✖


Jump to content

Развивающаяся интеллектуальная система

Add links

В информатике развивающаяся интеллектуальная система — это система нечеткой логики , которая улучшает собственную производительность за счет развития правил. [1] Этот метод известен из машинного обучения, при котором внешние шаблоны изучаются с помощью алгоритма. Машинное обучение на основе нечеткой логики работает с нейро-нечеткими системами. [2]

Интеллектуальные системы должны иметь возможность постоянно развиваться , саморазвиваться и самообучаться, чтобы отражать динамично развивающуюся среду. Концепция развивающихся интеллектуальных систем (EIS) была задумана на рубеже веков. [3] [4] [5] [6] [7] [8] [9] с самой фразой EIS, впервые придуманной Ангеловым и Касабовым в информационном бюллетене IEEE 2006 года. [8] и расширен в тексте 2010 года. [9] EIS развивают свою структуру, функциональность и внутреннее представление знаний посредством автономного обучения на основе потоков данных, генерируемых возможно неизвестной средой, и на основе самоконтроля системы. [10] EIS учитывают постепенное развитие базовой (нечеткой или нейро-нечеткой) структуры системы и отличаются от эволюционных и генетических алгоритмов , которые учитывают такие явления, как скрещивание хромосом, мутация, отбор и размножение , родители и потомки. Эволюционные нечеткие и нервные системы иногда также называют «развивающимися». [11] [12] [13] что приводит к некоторой путанице. Это было более характерно для первых работ на эту тему в конце 1990-х годов.

Реализации

[ редактировать ]

EIS можно реализовать, например, с использованием нейронных сетей или нечетких моделей, основанных на правилах. Были опубликованы первые нейронные сети, учитывающие развивающуюся структуру. [14] [15] [16] [17] [18] Позже они были расширены Н. Касабовым. [5] and P. Angelov [3] [4] [6] [19] для нейро-нечетких моделей. П. Ангелов [3] [4] [6] [7] представил развивающиеся нечеткие системы, основанные на правилах (EFS), как первую математическую самообучающуюся модель, которая может динамически развивать свою внутреннюю структуру и интерпретируемую человеком, и придумал фразу EFS. В то же время автономный поэтапный подход к обучению EIS, а именно EFuNN, был предложен Н. Касабовым. [20] [21] П. Ангелов, Д. Филев, Н. Касабов и О. Кордон организовали первый симпозиум IEEE по EFS в 2006 г. (с материалами конференции можно ознакомиться в [22] ). EFS включают в себя формальный (и математически обоснованный) механизм обучения для извлечения данных из потоковых данных. Одно из первых и наиболее широко цитируемых комплексных исследований EFS было проведено в 2008 году. [23] Более поздние комплексные исследования методов EFS с реальным применением были проведены в 2011 году. [24] и 2016 год [25] Э. Люгхофер.

Другие работы, которые в последующие годы внесли дальнейший вклад в эту область, расширили ее до развития совместного обучения. [26] развивающаяся грамматика, [27] развивающиеся деревья решений, [28] развивающееся моделирование человеческого поведения, [29] самокалибровающиеся (развивающиеся) датчики (eSensors), [30] развитие нечетких классификаторов на основе правил, [31] [32] [33] [34] [35] развивающиеся нечеткие контроллеры, [36] [37] автономные детекторы неисправностей. [38] В последнее время стабильность развивающихся нечетких систем, основанных на правилах, которые состоят из структурного обучения и нечетко взвешенного рекурсивного метода наименьших квадратов [7] Метод обновления параметров был проверен Ронгом. [39] Обобщенная EFS, которая позволяет произвольно вращать правила в пространстве признаков и, таким образом, улучшать представимость их данных, была предложена в [40] со значительным расширением в [41] к «умности» баз правил (таким образом, называемой «Обобщенным интеллектуальным EFS»), что обеспечивает большую интерпретируемость и уменьшает проклятие размерности. Обобщенная структура правил также успешно использовалась в контексте развития нейронечетких систем. Некоторые аспекты и проблемы достижения более прозрачных и понятных баз правил в EFS обсуждались Э. Люгхофером. [42]

