OBLICZENIA OBLICZENIA INTELIGENTNEINTELIGENTNE · Inteligencja werbalna – zdolność...
Transcript of OBLICZENIA OBLICZENIA INTELIGENTNEINTELIGENTNE · Inteligencja werbalna – zdolność...
OBLICZENIA OBLICZENIA INTELIGENTNEINTELIGENTNE
PODSTAWY I ZASTOSOWANIAPODSTAWY I ZASTOSOWANIA
JJ óó z e fz e f K o r b i c zK o r b i c zJJ óó z e fz e f K o r b i c zK o r b i c z
U N I W E R S Y T E T Z I E L O N O G Ó R S K IU N I W E R S Y T E T Z I E L O N O G Ó R S K II n sI n s t y t u tt y t u t S t e r o w a n i a i S y s t e m ó w S t e r o w a n i a i S y s t e m ó w I n f o r m a t y c z n y c hI n f o r m a t y c z n y c h
w w w. i s s i . u z . z g o r a . p lw w w. i s s i . u z . z g o r a . p l
J ó z e f K o r b i c z J ó z e f K o r b i c z P o l i t e c h n i k a O p o l s k aP o l i t e c h n i k a O p o l s k a3 1 m a r c a 2 0 1 43 1 m a r c a 2 0 1 4
PLAN PREZENTACJIPLAN PREZENTACJI
� Wprowadzenie
� Sztuczne sieci neuronowe
� Systemy rozmyte� Systemy rozmyte
� Algorytmy ewolucyjne
� Systemy ekspertowe
� Wnioski
� Zakończenie – Co czytać?
J ó z e f K o r b i c z J ó z e f K o r b i c z P o l i t e c h n i k a O p o l s k aP o l i t e c h n i k a O p o l s k a22 3 1 m a r c a 2 0 1 43 1 m a r c a 2 0 1 4
WPROWADZENIEWPROWADZENIE
J ó z e f K o r b i c z J ó z e f K o r b i c z P o l i t e c h n i k a O p o l s k aP o l i t e c h n i k a O p o l s k a33 3 1 m a r c a 2 0 1 43 1 m a r c a 2 0 1 4
WPROWADZENIEWPROWADZENIE::INTELIGENCJAINTELIGENCJA
Inteligencja – rozumiana jako sprawność umysłowa ma wiele odcieni znaczeniowych i
co za tym idzie ma wiele różnych definicji:
� Inteligencja to ogólna zdolność adaptacji do nowych warunków i wykonywania � Inteligencja to ogólna zdolność adaptacji do nowych warunków i wykonywania nowych zadań przez wykorzystanie środków myślenia
� Inteligencja to zdolność uczenia się
� Inteligencja to zespół zdolności umysłowych umożliwiających jednostce sprawne korzystanie z nabytej wiedzy oraz skuteczne zachowanie się wobec nowych zadań i sytuacji
� Inteligencja to zdolność do aktywnego przetwarzania informacji w celu lepszego przystosowywania się do zmiennego środowiska
J ó z e f K o r b i c z J ó z e f K o r b i c z P o l i t e c h n i k a O p o l s k aP o l i t e c h n i k a O p o l s k a44 3 1 m a r c a 2 0 1 43 1 m a r c a 2 0 1 4
WPROWADZENIEWPROWADZENIE: : RODZAJE INTELIGENCJIRODZAJE INTELIGENCJI
� Inteligencja kognitywna (lub kognitywistyczna) to najogólniej zdolność do myślenia skutecznego w szczególności w sytuacjach nieprzewidywanych i niepewnych
� Inteligencja werbalna – zdolność formułowania wypowiedzi
� Inteligencja emocjonalna – kompetencje osobiste człowieka w rozumieniu, zdolności rozpoznawania stanów emocjonalnych własnych oraz innych osób
� Inteligencja społeczna – zdolność społecznego przystosowania i wywierania wpływu na środowisko, sztuka nawiązywania pozytywnych, obustronnie satysfakcjonujących relacji interpersonalnych w codziennych kontaktach
J ó z e f K o r b i c z J ó z e f K o r b i c z P o l i t e c h n i k a O p o l s k aP o l i t e c h n i k a O p o l s k a55 3 1 m a r c a 2 0 1 43 1 m a r c a 2 0 1 4
WPROWADZENIEWPROWADZENIE: : SZTUCZNA INTELIGENCJA... O CZYM TO JEST?SZTUCZNA INTELIGENCJA... O CZYM TO JEST?
� Kierunek poznawczy AI
Próba zrozumienia istoty inteligencji poprzez badanie własności maszyn inteligentnych
� Kierunek techniczny AI
Budowa bytów (maszyn) posiadających cechy świadczące o ich inteligencji
J ó z e f K o r b i c z J ó z e f K o r b i c z P o l i t e c h n i k a O p o l s k aP o l i t e c h n i k a O p o l s k a66 3 1 m a r c a 2 0 1 43 1 m a r c a 2 0 1 4
WPROWADZENIE: WPROWADZENIE: SZTUCZNA INTELIGENCJASZTUCZNA INTELIGENCJA
((ARTIFICIALARTIFICIAL INTELLIGENCEINTELLIGENCE, AI, AI))
� Dziedzina wiedzy zajmująca sie poznaniem istoty inteligencji oraz próbą jej implementacji
Główne zadanie sztucznej inteligencji: budowa urządzeń inteligentnych� Główne zadanie sztucznej inteligencji: budowa urządzeń inteligentnych
� Sztuczna inteligencja łączy różne dziedziny nauki i techniki: matematykę, informatykę, ekonomię, neurobiologię, teorię sterowania i cybernetykę, lingwistykę, filozofię, psychologię i inne...
