Мягкие вычисления
Мягкие вычисления — это общий термин, используемый для описания типов алгоритмов , которые создают приближенные решения неразрешимых проблем высокого уровня в информатике. Обычно традиционные алгоритмы жестких вычислений в значительной степени полагаются на конкретные данные и математические модели для поиска решений проблем. Мягкие вычисления были придуманы в конце 20 века. [1] В этот период революционные исследования в трёх областях сильно повлияли на мягкие вычисления. Нечеткая логика — это вычислительная парадигма, которая учитывает неопределенности в данных, используя уровни истинности, а не жесткие 0 и 1 в двоичном формате. Далее идут нейронные сети, которые представляют собой вычислительные модели, на которые влияют функции человеческого мозга. Наконец, эволюционные вычисления — это термин для описания групп алгоритмов, имитирующих естественные процессы, такие как эволюция и естественный отбор.
В контексте искусственного интеллекта и машинного обучения мягкие вычисления предоставляют инструменты для обработки реальных неопределенностей. Его методы дополняют ранее существовавшие методы для лучших решений. Сегодня сочетание с искусственным интеллектом привело к созданию гибридных интеллектуальных систем, объединяющих различные вычислительные алгоритмы. Расширение применения искусственного интеллекта и мягких вычислений приводит к созданию надежных решений. Ключевые моменты включают устранение двусмысленности, гибкое обучение, понимание сложных данных, реальные приложения и этический искусственный интеллект . [2] [3]
История [ править ]
Развитие мягких вычислений относится к концу 20 века. В 1965 году Лотфи Заде представил нечеткую логику, которая заложила математическую основу для мягких вычислений. Между 1960-ми и 1970-ми годами начали появляться эволюционные вычисления — разработка генетических алгоритмов , имитирующих биологические процессы. Эти модели проложили путь моделям, которые начали справляться с неопределенностью. Хотя исследования нейронных сетей начались в 1940-х и 1950-х годах, в 1980-х годах появился новый спрос на исследования. Исследователи потратили время на разработку моделей распознавания образов . Между 1980-ми и 1990-ми годами гибридные интеллектуальные системы объединили нечеткую логику, нейронные сети и эволюционные вычисления, что позволило быстро решать сложные проблемы. С 1990-х годов по сегодняшний день модели играют важную роль и влияют на многие области обработки больших данных , включая инженерию, медицину, социальные науки и финансы. [4] [5]
Вычислительные методы [ править ]
Нечеткая логика [ править ]
Нечеткая логика — это аспект вычислений, который обрабатывает приблизительные рассуждения. Обычно двоичная логика позволяет компьютерам принимать решения по истинным или ложным причинам (0 и 1); однако введение нечеткой логики позволяет системам обрабатывать неизвестные от 0 до 1. [2] [6]
В отличие от классических множеств , которые позволяют членам полностью находиться внутри или снаружи, нечеткие множества допускают частичное членство за счет включения «градации» между множествами. Операции нечеткой логики включают отрицание , соединение и дизъюнкцию , которые обрабатывают членство между наборами данных. [5]
Нечеткие правила — это логические утверждения, которые отображают корреляцию между входными и выходными параметрами. Они устанавливают правила, необходимые для лингвистического отслеживания отношений переменных, и они были бы невозможны без лингвистических переменных . Лингвистические переменные представляют собой значения, которые обычно не поддаются количественному измерению, что допускает неопределенности. [7]
Нейронные сети [ править ]
Нейронные сети — это вычислительные модели, которые пытаются имитировать структуру и функционирование человеческого мозга . В то время как компьютеры обычно используют двоичную логику для решения проблем, нейронные сети пытаются найти решения для сложных проблем, позволяя системам мыслить по-человечески, что важно для мягких вычислений. [8]
Нейронные сети вращаются вокруг перцептронов , которые представляют собой искусственные нейроны, структурированные по слоям. Подобно человеческому мозгу, эти взаимосвязанные узлы обрабатывают информацию, используя сложные математические операции. [9]
Посредством обучения сеть обрабатывает потоки входных и выходных данных и настраивает параметры в соответствии с предоставленной информацией. Нейронные сети помогают сделать программные вычисления чрезвычайно гибкими и способными решать проблемы высокого уровня.
В мягких вычислениях нейронные сети помогают в распознавании образов, прогнозном моделировании и анализе данных. Они также используются в распознавании изображений , обработке естественного языка , распознавании речи и других системах . [3] [10]
Эволюционные вычисления [ править ]
Эволюционные вычисления — это область мягких вычислений, которая использует принципы естественного отбора и эволюции для решения сложных задач. Он способствует обнаружению разнообразных решений в пространстве решений, поощряя почти идеальные решения. Он находит удовлетворительные решения, используя вычислительные модели и типы эволюционных алгоритмов. Эволюционные вычисления состоят из алгоритмов, имитирующих естественный отбор, таких как генетические алгоритмы , генетическое программирование и эволюционное программирование . Эти алгоритмы используют скрещивание , мутацию и отбор . [11]
Кроссовер или рекомбинация обмениваются данными между узлами для диверсификации данных и обработки большего количества результатов. Мутация — это генетический метод, который помогает предотвратить преждевременное принятие неоптимального решения путем диверсификации целого ряда решений. Это помогает найти оптимальные решения в наборах решений, которые помогают общему процессу оптимизации. Отбор — это оператор, который выбирает, какое решение из текущей совокупности подходит достаточно для перехода к следующему этапу. Они побуждают генетическое программирование находить оптимальные решения, обеспечивая выживание только наиболее подходящих решений в наборе.