EIS составляют теоретическую и методологическую основу для автономных обучающихся машин (ALMA). [43] и автономные многомодельные системы (АЛММо) [44] а также автономных систем обучения. [10] Развитие классификаторов на основе нечетких правил, [31] [32] [33] [34] [35] в частности, это очень мощная новая концепция, которая предлагает гораздо больше, чем просто инкрементальные или онлайн-классификаторы – она может справиться с добавлением новых классов или объединением существующих классов. Это гораздо больше, чем просто адаптация к добавляемым новым образцам данных или развитию поверхностей классификации. Классификаторы на основе нечетких правил [34] являются методологической основой нового подхода к глубокому обучению, которое до сих пор рассматривалось как форма многослойных нейронных сетей. [45] Глубокое обучение предлагает высокий уровень точности, превосходящий уровень человеческих способностей, и захватило воображение исследователей, промышленности и широкой общественности. Однако он имеет ряд внутренних ограничений и ограничений. К ним относятся:

  1. «Черный ящик», непрозрачная внутренняя структура, имеющая миллионы параметров и требующая специальных решений относительно количества слоев и параметров алгоритма.
  2. Требование огромного количества выборок обучающих данных, вычислительных ресурсов (обычно требующих графических процессоров и/или HPC) и времени (обычно требующих многих часов обучения).
  3. Итеративный поиск.
  4. Требует переподготовки к новым ситуациям (не развивается).
  5. Не имеет доказанной сходимости и стабильности.

Большинства, если не всех, из вышеперечисленных ограничений можно избежать с помощью глубоких (нечетких) классификаторов, основанных на правилах. [46] [47] которые были недавно представлены на базе ALMMo, при этом достигая аналогичных или даже лучших показателей. Получающиеся в результате модели IF...THEN... на основе прототипов полностью интерпретируются и динамически развиваются (они могут быстро и автоматически адаптироваться к новым шаблонам данных или даже новым классам). Они непараметрические, и, следовательно, их обучение является неитеративным и быстрым (это может занять несколько миллисекунд на образец данных/изображение на обычном ноутбуке, что контрастирует с несколькими часами, которые современные методы глубокого обучения требуют для обучения, даже если они используют графические процессоры и HPC). Более того, их можно обучать постепенно, онлайн или в режиме реального времени. Другой аспект развития классификаторов на основе нечетких правил был предложен в: [48] что в случае проблем с многоклассовой классификацией позволяет уменьшить дисбаланс классов за счет каскадности в подпространства классов, а также повысить гибкость и производительность для добавления новых классов «на лету» из потоковых выборок. [49]