� Sztuczna inteligencja jest dziedziną nie do końca sformalizowaną: istotną rolę odgrywa w niej heureza
J ó z e f K o r b i c z J ó z e f K o r b i c z P o l i t e c h n i k a O p o l s k aP o l i t e c h n i k a O p o l s k a77 3 1 m a r c a 2 0 1 43 1 m a r c a 2 0 1 4
WPROWADZENIE: WPROWADZENIE: SZTUCZNA INTELIGENCJASZTUCZNA INTELIGENCJA
� Sztuczna inteligencja – dział informatyki, którego przedmiotem jest badanie reguł rządzących inteligentnymi zachowaniami człowieka, tworzenie modeli formalnych tych zachowań i – w rezultacie – programów komputerowych symulujących te zachowaniazachowania
� Sztuczna inteligencja – dwa podstawowe znaczenia:
� hipotetyczna inteligencja realizowana w procesie inżynieryjnym, a nie naturalnym
� nazwa technologii i dziedzina badań naukowych informatyki na styku z neurologią, psychologią i ostatnio kognitywistyką oraz także systemiką, a nawet z współczesną filozofią
J ó z e f K o r b i c z J ó z e f K o r b i c z P o l i t e c h n i k a O p o l s k aP o l i t e c h n i k a O p o l s k a88 3 1 m a r c a 2 0 1 43 1 m a r c a 2 0 1 4
WPROWADZENIE: WPROWADZENIE: „SŁABA” SZTUCZNA INTELIGENCJA„SŁABA” SZTUCZNA INTELIGENCJA
Słaba sztuczna inteligencja – budowa systemów wspomagających człowieka w
trudnych zadaniach w wielu dziedzinach:
� przemysłu, budownictwa, projektowania, w rolnictwie, ochronie środowiska
� usługach komercyjnych – ekonomia, bankowość i finanse
� techniki informacyjne, w medycynie, edukacji
� badaniach naukowych, badaniach kosmosu, w technice wojskowej
i innych
J ó z e f K o r b i c z J ó z e f K o r b i c z P o l i t e c h n i k a O p o l s k aP o l i t e c h n i k a O p o l s k a99 3 1 m a r c a 2 0 1 43 1 m a r c a 2 0 1 4
WPROWADZENIE: WPROWADZENIE: „SILNA” SZTUCZNA INTELIGENCJA„SILNA” SZTUCZNA INTELIGENCJA
Silna sztuczna inteligencja – możliwość zbudowania systemu rzeczywiście
inteligentnego, zdolnego inteligentnego, zdolnego
� komunikować się z ludźmi bezpośrednio w języku naturalnym
� rozumieć różne niuanse i subtelności
� przyjmować polecenia i planować ich samodzielną realizację
� do racjonalnego myślenia w warunkach pełnej złożoności naszego świata
J ó z e f K o r b i c z J ó z e f K o r b i c z P o l i t e c h n i k a O p o l s k aP o l i t e c h n i k a O p o l s k a1 01 0 3 1 m a r c a 2 0 1 43 1 m a r c a 2 0 1 4
WPROWADZENIE: WPROWADZENIE: JAK ROZPOZNAĆ SZTUCZNĄ INTELIGENCJĘ?JAK ROZPOZNAĆ SZTUCZNĄ INTELIGENCJĘ?
� 1950: artykuł Alana Turinga Computing machinery and intelligence, opis tzw. Testu Turinga http://www.abelard.org/turpap/turpap.htm
� 1990: Nagroda Loebnera – nagroda główna $100 000 oraz złoty medal dla pierwszego komputera którego odpowiedzi będą nierozróżnialne od odpowiedzi człowieka
J ó z e f K o r b i c z J ó z e f K o r b i c z P o l i t e c h n i k a O p o l s k aP o l i t e c h n i k a O p o l s k a1 11 1 3 1 m a r c a 2 0 1 43 1 m a r c a 2 0 1 4
WPROWADZENIE: WPROWADZENIE: TEST TURINGATEST TURINGA
� Należy skonstruować system zamknięty w odizolowanym pomieszczeniu i połączony z niezależnym obserwatorem terminalem komunikacyjnym (typu teletype)
� Operator może komunikować się z systemem w języku naturalnym, zadawać � Operator może komunikować się z systemem w języku naturalnym, zadawać pytania, itp.
