертные системы - релевантная информация:

  1. ПЕРЕЧЕНЬ СОКРАЩЕНИЙ, УСЛОВНЫХ ОБОЗНАЧЕНИЙ, СИМВОЛОВ, ЕДИНИЦ И ТЕРМИНОВ1
    нейрон Адаптация Способность организма или системы изменять свое состояние и поведение (параметр, структуру, алгоритм функционирования) в зависимости от изменения условий внешней среды путем накапливания и использования информации о ней [I] Архитектура Концепция взаимосвязи элементов сложной структуры. Включает компоненты логической, физической и программной структур Высказывание Иерархия
  2. 1.1.2. Специфика маркетинговой деятельности корпорации в информационном обществе
    нейронных сетей, нечетких множеств, эволюционных методов оптимизации, которые позволяют извлекать знания из первичной информации и формировать базу знаний потребностей. Для формирования и автоматического обновления базы знаний потребностей можно использовать следующие интеллектуальные средства: систему правил вида IF- THEN (аналогично экспертным системам) как средство систематизации знания
  3. 1.3.3. Гибридные системы для анализа информации
    нейронных сетей к часто используемым средствам интеллектуального анализа экономических данных относятся системы, использующие вероятностные рассуждения [92, 93], нечеткий логический вывод [67, 72] и методы генетических алгоритмов [3, 47, 95], которые составляют основу мягких вычислений. Перечисленные средства являются основными компонентами гибридных интеллектуальных систем, способными к
  4. Выводы по главе 1
    нейронных сетей, нечетких множеств, эволюционных методов оптимизации. Способ формирования информационного потребления базируется на широкой доступности современных информационных технологий и, прежде всего, средств Интернет. В этой связи корпоративный сайт является точкой доступа к информационным ресурсам Интернет и средством воздействия на потребителя с целью формирования необходимого для
  5. 2.1.1. Принципы построения адаптивного корпоративного сайта
    нейронной и нейро-нечеткой сетей для накопления и автоматической коррекции знаний. Взаимосвязь элементов модели осуществляется посредством методики оптимизации информационной структуры адаптивного сайта, учитывающей как текущее значение рейтинга корпоративного сайта, так и оценки экономической целесообразности инвестиций в модернизацию сайта в процессе принятия
  6. 2.1.2. Модель адаптивного корпоративного сайта
    нейронные сети для решения задачи кластеризации; в процессе кластеризации происходит сравнение входного вектора с векторами весов формальных нейронов-прототипов (ФН-прототииов) и формирование нового кластера (в случае отрицательного результата сравнения), т. е. нового ФН-прототипа с весами, равными координатам входного вектора; нейро-нечеткие классификаторы интересов и механизмов
  7. 2.2. Методика оптимизации адаптивного корпоративного сайта
    нейронную и нейро-нечеткую сети адаптивного классификатора механизмов интернет-маркетинга по векторам интересов. Для исходных массивов экспертных оценок производят расчет показателей эффективности информационной структуры и рейтинга корпоративного сайта, которые исполЕ.зуются в процессе принятия решений. Комплекс показателей также используется методикой оптимизации информационной структуры сайта
  8. Выводы по главе 2
    нейро-нечетких сетей, входящих в состав иерархии адаптивных уровней модели корпоративного сайта. • На нижнем адаптивном уровне модели корпоративного сайта решается задача классификации интересов по совокупности признаков посещения сайта, носящих неполный и не вполне достоверный характер. Нейронные и нейро-нечеткие сети адаптивного уровня на основе опыта экспертов реализуют систему
  9. 3.2. Разработка алгоритма анализа эффективности информационной структуры сайта и поддержки принятия решений
    нейро-нечетких сетей. В процессе адаптации нейро-нечетких сетей (в составе адаптивного уровня обобщения модели корпоративного сайта) на обучающей выборке, соответствующей некоторому подмножеству векторов интересов, производится автоматическая коррекция системы нечетких правил логического вывода, а также экспертных оценок достоверности активации соответствующих страниц или механизмов
  10. Выводы по главе 3
    нейро-нечетких классификаторов) значений экспертных оценок, расчетных показателей (прежде всего, рейтинга сайта) принимается решение о модернизации информационной структуры корпоративного сайта, если подобная модернизация экономически