Тема № 5. Интеллектуализация и поддержка принятия решений в геоинформатике. Занятие № 8. Технологии ис-кусственного интеллекта.
Содержание
- 2. Цель занятия: студент должен по-лучить представление о визуализации данных и результатов анализа в ГИС.
- 3. ПЛАН ЛЕКЦИИ Ведение 1. Понятие «искусственный интел-лект». 2. Экспертные системы. 3. Нейронные сети и ГИС. 4.
- 4. 1. Капралов, Е.Г. Основы геоин-форматики. В двух книгах. [Текст] / Е.Г. Капралов, А.В. Кошкарев, В.А. Ти-кунов
- 5. ПЕРЕЧЕНЬ ВОПРОСОВ К ЗАЧЕТУ 1. Технология искусственного ин-теллекта и экспертные системы.
- 6. ВВЕДЕНИЕ ГИС способны не только визуали-зировать данные, но и анализировать их, получая новые знания о явлениях
- 7. 1. Понятие «искусственный интеллект» Искусственный интеллект – много-гранное понятие. Искусственный интеллект - «ки-бернетические системы, моделирую-щие некоторые
- 8. С другой стороны, искусственный интеллект - «способность вычисли-тельной машины моделировать про-цесс мышления за счет выполнения функций,
- 9. Кроме того, искусственный интел-лект - «раздел информатики, изучаю-щий методы, способы и приёмы моделирования и воспроизведения с
- 10. Термин «искусственный интел-лект» был предложен в 1956 г. на се-минаре с аналогичным названием в Стенфордском университете
- 11. За последние 15 лет разработан целый класс методов анализа много-мерных данных, получивших назва-ние «нейросетевые методы». Эти
- 12. Применение таких средств искус-ственного интеллекта (ИИ), как экс-пертные системы и нейронные сети, позволяет решать на компьютерах
- 13. 2. Экспертные системы A. Определение и функция экспертной системы (ЭС) Экспертная система - система искусственного интеллекта,
- 14. ЭС используются для решения так называемых неформализованных за-дач, характеризующихся следующими особенностями: - задачи не могут быть
- 15. - не существует алгоритмического решения задач; - исходные данные неполные, не-точные, неоднозначные, противоречи-вые; - знания о
- 16. B. Базовая структура экспертной системы Основу ЭС составляет база знаний о предметной области, которая накап-ливается в
- 18. При традиционном процедурном программировании вычислительной системе необходимо указать, что и как она должна сделать. Специфика ЭС
- 19. В ЭС, способных самообучаться на основе накопленного опыта, анали-за, контроля и принятия решений в процессе исследования
- 20. В так называемых фреймовых моделях фиксируется жесткая струк-тура информационных единиц, кото-рая называется протофреймом. В общем виде
- 21. Значением слота может что угодно (числа или математические соотноше-ния, тексты на естественном языке или программы, правила
- 22. При конкретизации фрейма ему и слотам присваиваются конкретные имена и происходит заполнение сло-тов. Таким образом, из
- 23. Рассмотрим суть фреймового представления знаний на примере оценки состояния природной среды. Образуем протофрейм: {Состояние природной среды:
- 24. состояние геологической среды (значение слота 3), состояние почвенного покрова (зна-чение слота 4), состояние растительного и живот-ного
- 25. В качестве слота могут использо-ваться сложные структуры, включая иерархию слотов более низкого по-рядка. Так, в слот
- 26. В продукционных моделях, наи-более распространенных в настоящее время, знания представляются в виде правил вида: (i); P;A
- 27. В качестве имени может высту-пать некоторая лексема, отражающая суть данной продукции (например, «размещение завода в пункте
- 28. Основным элементом продукции является ее ядро: A B. Интерпретация ядра продукции может быть различной и зависит
- 29. Элемент Р - условие применимос-ти ядра продукции. Обычнo Р пред-ставляет собой логическое выраже-ние (как правило предикат).