� Jednocześnie drugi terminal łączy operatora z drugim pomieszczeniem, gdzie przy terminalu siedzi człowiek
� Jeśli operator nie będzie mógł na podstawie odpowiedzi uzyskiwanych od obu partnerów definitywnie stwierdzić który z nich jest systemem komputerowym, a który żywym człowiekiem
� To system komputerowy należy uznać za inteligentny
J ó z e f K o r b i c z J ó z e f K o r b i c z P o l i t e c h n i k a O p o l s k aP o l i t e c h n i k a O p o l s k a1 21 2 3 1 m a r c a 2 0 1 43 1 m a r c a 2 0 1 4
WPROWADZENIE:WPROWADZENIE:TEST TURINGATEST TURINGA
� Czy możemy zbudować maszynę myśląca tak jak człowiek?
� Przyjmijmy, że zadajemy pytania i nie wiemy czy rozmawiamy z człowiekiem czy z maszyną
J ó z e f K o r b i c z J ó z e f K o r b i c z P o l i t e c h n i k a O p o l s k aP o l i t e c h n i k a O p o l s k a1 31 3 3 1 m a r c a 2 0 1 43 1 m a r c a 2 0 1 4
WPROWADZENIE: WPROWADZENIE: TEST TURINGATEST TURINGA
� “Jak możemy sprawdzić, że test można zaliczyć?”
� Turing Test
HUMAN
INTERFACE
CONTROLLED
BY JUDGE
‘INTELLIGENT SUBJECT’JUDGEQUESTION
ANSWER
QUESTION
� Cel maszyny – utwierdzić sędziego w przekonaniu, że jest człowiekiem� Jeżeli maszyna przekona o tym sędziego, to możemy stwierdzić, że maszyna
może myśleć
MACHINE
HUMAN
QUESTION
ANSWER
QUESTION
ANSWER
J ó z e f K o r b i c z J ó z e f K o r b i c z P o l i t e c h n i k a O p o l s k aP o l i t e c h n i k a O p o l s k a1 41 4 3 1 m a r c a 2 0 1 43 1 m a r c a 2 0 1 4
� 1997: „Deep Blue” pokonał arcymistrza świata w szachach Garry Kasparowa
� „Bez rąk” przez Amerykę (autonomiczna jazda samochodem, 98% czasu przejazdu z Pittsburga do San Diego)
1991: Wojna w Zatoce, Armia USA wykorzystała program AI do logistyki i
WPROWADZENIE:WPROWADZENIE:DZISIEJSZE DZISIEJSZE OSIAGNIĘCIAOSIAGNIĘCIA AIAI
� 1991: Wojna w Zatoce, Armia USA wykorzystała program AI do logistyki i planowania zawierający ponad 50 000 pojazdów, cargo i ludzi
� NASA zastosowała na pokładzie autonomiczny program planowania kontrolujący harmonogramowanie operacji na statku kosmicznym
� Najlepszy pojazd w zawodach DARPA pokonał 7 mil na pustyni
J ó z e f K o r b i c z J ó z e f K o r b i c z P o l i t e c h n i k a O p o l s k aP o l i t e c h n i k a O p o l s k a1 51 5 3 1 m a r c a 2 0 1 43 1 m a r c a 2 0 1 4
WPROWADZENIE:WPROWADZENIE:SZACHYSZACHY
J ó z e f K o r b i c z J ó z e f K o r b i c z P o l i t e c h n i k a O p o l s k aP o l i t e c h n i k a O p o l s k a1 61 6 3 1 m a r c a 2 0 1 43 1 m a r c a 2 0 1 4
nn WPROWADZENIE:WPROWADZENIE:GRA W SZACHY GRA W SZACHY –– KOMPUTER KONTRA CZŁOWIEKKOMPUTER KONTRA CZŁOWIEK
Klasyczny problem AI – gra w szachy:� dobrze zdefiniowany� bardzo złożony: trudny dla człowieka aby grać dobrze
J ó z e f K o r b i c z J ó z e f K o r b i c z P o l i t e c h n i k a O p o l s k aP o l i t e c h n i k a O p o l s k a1 71 7 3 1 m a r c a 2 0 1 43 1 m a r c a 2 0 1 4
nn WPROWADZENIE:WPROWADZENIE:WIELKIE ZAWODY WIELKIE ZAWODY DARPADARPA
J ó z e f K o r b i c z J ó z e f K o r b i c z P o l i t e c h n i k a O p o l s k aP o l i t e c h n i k a O p o l s k a1 81 8 3 1 m a r c a 2 0 1 43 1 m a r c a 2 0 1 4