Ссылки

[ редактировать ]
  1. ^ Никола К. Касабов (23 августа 2007 г.). Развивающиеся коннекционистские системы: подход инженерии знаний . Springer Science & Business Media. п. 9. ISBN  978-1-84628-347-5 .
  2. ^ Пламен П. Ангелов; Сяовэй Гу (17 октября 2018 г.). Эмпирический подход к машинному обучению . Спрингер. стр. 51–. ISBN  978-3-030-02384-3 .
  3. ^ Перейти обратно: а б с П. Ангелов и Р. Басвелл, « Развитие моделей, основанных на правилах: инструмент для интеллектуальной адаптации », на всемирном конгрессе IFSA и 20-й международной конференции NAFIPS, 2001 г., стр. 1062–1067.
  4. ^ Перейти обратно: а б с П. П. Ангелов, Развивающиеся модели, основанные на правилах: инструмент проектирования гибких адаптивных систем . Шпрингер Берлин Гейдельберг, 2002.
  5. ^ Перейти обратно: а б Н.К. Касабов и К. Сонг, « DENFIS: Динамически развивающаяся нейронно-нечеткая система вывода и ее применение для прогнозирования временных рядов », IEEE Trans. Нечеткая система., вып. 10, нет. 2, стр. 144–154, 2002.
  6. ^ Перейти обратно: а б с Ангелов П., Филев Д., « Онлайн-проектирование моделей Такаги-Сугено ». В: Билгич Т., Де Баец Б., Кайнак О. (ред.) Нечеткие множества и системы — IFSA 2003. IFSA 2003. Конспекты лекций по информатике (Конспекты лекций по искусственному интеллекту), том 2715. Springer, Berlin, Heidelberg.
  7. ^ Перейти обратно: а б с Ангелов П. П., Филев Д. П. Подход к онлайн-идентификации нечетких моделей Такаги-Сугено // IEEE Trans. Сист. Мужик, Киберн. - Часть Б Киберн., вып. 34, нет. 1, стр. 484–498, 2004.
  8. ^ Перейти обратно: а б П. Ангелов, Н. Касабов, eIS: Развивающиеся интеллектуальные системы , 2006, В: IEEE SMC eNewsLetter, Vol. 15, 2006, с. 1-13.
  9. ^ Перейти обратно: а б П. Ангелов, Д. Филев, Н. Касабов, Развивающиеся интеллектуальные системы: методология и приложения , Wiley-IEEE Press, 2010.
  10. ^ Перейти обратно: а б Ангелов П. А. «Автономные обучающиеся системы: от потоков данных к знаниям в реальном времени» . Джон Вили и сыновья, ООО, 2012 г.
  11. ^ Б. Карс, Т. К. Фогарти и А. Манро, « Развитие контроллеров на основе нечетких правил с использованием генетических алгоритмов ». Нечеткие множества и системы, 80 (3), стр. 273–293, 1996.
  12. ^ Н. Касабов, « Развитие нечетких нейронных сетей — алгоритмы, приложения и биологическая мотивация », в «Методологиях концепции, проектирования и применения мягких вычислений», World Scientific, стр. 271–274, 1998.
  13. ^ П. П. Ангелов, « Развитие нечетких моделей, основанных на правилах », Proc. 8-й Всемирный конгресс IFSA, Тайвань, том 1, стр. 19–23, 1999 г.
  14. ^ Т. Мартинец и К. Шультен. «Сеть «нейронного газа» изучает топологии» Искусственные нейронные сети. Эльзевир. стр. 397–402, 1991.
  15. ^ Б. Фрицке, « Растущая сеть нейронных газов изучает топологии ». Достижения в области нейронных систем обработки информации. 1995.
  16. ^ CF Juang и CT Lin, « Самоконструирующаяся онлайн-сеть нейронного нечеткого вывода и ее приложения ». в транзакциях IEEE на нечетких системах, том 6, вып. 1, стр. 12-32, 1998.
  17. ^ С. Ву и М.Дж. Эр, « Динамические нечеткие нейронные сети — новый подход к аппроксимации функций ». в «Транзакциях IEEE по системам, человеку и кибернетике», часть B (кибернетика), том. 30, нет. 2, стр. 358–364, 2000.
  18. ^ С. Ву, М. Дж. Эр и Ю. Гао, « Быстрый подход к автоматической генерации нечетких правил с помощью обобщенных динамических нечетких нейронных сетей ». в IEEE Transactions on Fuzzy Systems, vol. 9, нет. 4, стр. 578–594, 2001.
  19. ↑ П. П. Ангелов, Д. П. Филев, « Гибкие модели с развивающейся структурой ». в: Учеб. Первый международный симпозиум IEEE «Интеллектуальные системы», т. II, стр. 28-33, IEEE Press, ISBN   0-7803-7134-8 /02, 2002 г.
  20. ^ Н. Касабов, « Развитие нечетких нейронных сетей-алгоритмов, приложений и биологической мотивации ». в «Методологиях концепции, проектирования и применения мягких вычислений», World Scientific, стр. 271–274, 1998 г.
