Диссертация (1174198), страница 4
Текст из файла (страница 4)
Происходит генерация, отбор и селекциявозможных решений (генетических информационных структур с заданнымнабором параметров («хромосом»)). Также помимо случайных измененийгенной структуры происходит и направленная модификация. Позволяютполучать качественно новые, неожиданные результаты решения, которые,полученные кибернетическими методами, часто не допускают наглядныхинтерпретаций, что усложняет жизнь предметным экспертам .2.4.Алгоритмыкомбинацийпростыхограниченногологическихпереборасобытийввычисляютчастотыподгруппахданных.Ограничением служит длина комбинации простых логических событий.
Наосновании анализа вычисленных частот делается заключение о полезноститой или иной комбинации для установления ассоциации в данных, дляклассификации, прогнозирования. Ее недостаток–выдает решение заприемлемое время только для сравнительно небольшой размерности данных.3. Традиционные методы решения оптимизационных задач. Включают всебя вариационные методы, методы исследования операций, включающие всебя различные виды математического программирования (линейное,нелинейное, дискретное, целочисленное), динамическое программирование,22принципмаксимумаПонтрягина,методытеориисистеммассовогообслуживания.4. Экспертные средства.4.1.
метод k-ближайших соседей. Средства, связанные с использованиемопыта эксперта. Для осуществления прогноза на будущее или выбораправильного решения в прошлом находятся близкие аналоги имеющейсяситуации и выбирают тот жеответ, который был для них правильным.Главными их недостатками являются: отсутствие, обобщающих предыдущийопыт (неизвестно, на основе каких конкретно факторов системы строят своиответы), а также произвол, который допускают системы при выборе меры«близости». От этой меры зависит объем множества прецедентов, которыенужно хранить в памяти для достижения удовлетворительной классификацииили прогноза;4.2. деревья решений.
Связан с построением последовательногологического вывода – дерева решений, в каждом узле которого экспертосуществляет простейший логический выбор («да» – «нет»). В зависимостиот принятого выбора, поиск решения продвигается по правой или левойветви дерева и, в концеотвечающейстатистическогоконкретномуобученияконцов, приходит к терминальной ветви,окончательномувыведензарешению.пределыПроцесспрограммыисконцентрирован в виде априорного опыта, заключенного в наборе ветвейрешений;4.3.
предметно-ориентированные системы – системы анализа ситуаций ипрогноза,основанныенафиксированныхматематическихмоделях,отвечающих той или иной теоретической концепции. Роль эксперта состоит ввыборе наиболее адекватной системы и интерпретации полученногоалгоритма. Предельная простота и доступность применения и влечет за собойдостоверность и точность данных систем.234.4.методывизуализацииданных.Нацеленынавизуализациюрезультатов анализа, позволяет наглядно отображать полученные выводы длясоздания у предметных экспертов единой картины ситуации(Л.С.Чеботарева, 2013).Простота и доступность экспертного способа анализа данных, всочетании с проверенным временем опытом экспертов, позволяют отдать емупредпочтение, особенно в ситуациях относительно небольшого объемаисходных данных, что нашло свое отражение в развитии отдельного типаСППВР – экспертных систем (ЭС).По данным Е.А.
Шалфеевой (2015) к типовым задачам, решаемымэкспертнымисистемами,относят:диагностику,проектирование,планирование, извлечение информации из первичных данных (близко кинтерпретации) и структурный анализ сложных объектов. В соответствие сэтим, строится одна из классификаций экспертных систем.Классификация ЭС по связи с реальным временем,выделяетстатические, динамические и квазидинамические системы.Статические экспертные системы разрабатываются в предметныхобластях, в которых база знаний и интерпретируемые данные не меняются вовремени. При этом, типичная статическая ЭС состоит из следующихосновных компонентов: решателя; базы данных; базы знаний); компонентовприобретениязнаний;объяснительногокомпонента;диалоговогокомпонента.Квазидинамические экспертные системы интерпретируют ситуацию,которая меняется с некоторым фиксированным интервалом времени.Динамические экспертные системы работают в сопряжении с датчикамиобъектов в режиме реального времени с непрерывной интерпретациейпоступающих в систему данных (Э.В.
Попов, 1996; Т.А. Гаврилова, В.Ф.Хорошевский, 2001).24Классификация по степени интеграции с другими программами,предполагает наличие автономных и гибридных экспертных систем.Автономные экспертные системы работают непосредственно в режимеконсультаций с пользователем для специфически экспертных задач, длярешения которых не требуется привлекать традиционные методы обработкиданных. Гибридные экспертные системы представляют программныйкомплекс, агрегирующий(например,стандартные пакетыматематическуюстатистику,прикладныхпрограммраспознаваниеобразов,изображений или системы управления базами данных) и средства управлениязнаниями.
Это может быть интеллектуальная надстройка над пакетамиприкладных программ или интегрированная среда для решения сложнойзадачи с элементами экспертных знаний (Т.А. Гаврилова, К.Р. Червинская,1992).1.2. Работа с экспертами. Разработка СППВР.Разработка и использование экспертных систем допустимы, только в техслучаях, когда существует оправданная возможность и методы инженериизнаний соответствуют решаемой задаче (Э.В.