WPROWADZENIE: WPROWADZENIE: HISTORIA SZTUCZNEJ INTELIGENCJIHISTORIA SZTUCZNEJ INTELIGENCJI
� 1943: McCulloch & Pitts: model sztucznego neuronu
� 1950: Test Turinga, artykuł pt. Computing machinery and intelligence
� 1956:Konferencja w Dartmouth: przyjęcie terminu artificial intelligence
1966-73: Wykrycie ogromnej złożoności obliczeniowej AI� 1966-73: Wykrycie ogromnej złożoności obliczeniowej AI
Badania nad sieciami neuronowymi prawie zanikają
� 1969-79: Początki rozwoju systemów eksperckich
� 1980: AI staje się przemysłem
� 1986: Sieci neuronowe wracają do popularności
� 1987:AI staje się nauką
� 1995: Pojawienie się inteligentnych agentów
J ó z e f K o r b i c z J ó z e f K o r b i c z P o l i t e c h n i k a O p o l s k aP o l i t e c h n i k a O p o l s k a1 91 9 3 1 m a r c a 2 0 1 43 1 m a r c a 2 0 1 4
WPROWADZENIE: WPROWADZENIE: POCZĄTKI POCZĄTKI KKOMPUTEROMPUTERÓWÓW
1945: ENIAC – pierwszy elektroniczny cyfrowy komputer (18 tyś. lamp, 30 ton)
1949: EDVAC – pierwszy komputer z pamięcią programu
J ó z e f K o r b i c z J ó z e f K o r b i c z P o l i t e c h n i k a O p o l s k aP o l i t e c h n i k a O p o l s k a2 02 0 3 1 m a r c a 2 0 1 43 1 m a r c a 2 0 1 4
WPROWADZENIE: WPROWADZENIE: PODEJŚCIA DO SZTUCZNEJ INTELIGENCJIPODEJŚCIA DO SZTUCZNEJ INTELIGENCJI
� Symboliczne: tworzenie modeli matematyczno-logicznych analizowanych problemów i implementowanie ich w formie programów komputerowych, mających realizować konkretne funkcje uważane za składowe inteligencji, np. algorytmy realizować konkretne funkcje uważane za składowe inteligencji, np. algorytmy genetyczne, metody logiki rozmytej i wnioskowania bazującego na doświadczeniu
� Sub-symboliczne: tworzenie struktur i programów „samouczących się”, bazujących na modelach sieci neuronowej i sieci asocjacyjnych oraz opracowywanie procedur „uczenia” takich programów, rozwiązywania postawionych im zadań i szukania odpowiedzi na wybrane klasy „pytań”
J ó z e f K o r b i c z J ó z e f K o r b i c z P o l i t e c h n i k a O p o l s k aP o l i t e c h n i k a O p o l s k a2 12 1 3 1 m a r c a 2 0 1 43 1 m a r c a 2 0 1 4
WPROWADZENIE:|WPROWADZENIE:|WIZUALNA METAFORA SZTUCZNEJ INTELIGENCJIWIZUALNA METAFORA SZTUCZNEJ INTELIGENCJI
J ó z e f K o r b i c z J ó z e f K o r b i c z P o l i t e c h n i k a O p o l s k aP o l i t e c h n i k a O p o l s k a2 22 2 3 1 m a r c a 2 0 1 43 1 m a r c a 2 0 1 4
WPROWADZENIE:WPROWADZENIE:PRAKTYCZNE ZASTOSOWANIA AIPRAKTYCZNE ZASTOSOWANIA AI
� Automatyka i robotyka
� Diagnostyka procesów i medyczna
� Maszynowe tłumaczenie tekstów� Maszynowe tłumaczenie tekstów
� Przetwarzanie mowy i języka naturalnego
� Rozpoznawanie obrazów i pisma
� Systemy ekspertowe
� Eksploracja danych
� Sztuczne życie
i wiele innych przykładów
J ó z e f K o r b i c z J ó z e f K o r b i c z P o l i t e c h n i k a K r a k o w s k aP o l i t e c h n i k a K r a k o w s k a2 32 3 1 2 g r u d n i a 2 0 1 21 2 g r u d n i a 2 0 1 2
WPROWADZENIE:WPROWADZENIE:INTELIGENCJA OBLICZENIOWAINTELIGENCJA OBLICZENIOWA
Zajmuje się rozwiązywaniem problemów, które nie są efektywnie algorytmizowalne
Nie ma efektywnego algorytmu? Nie ma efektywnego algorytmu?
� Drobna zmiana może wymagać całkiem innego programu!