- 30. Элемент N описывает постусло-вия продукции. Они актуализируются только в случае, если ядро продукции реализовалось. Постусловия продук-ции
- 31. При использовании продукцион-ных моделей у систем, основанных на знаниях, имеются возможности: - применения простого и точного
- 32. Программные средства, опериру-ющие со знаниями, представленными правилами, получили название про-дукционных систем (или систем про-дукции) и впервые
- 33. Рассмотрим пример применения «продукции». Допустим, требуется найти место для размещения завода (А) по производству алюминия (объем
- 34. Р3 - производство из бокситов не менее 200 тыс. т глинозема; Р4 - наличие значительных энер-горесурсов;
- 35. «Продукция», описывающая ситу-ацию для пункта (i), такова: (i); P&P6(N > 700), А В,Q, где Р определяет
- 36. Применение «продукции» упроща-ет диалог и объяснение пользовате-лю, почему принято то или иное ре-шение. Важной особенностью экспертных
- 37. Нечеткая логика была введена Л.А. Заде в 60-х годах как способ моделирования неопределенностей естественного языка. Человеческий
- 38. Прагматическая цель Заде – соз-дать аппарат, способный моделиро-вать человеческие рассуждения и объяснять человеческие приемы при-нятия решений
- 39. Идеи Л.А. Заде и его последо-вателей применяются при создании систем, понимающих тексты на ес-тественном языке, планирующих
- 40. Другим важным элементом экс-пертной системы является механизм логических выводов (машина выво-да). В ответ на запрос система
- 41. Процедуру получения выводов путем анализа фреймов, или «продук-ций», называют прямой стратегией. В случае, если человек выдвигает
- 42. Модуль приобретения знаний проверяет непротиворечивость вновь поступающих сведений имевшимся правилам. Достигается это путем проверки семантической непротиво-речивости,
- 43. Модуль советов и объяснений (система объяснений) используется для разъяснения пользователю того, как экспертная система пришла к
- 44. B. Применение экспертных систем. Экспертные системы могут приме-няться для обучения отдельным гео-графическим дисциплинам с исполь-зованием опыта
- 45. Экспертные системы могут ис-пользоваться для оценки возмож-ности экологически безопасного раз-мещения того или иного промышлен-ного производства. При
- 46. Экспертные системы могут быть полезны при мониторинге состояний природной среды и их изменений, для семантического анализа
- 47. Задачей муниципальных и регио-нальных органов управления террито-рией будущего строительства, являет-ся предварительная экологическая экспертиза возможности осуществле-ния строительства
- 48. Для этих целей можно исполь-зовать государственную экологичес-кую экспертизу, однако большие компетентные экспертные группы организуются, как правило,
- 49. Вторым вариантом проведения экологической экспертизы является использование экспертных систем в отсутствии методических разработок и недостаточного уровня
- 50. Примером служит правило: ЕСЛИ: 1) число дней с туманами не более 40 дней в году, 2)
- 51. Знания экспертной системы могут возрастать за счёт видоизменения правил и расширения их числа. В ходе своей
- 52. Проверка гипотезы осуществля-ется путем задания пользователю во-просов об особенностях региона и промышленного объекта (особеннос-ти рельефа, метеорологические
- 53. Вопросы сопровождаются предъ-явлением на экране компьютера поль-зователю списка вариантов ответа. Пользователь выбирает тот или иной ответ
- 54. Пользователь также может попро-сить систему объяснить ему причину постановки того или иного вопроса; в качестве пояснения
- 55. Если важно графическое поясне-ние некоторых вопросов, то пользо-ватель может обратиться к «подсказ-ке» (клавиша HELP). В этом
- 56. В экспертной системе также может быть реализован режим работы, при котором осуществляется проверка гипотезы, заданной самим
- 57. 3. Нейронные сети и ГИС A. Два типа компьютеров Современные компьютеры устро-ены по так называемой схеме
- 58. Основной альтернативой подходу фон Неймана является воспроизведе-ние принципов работы биологических нейронных сетей. Примерно в годы создания
- 59. Некоторое время оба направления развивались независимо, затем пер-септронное направление пережило кризис, и возродилось уже в 80-е
- 60. Сопоставление машины фон Ней-мана и биологической нейронной сети приведено в таблице 1.