В мягких вычислениях эволюционные вычисления помогают приложениям интеллектуального анализа данных (с использованием больших наборов данных для поиска закономерностей), робототехники , оптимизации и инженерных методов. [3] [5]
Гибридные интеллектуальные системы [ править ]
Гибридные интеллектуальные системы объединяют сильные стороны компонентов мягких вычислений для создания интегрированных вычислительных моделей. Искусственные методы, такие как нечеткая логика, нейронные сети и эволюционные вычисления, объединяются для эффективного решения проблем. Эти системы улучшают качество принятия решений, устранение неполадок и анализ данных . Гибридные интеллектуальные системы помогают преодолеть ограничения отдельных подходов искусственного интеллекта, повышая производительность, точность и адаптируемость для решения динамических проблем . Он расширяет возможности мягких вычислений в области анализа данных, распознавания образов и систем. [12]
Приложения [ править ]
Благодаря своей динамической универсальности модели мягких вычислений являются ценными инструментами, позволяющими решать сложные реальные проблемы. Они применимы во многих отраслях промышленности и областях исследований:
Мягкие вычисления, нечеткая логика и нейронные сети помогают в распознавании образов, обработке изображений и компьютерном зрении. Его универсальность жизненно важна для обработки естественного языка , поскольку помогает расшифровывать человеческие эмоции и язык. Они также помогают в интеллектуальном анализе данных и прогнозном анализе, получая бесценную информацию из огромных наборов данных. Мягкие вычисления помогают оптимизировать решения в области энергетики, финансовых прогнозов , моделирования экологических и биологических данных и всего, что связано с моделями или требует их. [12] [13]
В области медицины мягкие вычисления совершают революцию в выявлении заболеваний, создавая планы лечения пациентов и модели здравоохранения . [10]
и ограничения Проблемы
Методы мягких вычислений, такие как нейронные сети и нечеткие модели, сложны и могут нуждаться в разъяснениях. Иногда требуются усилия, чтобы понять логику решений алгоритмов нейронных сетей, что затрудняет их принятие пользователем. Кроме того, для подачи в модели обширных наборов данных требуются ценные и дорогостоящие ресурсы, а иногда невозможно приобрести необходимые вычислительные ресурсы. Существуют также существенные аппаратные ограничения, ограничивающие вычислительную мощность. [8]
Более того, алгоритмы мягких вычислений нуждаются в большей поддержке, что делает их менее надежными, чем сложные вычислительные модели. Наконец, существует значительный потенциал предвзятости из-за входных данных, что приводит к этическим дилеммам, если методы применяются в таких областях, как медицина, финансы и здравоохранение.
Ссылки [ править ]
- ^ Заде, Лотфи А. (март 1994 г.). «Нечеткая логика, нейронные сети и мягкие вычисления» . Коммуникации АКМ . 37 (3): 77–84. дои : 10.1145/175247.175255 . ISSN 0001-0782 .
- ↑ Перейти обратно: Перейти обратно: а б Ибрагим, Доган. «Обзор мягких вычислений». Procedia Computer Science 102 (2016): 34–38.
- ↑ Перейти обратно: Перейти обратно: а б с Кецман, Воислав (2001). Обучение и мягкие вычисления: машины опорных векторов, нейронные сети и модели нечеткой логики . МТИ Пресс. ISBN 978-0-262-11255-0 .
- ^ Чатурведи, Девендра К. «Мягкие вычисления». Исследования в области вычислительного интеллекта 103 (2008): 509–612.
- ↑ Перейти обратно: Перейти обратно: а б с Рам, Манджи; Давим, Дж. Пауло (04 мая 2018 г.). Передовые математические методы в инженерных науках . ЦРК Пресс. ISBN 978-1-351-37189-6 .
- ^ «Нечеткая логика | Введение» . Гики для Гиков . 10 апреля 2018 г. Проверено 11 ноября 2023 г.
- ^ Триллас, Энрик и Лука Эсиолаза. «Нечеткая логика». Международное издательство Спрингер. ДОИ 10 (2015): 978-3.
- ↑ Перейти обратно: Перейти обратно: а б Ченг, Ю; Ван, Дуо; Чжоу, Пан; Чжан, Тао (2018). «Сжатие и ускорение моделей для глубоких нейронных сетей: принципы, прогресс и проблемы» . Журнал обработки сигналов IEEE . 35 (1): 126–136. Бибкод : 2018ISPM...35a.126C . дои : 10.1109/MSP.2017.2765695 . Проверено 11 ноября 2023 г.
- ^ «Что такое нейронные сети? | IBM» . www.ibm.com . Проверено 11 ноября 2023 г.
- ↑ Перейти обратно: Перейти обратно: а б Абиодун, Олударе Исаак; Киру, Мухаммад Убале; Джантан, Аман; Омолара, Абиодун Эстер; Дада, Кеми Виктория; Умар, Абубакар Малах; Линус, Окафор Ученва; Аршад, Хумайра; Казауре, Абдуллахи Амину; Гана, Усман (2019). «Комплексный обзор применения искусственных нейронных сетей для распознавания образов» . Доступ IEEE . 7 : 158820–158846. Бибкод : 2019IEEA...7o8820A . дои : 10.1109/ACCESS.2019.2945545 . Проверено 11 ноября 2023 г.
- ^ «Генетические алгоритмы» . Гики для Гиков . 29 июня 2017 г. Проверено 11 ноября 2023 г.
- ↑ Перейти обратно: Перейти обратно: а б Медскер, Ларри Р. (06 декабря 2012 г.). Гибридные интеллектуальные системы . Springer Science & Business Media. ISBN 978-1-4615-2353-6 .
- ^ Доте, Ю.; Оваска, С.Дж. (2001). «Промышленное применение мягких вычислений: обзор» . Труды IEEE . 89 (9): 1243–1265. дои : 10.1109/5.949483 . Проверено 11 ноября 2023 г.