� Nie można przewidzieć wszystkich zmian
Rozwiązanie wymaga inteligencji; jeśli szukamy rozwiązania za pomocą obliczeń to jest to „inteligencja obliczeniowa”
J ó z e f K o r b i c z J ó z e f K o r b i c z P o l i t e c h n i k a O p o l s k aP o l i t e c h n i k a O p o l s k a2 42 4 3 1 m a r c a 2 0 1 43 1 m a r c a 2 0 1 4
WPROWADZENIE:WPROWADZENIE:PROBLEMY EFEKTYWNIE PROBLEMY EFEKTYWNIE NIEALGORYTMIZOWALNENIEALGORYTMIZOWALNE
� Teoria złożoności obliczeniowej, problemy NP-trudne: liczba kroków algorytmu dla
złożonych sytuacji rośnie w sposób szybszy niż jakikolwiek wielomian liczby
elementów (złożoności specyfikacji problemu)elementów (złożoności specyfikacji problemu)
� Przykład: problem komiwojażera. Dla 100 miejsc mamy 100!=10158 możliwości
� Problemy praktyczne: gry planszowe, układanie planu, upakowanie towarów
J ó z e f K o r b i c z J ó z e f K o r b i c z P o l i t e c h n i k a O p o l s k aP o l i t e c h n i k a O p o l s k a2 52 5 3 1 m a r c a 2 0 1 43 1 m a r c a 2 0 1 4
WPROWADZENIE:WPROWADZENIE:PROBLEMY PROBLEMY NIEALGORYTMIZOWALNENIEALGORYTMIZOWALNE
Przykłady
� rozumienie sensu zdań
� rozpoznawanie twarzy i obrazów � rozpoznawanie twarzy i obrazów
� rozpoznawanie mowy i sygnałów, percepcja
� rozpoznawanie pisma ręcznego
� sterowanie robotem, nieliniowymi układami
� diagnostyka medyczna i techniczna
� rozwiązywanie nietypowych problemów
� działania twórcze
J ó z e f K o r b i c z J ó z e f K o r b i c z P o l i t e c h n i k a O p o l s k aP o l i t e c h n i k a O p o l s k a2 62 6 3 1 m a r c a 2 0 1 43 1 m a r c a 2 0 1 4
WPROWADZENIE:WPROWADZENIE:GRY KOMPUTEROWEGRY KOMPUTEROWE
Gry komputerowe to świetny obszar badawczy dla AI:
� w większości gier wykorzystuje się dobrze zdefiniowany zestaw reguł� w większości gier wykorzystuje się dobrze zdefiniowany zestaw reguł
� układ gry łatwo przedstawić na monitorze komputera
Gry komputerowe generują ogromną przestrzeń badawczą:
� duże i złożone przestrzenie badawcze wymagają mocnych technik (heurystycznych) do wyznaczenia alternatywnych rozwiązań w przestrzeni badawczej
J ó z e f K o r b i c z J ó z e f K o r b i c z P o l i t e c h n i k a O p o l s k aP o l i t e c h n i k a O p o l s k a2 72 7 3 1 m a r c a 2 0 1 43 1 m a r c a 2 0 1 4
WPROWADZENIE: WPROWADZENIE: INTELIGENCJA OBLICZENIOWAINTELIGENCJA OBLICZENIOWA
Rozwiązywanie różnych problemów sztucznej inteligencji z wykorzystaniem
komputerów wykonujących obliczenia numeryczne
Techniki obliczeń inteligentnych, tzw. „miękkich obliczeń”
� sieci neuronowe
� logika rozmyta
� algorytmy ewolucyjne
� zbiory przybliżone
� zmienne niepewne
� metody probabilistyczne
J ó z e f K o r b i c z J ó z e f K o r b i c z P o l i t e c h n i k a O p o l s k aP o l i t e c h n i k a O p o l s k a2 82 8 3 1 m a r c a 2 0 1 43 1 m a r c a 2 0 1 4
Inteligencja obliczeniowaInteligencja obliczeniowa
Obliczenia Obliczenia granularnegranularneObliczenia Obliczenia
Obliczenia ewolucyjneObliczenia ewolucyjneSztuczne Sztuczne
Obliczenia Obliczenia granularnegranularne
Zb
iory
ro
zm
yte
Zb
iory
ro
zm
yte
Zb
iory
prz
yb
liżo
ne
Zb
iory
prz
yb
liżo
ne
Wn
ioskow
an
ie
Wn
ioskow
an
ie
pro
ba
bili
sty
czn
ep
rob
ab
ilisty
czn
e
Obliczenia Obliczenia
neuronoweneuronoweN
ad
zo
row
an
eN
ad
zo
row
an
e
Nie
na
dzo
row
an
eN
ien
ad
zo
row
an
e
Z k
ryty
kie
mZ
kry
tykie
m
Obliczenia ewolucyjneObliczenia ewolucyjne
Pro
gra
mo
wa
nie
P
rogra
mo
wa
nie
ge
ne
tyczn
ege
ne
tyczn
e
Alg
ory
tmy
Alg
ory
tmy
ge
ne
tyczn
ege
ne
tyczn
e
Inte
lige
ncja
ro
juIn
telig
en
cja
ro
ju
Sztuczne Sztuczne życieżycie
Sztu
czn
y s
yste
m
Sztu
czn
y s
yste
m
imm
un
olo
gic
zn
yim
mu
no
logic
zn
y
J ó z e f K o r b i c z J ó z e f K o r b i c z P o l i t e c h n i k a O p o l s k aP o l i t e c h n i k a O p o l s k a2 92 9 3 1 m a r c a 2 0 1 43 1 m a r c a 2 0 1 4