Попов, 1996). Разработка ЭСвозможна, при наличии следующих условий:1) существуют эксперты в данной области, которые решают задачузначительно лучше, чем начинающие специалисты;2) эксперты сходятся в оценке предлагаемого решения, иначе нельзябудет оценить качество разработанной ЭС;3) эксперты способны вербализовать (выразить на естественном языке) иобъяснить используемые ими методы, в противном случае труднорассчитывать на то, что знания экспертов будут "извлечены" и вложены вЭС;4) решение задачи требует только рассуждений, а не действий;5) задача не должна быть слишком трудной (т.е. ее решение должно25занимать у эксперта несколько часов или дней, а не недель);6) задача хотя и не должна быть выражена в формальном виде, но все жедолжна относиться к достаточно «понятной» и структурированной области,т.е.
должны быть выделены основные понятия, отношения и известные (хотябы эксперту) способы получения решения задачи;7) решение задачи не должно в значительной степени использовать«здравый смысл» (т.е. широкий спектр общих сведений о мире и о способеего функционирования, которые знает и умеет использовать любойнормальный человек), так как подобные знания пока не удается (вдостаточном количестве) вложить в системы искусственного интеллекта(А.С. Скудных с соавт., 2016).Методы экспертных систем могут быть применены, если решаемаязадача обладает совокупностью следующих характеристик:1)задача может быть естественным образом решена посредствомманипуляции с символами (т.е. с помощью символических рассуждений), ане манипуляций с числами, как принято в математических методах и втрадиционном программировании;2) задача должна иметь эвристическую, а не алгоритмическую природу,т.е.
ее решение должно требовать применения эвристических правил. Задачи,которые могут быть гарантированно решены (с соблюдением заданныхограничений) с помощью некоторых формальных процедур, не подходят дляприменения ЭС;3) задача должна быть достаточно сложна, чтобы оправдать затраты наразработку ЭС.
Однако она не должна быть чрезмерно сложной (решениезанимает у эксперта часы, а не недели), чтобы ЭС могла ее решать;4) задача должна быть достаточно узкой, чтобы решаться методами ЭС, ипрактически значимой (Г. И. Назаренко, Е.И. Полубенцева, 2000; S.A. MayerOakes, С. Barnes, 1997).Для создания и разработки ЭС привлекаются следующие специалисты:26•эксперт в проблемной области, задачи которой будет решать ЭС;•инженер по знаниям - специалист по разработке ЭС•программист по разработке инструментальных средств (ИС),Экспертопределяетзнания(данныеиправила),характеризующиепроблемную область, обеспечивает полноту и правильность введенных в ЭСзнаний (Г.И. Назаренко, Е.И.
Полубенцева, 2003).Инженер по знаниям помогает эксперту выявить и структурироватьзнания, необходимые для работы ЭС; осуществляет выбор того ИС, котороенаиболее подходит для данной проблемной области, и определяет способпредставлениязнанийвэтомИС;выделяетипрограммирует(традиционными средствами) стандартные функции (типичные для даннойпроблемной области), которые будут использоваться в правилах, вводимыхэкспертом.Программист разрабатывает ИС (если ИС разрабатывается заново),содержащее в пределе все основные компоненты ЭС, и осуществляет егосопряжение с той средой, в которой оно будет использовано.В ходе работ по созданию ЭС сложилась определенная технология ихразработки, включающая шесть основных этапов:1.идентификацию;2.концептуализацию;3.формализацию;4.выполнение;5.тестирование;6.опытную эксплуатацию (А.С.
Скудных с соавт., 2016)С этих позиций, немаловажной является проблема выделения явныхзнаний в исследуемой области, базирующихся на принципах доказательноймедицины и математической статистики, с последующим присвоением имопределенного весового значения.27В то же время, недостаточна реализация принципов формальной логики,когдавескритерияопределяетсятолькоисходяизрезультатовстатистической обработки материала. Экспертные знания - это неявныезнания и навыки эксперта, которые должны быть извлечены и преобразованыв явные, с тем, чтобы их можно было представить в информационнойсистеме (Дж.
Джарратано с соавт., 2006). Следовательно, экспертное мнениев исследуемой области не может быть игнорировано при создании СППВР вданной области. Таким образом, решение должно объединять принципыматематической статистики и экспертное мнение.1.3. СППВР в медицине.В клинической медицине СППВР стали создаваться в 70-е годы с цельюподдержки решений врачом в сложных диагностических ситуациях, вразработке плана обследования, в подборе препаратов (Shortliffe EH. 1976).Так,однаизпервыхинформационныхсистемMYCINоказывалаконсультативную помощь при назначении препаратов антибактериальногоряда (Shortliffe EH. 1976). Одной из наиболее интересных и совершенныхсистем в 80 годы была система INTERNIST – 1 для диагностики идифференциальной диагностики заболеваний внутренних органов (Miller RA,1982). Основные структурные элементы этой системы включали базу данныхклиническихнаблюдений,индивидуальныйпрофильболезни,специфичность и частоту каждого клинического или лабораторногосимптома.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