  21. ^ Н. Касабов, « Развитие нечетких нейронных сетей для контролируемого/неконтролируемого онлайн-обучения, основанного на знаниях ». в «Транзакциях IEEE по системам, человеку и кибернетике», часть B (кибернетика), том. 31, №6, стр. 902-918, 2001.
  22. ^ Материалы Международного симпозиума по развитию нечетких систем 2006 г. , ISBN   0-7803-9718-5 , номер по каталогу IEEE 06EX1440.
  23. ^ П. П. Ангелов, « Эволюционирующие нечеткие системы », http://www.scholarpedia.org/article/Evolving_fuzzy_systems , 2008.
  24. ^ Э. Люгхофер, Развитие нечетких систем: методологии, передовые концепции и приложения . Исследования в области нечетких и мягких вычислений, Springer, 2011.
  25. ^ Э. Люгхофер, Развивающиеся нечеткие системы --- Основы, надежность, интерпретируемость и удобство использования . Справочник по вычислительному интеллекту, редактор. П. П. Ангелов, World Scientific, стр. 67-135, 2016.
  26. ^ Э. Лима, Ф. Гомид и Р. Баллини, « Совместное развивающееся нечеткое моделирование », на Международном симпозиуме IEEE по развитию нечетких систем, 2006, стр. 36-41.
  27. ^ Н. М. Шареф, Т. Мартин и Ю. Шен, « Упорядоченный инкрементально развивающийся обучающийся фрагмент нечеткой грамматики », на Международной конференции IEEE по проектированию и приложениям интеллектуальных систем, 2009, стр. 1221–1226.
  28. ^ А. Шейкер, Р. Сенге и Э. Хюллермейер, « Развитие нечетких деревьев шаблонов для двоичной классификации потоков данных », Inf. наук. (Нью-Йорк)., вып. 220, стр. 34–45, 2013.
  29. ^ Дж. А. Иглесиас, П. Ангелов, А. Ледезма и А. Санчис, « Автоматическое создание развивающихся профилей поведения пользователей », в IEEE Transactions on Knowledge and Data Engineering, vol. 24, нет. 5, стр. 854-867, 2012.
  30. ^ П. Ангелов и А. Кордон, « Адаптивные логические датчики, основанные на развивающихся нечетких моделях », в IEEE Transactions on Systems, Man и Cybernetics, Part B (Cybernetics), vol. 40, нет. 2, стр. 529–539, 2010.
  31. ^ Перейти обратно: а б К. Ксидеас, П. Ангелов, С. Чиао и М. Реуллас, « Достижения в классификации сигналов ЭЭГ с помощью развития нечетких классификаторов и зависимых множественных HMM ». в «Компьютерах в биологии и медицине», том. 3, № 10, стр. 1064-1083, 2006.
  32. ^ Перейти обратно: а б П. Ангелов, К. Чжоу и Ф. Клавонн, « Развитие классификаторов на основе нечетких правил », на симпозиуме IEEE по вычислительному интеллекту в обработке изображений и сигналов, 2007 г., стр. 220–225.
  33. ^ Перейти обратно: а б П. Ангелов, Э. Лугхофер и К. Чжоу « Развитие нечетких классификаторов с использованием различных архитектур моделей », в журнале «Нечеткие множества и системы», том. 159, нет. 23, стр. 3160-3182, 2008.
  34. ^ Перейти обратно: а б с П. П. Ангелов и X. Чжоу, « Развитие классификаторов, основанных на нечетких правилах, на основе потоков данных », в журнале IEEE Transactions on Fuzzy Systems, vol. 16, нет. 6, стр. 1462–1475, 2008.
  35. ^ Перейти обратно: а б П. Ангелов, X. Чжоу, Д. Филев и Э. Люгхофер, « Архитектуры для развития нечетких классификаторов, основанных на правилах », на Международной конференции IEEE по системам, человеку и кибернетике, 2007, стр. 2050-2055.
  36. ^ Д. Довжан, В. Логар и И. Шкрянц, « Реализация развивающейся нечеткой модели (eFuMo) в системе мониторинга процесса очистки сточных вод », в IEEE Transactions on Fuzzy Systems, vol. 23, нет. 5, стр. 1761-1776, 2015.
  37. ^ П. Ангелов, И. Шкрянц и С. Блажич, « Надежный развивающийся облачный контроллер для гидравлической установки », на конференции IEEE по развивающимся и адаптивным интеллектуальным системам (EAIS), Сингапур, 2013, стр. 1-8.
  38. ^ BSJ Costa, PP Angelov и LA Guedes, « Обнаружение неисправностей в реальном времени с использованием рекурсивной оценки плотности » J Control Autom Electr Syst, vol. 25, нет. 4, стр. 428–437, 2014.