SZTUCZNE SIECI NEURONOWESZTUCZNE SIECI NEURONOWE
J ó z e f K o r b i c z J ó z e f K o r b i c z P o l i t e c h n i k a O p o l s k aP o l i t e c h n i k a O p o l s k a3 03 0 3 1 m a r c a 2 0 1 43 1 m a r c a 2 0 1 4
SZTUCZNE SIECI NEURONOWE:SZTUCZNE SIECI NEURONOWE:INSPIRACJA BIOLOGICZNA INSPIRACJA BIOLOGICZNA –– MÓZGMÓZG
Budowa
� ok. 1011 komórek neuronowych
� ok. 1015 połączeń
Atrakcyjność sieci neuronów
� działa równolegle
� realizuje złożone przetwarzanie
pomimo wolno działających
komponentów (neuronów)
J ó z e f K o r b i c z J ó z e f K o r b i c z P o l i t e c h n i k a O p o l s k aP o l i t e c h n i k a O p o l s k a3 13 1 3 1 m a r c a 2 0 1 43 1 m a r c a 2 0 1 4
SZTUCZNE SIECI NEURONOWE: SZTUCZNE SIECI NEURONOWE: NEUROBIOLOGIANEUROBIOLOGIA
Obraz mikroskopowy
Neuron biologiczny J ó z e f K o r b i c z J ó z e f K o r b i c z P o l i t e c h n i k a O p o l s k aP o l i t e c h n i k a O p o l s k a3 23 2 3 1 m a r c a 2 0 1 43 1 m a r c a 2 0 1 4
1943: Model neuronu McCullocha-Pittsa1949: Reguła Hebba uczenia neuronu
1950-1969: złoty okres1958: Perceptron Rosenblatta, 1-sza sieć neuronowa1969: Książka pt. Perceptrons. Ograniczenia sieci (Minsky i Papert)
Lata 70.: lata spokoju
SZTUCZNE SIECI NEURONOWE: SZTUCZNE SIECI NEURONOWE: KRÓTKA HISTORIAKRÓTKA HISTORIA
Lata 70.: lata spokoju 1972-1982: Kohonen: samoorganizujące sieci 1974, 1982, 1986: Algorytm propagacji wstecznej Werbosa, Parkera i Rumelharta
Lata 80.: odnowiony entuzjazm 1985: Książka pt. Parallel Distributed Processing (Rumelhart, McClelland i Hinton)
Lata 90.: w kraju1993: Książka pt. Sieci neuronowe (Tadeusiewicz R., AOW RM)1994: Książka pt. pt. Sztuczne sieci neuronowe. Podstawy i zastosowania (Korbicz J., Obuchowicz A., Uciński D., AOW PLJ)
J ó z e f K o r b i c z J ó z e f K o r b i c z P o l i t e c h n i k a O p o l s k aP o l i t e c h n i k a O p o l s k a3 33 3 3 1 m a r c a 2 0 1 43 1 m a r c a 2 0 1 4
SZTUCZNE SIECI NEURONOWE: SZTUCZNE SIECI NEURONOWE: PERCEPTRON ROSENBLATTAPERCEPTRON ROSENBLATTA
J ó z e f K o r b i c z J ó z e f K o r b i c z P o l i t e c h n i k a O p o l s k aP o l i t e c h n i k a O p o l s k a3 43 4 3 1 m a r c a 2 0 1 43 1 m a r c a 2 0 1 4
SZTUCZNE SIECI NEURONOWE:SZTUCZNE SIECI NEURONOWE:ATRAKCYJNOŚĆATRAKCYJNOŚĆ
Atrakcyjność sieci neuronowych
� adaptacja i samoorganizacja� adaptacja i samoorganizacja
� równoległość przetwarzania informacji
� zdolność uczenia się
� odporność na uszkodzenia
� zdolność uogólniania informacji
J ó z e f K o r b i c z J ó z e f K o r b i c z P o l i t e c h n i k a O p o l s k aP o l i t e c h n i k a O p o l s k a3 53 5 3 1 m a r c a 2 0 1 43 1 m a r c a 2 0 1 4
SZTUCZNE SIECI NEURONOWE: SZTUCZNE SIECI NEURONOWE: MODEL NEURONUMODEL NEURONU
Model cybernetyczny neuronu
Przetwarzanie(ciało komórki)
Wejścia(dendryty,synapsa)
Wyjścia(akson)
Model neuronu McCullocha-Pittsa (1943 r.)
(ciało komórki)synapsa)
J ó z e f K o r b i c z J ó z e f K o r b i c z P o l i t e c h n i k a O p o l s k aP o l i t e c h n i k a O p o l s k a3 63 6 3 1 m a r c a 2 0 1 43 1 m a r c a 2 0 1 4
SZTUCZNE SIECI NEURONOWE:SZTUCZNE SIECI NEURONOWE:MODEL NEURONUMODEL NEURONU
Model matematyczny neuronu
Suma ważonaSuma ważona
Wyjście
gdzie f() – funkcja aktywacji
– zadana wartość progowa :
1
J ó z e f K o r b i c z J ó z e f K o r b i c z P o l i t e c h n i k a O p o l s k aP o l i t e c h n i k a O p o l s k a3 73 7 3 1 m a r c a 2 0 1 43 1 m a r c a 2 0 1 4
SZTUCZNE SIECI NEURONOWE:SZTUCZNE SIECI NEURONOWE:STRUKTURYSTRUKTURY
� Sieci jednokierunkowe wielowarstwowe, inaczej perceptron wielowarstwowy (bez sprzężeń zwrotnych)