- 61. Таблица 1. Сопоставление машины фон Неймана и биологической нейронной сети
- 62. Приведём некоторые характерис-тики мозга человека: кора головного мозга содержит около 1011 нейронов толщиной от 2 до
- 63. Нейроны взаимодействуют пос-редством короткой серии импульсов продолжительностью несколько мил-лисекунд (мс). Сообщение передается посредством частотно-импульсной модуляции.
- 64. Частота может изменяться от нескольких единиц до сотен герц, что в миллион раз медленнее, чем самые
- 65. В. Биологический и технический нейроны Оба типа нейронов реагируют на воздействие со стороны многих ней-ронов в
- 66. В биологических нейронных сетях существует принципиальное внутрен-нее деление: нейронные сети реали-зуют либо рефлекторное поведение, либо мышление.
- 67. Нейрофизиологически рефлектор-ному поведению соответствует отно-сительно короткий всплеск процессов в ответ на внешнее действие с пос-ледующим возвращением
- 68. В технических системах воспроиз-водят в основном рефлекторное пове-дение, хотя возможно, что некоторые нейроалгоритмы, решающие сложные задачи,
- 69. С. Типы технических нейросетей По типу архитектуры технических нейронных сетей можно выделить од-нослойные, многослойные и полно-связные
- 70. Нейронные сети, обучающиеся по образцу, используются для решения задач: классификации образов, аппро-ксимации функций, предсказания, уп-равления, анализа
- 71. D. Области применения нейросетевых ГИС Интегрированные с ГИС нейрон-ные сети позволяют решать широкий класс задач, обеспечивая
- 72. Программы, созданные на основе нейросетевых алгоритмов, способны динамически модифицировать слои электронной карты, изменять харак-теристики существующих объектов,
- 73. Наиболее эффективны такие про-граммы в ситуациях, когда прихо-дится иметь дело с большими масси-вами информации, хранящимися в
- 74. Планирование очередности дейст-вий при развитии территорий и их инвестиционной привлекательности, выявление зон с наиболее напряжен-ной экологической,
- 75. Нейронные сети нашли наиболее широкое применение для анализа данных ДДЗ. Такие методы оказались тем адекватным языком,
- 76. Для классификации используются различные нейросетевые алгоритмы. В нейронной сети с обучением без образца проводится анализ цветных
- 77. Если известно, что выбранному фрагменту снимка соответствует, нап-ример, лесной массив с известной степенью антропогенной нарушеннос-ти, то
- 78. Нейронные сети все чаще исполь-зуются в задаче выявления простран-ственно-однородных участков изобра-жения. Эта задача является очень ак-туальной
- 79. В транспортной отрасли нейрон-ная сеть может помочь при анализе транспортной нагрузки и состояния транспортного полотна, выборе
- 80. Задачей для нейронной сети может стать оперативное принятие решения по оптимизации распределе-ния транспортной нагрузки на автомо-бильные
- 81. Е. Программное обеспечение. На рынке программного обеспе-чения в настоящее время имеется несколько продуктов, которые созда-ны на
- 82. Основным инструментом, реали-зованным в программе, являются ней-ронные сети Кохонена. Возможности пакета тематической обработки раст-ровых изображений в
- 83. - оценка распределения свойств экспертных объектов в признаковом поле модели; - оценка вероятностей присутствия тематических объектов,
- 84. - создание тематически ориентиро-ванных нейронных сетей для после-дующей обработки растра с целью выявления тематических объектов; -
- 85. Модуль Arc-SDM для ArcView - одно из свободно доступных расши-рений ArcView для моделирования в ГИС на
- 87. Скачать презентацию