  39. ^ Х. Ронг, П. Ангелов, С. Гу и Дж. Бай, « Стабильность развивающихся нечетких систем на основе облаков данных, транзакции IEEE в нечетких системах » DOI: 10.1109/TFUZZ.2018.2793258, 2018.
  40. ^ А. Лемос, В. Каминьяс и Ф. Гомид, « Многомерная гауссовская развивающаяся система нечеткого моделирования, транзакции IEEE в нечетких системах », том. 19 (1), стр. 91–104, 2011.
  41. ^ Э. Люгхофер, К. Чернуда, С. Киндерманн и М. Пратама, « Обобщенные интеллектуальные развивающиеся нечеткие системы, развивающиеся системы », том. 6 (4), стр. 269–292, 2015.
  42. ^ Э. Люгхофер, « Онлайн-гарантия критериев интерпретируемости в развивающихся нечетких системах --- Достижения, новые концепции и открытые проблемы» , Информационные науки, том 251, стр. 22-46, 2013.
  43. ^ П. П. Ангелов, «Автономное машинное обучение (ALMA): генерация правил из потоков данных» на Специальной международной конференции по сложным системам, 2011, стр. 249-256.
  44. ^ П. П. Ангелов, X Гу, Дж. Принсипи, « Автономное обучение многомодельных систем на основе потоков данных », в IEEE Transactions on Fuzzy Systems, DOI: 10.1109/TFUZZ.2017.2769039, 2017.
  45. ^ И. Гудфеллоу, Ю. Бенджио и А. Курвиль, Глубокое обучение . Крамбридж, Массачусетс: MIT Press, 2016.
  46. ^ П. Ангелов, X. Гу, « MICE: ансамбль классификаторов многоуровневых многомодельных изображений », на Международной конференции IEEE по кибернетике (CYBCONF), 2017, стр. 1-8.
  47. ^ П. Ангелов, X. Гу, « Каскад глубокого обучения, классификатор изображений на основе нечетких правил и SVM », на Международной конференции IEEE по системам, человеку и кибернетике (SMC2017), 2017, стр. 746-751.
  48. ^ Э. Люгхофер, О. Бухтала, « Надежные развивающиеся нечеткие классификаторы для всех пар », в IEEE Transactions on Fuzzy Systems, vol. 21 (4), стр. 625–641, 2013.
  49. ^ Э. Люгхофер, Э. Вейгль, В. Хайдль, К. Эйтцингер и Т. Радауэр, « Интеграция новых классов на лету в развитии конструкций нечетких классификаторов и ее применение в визуальном контроле », в журнале Applied Soft Computing, vol. 35, стр. 558-582, 2015 г.
Retrieved from "https://en.wikipedia.org/w/index.php?title=Evolving_intelligent_system&oldid=1237708056"
Arc.Ask3.Ru: конец переведенного документа.
Arc.Ask3.Ru
Номер скриншота №: ece3885931e5ba9fddfb2013f9abd89b__1722386100
URL1:https://arc.ask3.ru/arc/aa/ec/9b/ece3885931e5ba9fddfb2013f9abd89b.html
Заголовок, (Title) документа по адресу, URL1:
Evolving intelligent system - Wikipedia
Данный printscreen веб страницы (снимок веб страницы, скриншот веб страницы), визуально-программная копия документа расположенного по адресу URL1 и сохраненная в файл, имеет: квалифицированную, усовершенствованную (подтверждены: метки времени, валидность сертификата), открепленную ЭЦП (приложена к данному файлу), что может быть использовано для подтверждения содержания и факта существования документа в этот момент времени. Права на данный скриншот принадлежат администрации Ask3.ru, использование в качестве доказательства только с письменного разрешения правообладателя скриншота. Администрация Ask3.ru не несет ответственности за информацию размещенную на данном скриншоте. Права на прочие зарегистрированные элементы любого права, изображенные на снимках принадлежат их владельцам. Качество перевода предоставляется как есть. Любые претензии, иски не могут быть предъявлены. Если вы не согласны с любым пунктом перечисленным выше, вы не можете использовать данный сайт и информация размещенную на нем (сайте/странице), немедленно покиньте данный сайт. В случае нарушения любого пункта перечисленного выше, штраф 55! (Пятьдесят пять факториал, Денежную единицу (имеющую самостоятельную стоимость) можете выбрать самостоятельно, выплаичвается товарами в течение 7 дней с момента нарушения.)