� Sieci rekurencyjne (ze sprzężeniami zwrotnymi)� Sieci rekurencyjne (ze sprzężeniami zwrotnymi)
� sieć wielowarstwowa (sprzężenia lokalne i globalne)
� sieć Hopfielda
� sieć BAM
� Sieci samoorganizujące się z konkurencją, np. sieć Kohonena
� Sieci probabilistyczne
J ó z e f K o r b i c z J ó z e f K o r b i c z P o l i t e c h n i k a O p o l s k aP o l i t e c h n i k a O p o l s k a3 83 8 3 1 m a r c a 2 0 1 43 1 m a r c a 2 0 1 4
SZTUCZNE SIECI NEURONOWE: SZTUCZNE SIECI NEURONOWE: PERECEPTRONPERECEPTRON
Perceptron F. Rosenblatta (1958 r.) – częściowo elektromechaniczne i elektroniczne urządzenie, którego przeznaczeniem było rozpoznawanie znaków alfanumerycznych
obraz wejściowy
:
Warstwawejściowa
Warstwaneuronowa
obraz wejściowy
wagi połączeń
obraz wyjściowy
J ó z e f K o r b i c z J ó z e f K o r b i c z P o l i t e c h n i k a O p o l s k aP o l i t e c h n i k a O p o l s k a3 93 9 3 1 m a r c a 2 0 1 43 1 m a r c a 2 0 1 4
SZTUCZNE SIECI NEURONOWE:SZTUCZNE SIECI NEURONOWE:11--WARSTWOWEWARSTWOWE
Perceptron wielowarstwowy
J ó z e f K o r b i c z J ó z e f K o r b i c z P o l i t e c h n i k a O p o l s k aP o l i t e c h n i k a O p o l s k a4 04 0 3 1 m a r c a 2 0 1 43 1 m a r c a 2 0 1 4
SZTUCZNE SIECI NEURONOWE:SZTUCZNE SIECI NEURONOWE:REKURENCYJNEREKURENCYJNE
Sieć Elmana: rekurencyjna sieć wielowarstwowa
Główne trudności� złożone algorytmy uczenia� problem stabilności
J ó z e f K o r b i c z J ó z e f K o r b i c z P o l i t e c h n i k a O p o l s k aP o l i t e c h n i k a O p o l s k a4 14 1 3 1 m a r c a 2 0 1 43 1 m a r c a 2 0 1 4
SZTUCZNE SIECI NEURONOWE:SZTUCZNE SIECI NEURONOWE:ALGORYTMY UCZENIAALGORYTMY UCZENIA
� Uczenie „nadzorowane” (supervised, z nauczycielem): do asocjacji, czyli skojarzeń par struktur wejściowych i wyjściowych
� Uczenie się bez nadzoru (unsupervised, bez nauczyciela): do wykrywania regularności tj. reakcji na „interesujące” sygnały, uczenie indukcyjne –regularności tj. reakcji na „interesujące” sygnały, uczenie indukcyjne –uogólnianie przykładów
� Uczenie z krytykiem lub wzmocnieniem (reinforcement): uczenie strategii postępowania na podstawie krytyki po dłuższym okresie czasu, uczenie się celowego zachowania na podstawie interakcji ze środowiskiem
J ó z e f K o r b i c z J ó z e f K o r b i c z P o l i t e c h n i k a O p o l s k aP o l i t e c h n i k a O p o l s k a4 24 2 3 1 m a r c a 2 0 1 43 1 m a r c a 2 0 1 4
Istota uczenianadzorowanego
Zadanie
SZTUCZNE SIECI NEURONOWE:SZTUCZNE SIECI NEURONOWE:ISTOTA UCZENIAISTOTA UCZENIA
Zadanie
Rozpoznawanieliczb parzystych i nieparzystych
J ó z e f K o r b i c z J ó z e f K o r b i c z P o l i t e c h n i k a O p o l s k aP o l i t e c h n i k a O p o l s k a4 34 3 3 1 m a r c a 2 0 1 43 1 m a r c a 2 0 1 4
Algorytmy proste
� reguła Hebba
� reguła perceptronu
� reguła delty
SZTUCZNE SIECI NEURONOWE:SZTUCZNE SIECI NEURONOWE:ALGORYTMY UCZENIAALGORYTMY UCZENIA
� reguła delty
Algorytmy nadzorowane (z nauczycielem)
� propagacji wstecznej (Back-Propagation, BP)
� algorytm Levenberga-Marquardta
� rekurencyjna metoda najmniejszych kwadratów
J ó z e f K o r b i c z J ó z e f K o r b i c z P o l i t e c h n i k a O p o l s k aP o l i t e c h n i k a O p o l s k a4 44 4 3 1 m a r c a 2 0 1 43 1 m a r c a 2 0 1 4
Samoorganiozująca sięmapa cech Kohonena
SZTUCZNE SIECI NEURONOWE: SZTUCZNE SIECI NEURONOWE: KOHONENAKOHONENA
1
1 1N 1 1N
2 31N
2 2 3
u1 u2 um
...
{wij}
Sygnały wejściowe
J ó z e f K o r b i c z J ó z e f K o r b i c z P o l i t e c h n i k a O p o l s k aP o l i t e c h n i k a O p o l s k a4 54 5 3 1 m a r c a 2 0 1 43 1 m a r c a 2 0 1 4
SZTUCZNE SIECI NEURONOWE: SZTUCZNE SIECI NEURONOWE: SIECI SIECI GMDHGMDH
((GROUP GROUP METHOD METHOD OF OF DATA DATA HANDLINGHANDLING))
Dlaczego GMDH?
� Sukcesywna identyfikacja zależy od właściwej selekcji struktury modelu
� Wyznaczenie właściwej struktury i parametrów nieliniowych modeli jest zadaniem � Wyznaczenie właściwej struktury i parametrów nieliniowych modeli jest zadaniem zlożonym
� Podejście GMDH można wykorzystać do automatycznej selekcji struktury sieci neuronowej i jej parametrów korzystając tylko z danych pomiarowych
� Struktura sieci jest projektowana poprzez stopniowe zwiększanie jej złożoności
Idea GMDH: Zastąpić złożony model procesu modelami cząstkowymi (neuronami)
stosując reguły selekcji zmiennych
J ó z e f K o r b i c z J ó z e f K o r b i c z P o l i t e c h n i k a O p o l s k aP o l i t e c h n i k a O p o l s k a4 64 6 3 1 m a r c a 2 0 1 43 1 m a r c a 2 0 1 4
SZTUCZNE SIECI NEURONOWE: SZTUCZNE SIECI NEURONOWE: PROJEKTOWANIE PROJEKTOWANIE GMDHGMDH
Proces projektowania sieci GMDH
J ó z e f K o r b i c z J ó z e f K o r b i c z P o l i t e c h n i k a O p o l s k aP o l i t e c h n i k a O p o l s k a4 74 7 3 1 m a r c a 2 0 1 43 1 m a r c a 2 0 1 4
SZTUCZNE SIECI NEURONOWE: SZTUCZNE SIECI NEURONOWE: ZALETY I WADYZALETY I WADY
Zalety
� nie wymagają postaci analitycznej procesów
� posiadają zdolność
� uczenia się (samodostrajania parametrów)
uogólniania wiedzy � uogólniania wiedzy
� doskonały aproksymator nieliniowych funkcji
Wady
� brak efektywnych metod automatycznego projektowania sieci
� wymagają reprezentatywnych danych uczących
� struktura „czarna skrzynka”: brak widocznego związku parametrów sieci z parametrami procesu/problemu
J ó z e f K o r b i c z J ó z e f K o r b i c z P o l i t e c h n i k a O p o l s k aP o l i t e c h n i k a O p o l s k a4 84 8 3 1 m a r c a 2 0 1 43 1 m a r c a 2 0 1 4
SZTUCZNE SIECI NEURONOWE: SZTUCZNE SIECI NEURONOWE: PROGRAMY SYMULUJĄCEPROGRAMY SYMULUJĄCE
J ó z e f K o r b i c z J ó z e f K o r b i c z P o l i t e c h n i k a O p o l s k aP o l i t e c h n i k a O p o l s k a4 94 9 3 1 m a r c a 2 0 1 43 1 m a r c a 2 0 1 4
Zastosowania
� prognozowanie zużycia energii elektrycznej
� diagnostyka układów elektronicznych
� analiza badań medycznych
� planowanie remontów maszyn
� synteza mowy
SZTUCZNE SIECI NEURONOWE:SZTUCZNE SIECI NEURONOWE:ZASTOSOWANIAZASTOSOWANIA
� diagnostyka układów elektronicznych
� prognozy giełdowe
� prognozowanie sprzedaży
� poszukiwania ropy naftowej
� interpretacja badań biologicznych
� prognozy cen
� synteza mowy
� optymalizacja działalności handlowej
� analiza spektralna
� optymalizacja utylizacji odpadów
� rozpoznawanie pisma
� sterowanie procesów przemysłowych
J ó z e f K o r b i c z J ó z e f K o r b i c z P o l i t e c h n i k a O p o l s k aP o l i t e c h n i k a O p o l s k a5 05 0 3 1 m a r c a 2 0 1 43 1 m a r c a 2 0 1 4
SZTUCZNE SIECI NEURONOWE: SZTUCZNE SIECI NEURONOWE: DIAGNOSTYKA TECHNICZNADIAGNOSTYKA TECHNICZNA
Cukrownia Lublin
J ó z e f K o r b i c z J ó z e f K o r b i c z P o l i t e c h n i k a O p o l s k aP o l i t e c h n i k a O p o l s k a5 15 1 3 1 m a r c a 2 0 1 43 1 m a r c a 2 0 1 4
SZTUCZNE SIECI NEURONOWE: SZTUCZNE SIECI NEURONOWE: URZĄDZENIE WYKONAWCZEURZĄDZENIE WYKONAWCZE
Diagnostyka urządzenia wykonawczego � ACQ – układ akwizycji danych� CPU – jednostka centrala, pozycjoner� E/P – przetwornik elektro-pneumatyczny� V1, V2 i V3 – zawory� DT – przetwornik przemieszczenia
Pneumatic actuator
E/P CPU
ACQPT
F
CV
S
� DT – przetwornik przemieszczenia� PT – przetwornik ciśnienia� FT – przetwornik strumienia objętościowego� CV – zawór regulujący� F – strumień przepływu� T1 – temperatura soku� X – przemieszczenie tłoczyska� P1 i P2 – ciśnienie soku na wejściu i wyjściu zaworu regulującego
T1 P1
V3Control valve
Positioner
P2
DT
V1
V2
FT
X
J ó z e f K o r b i c z J ó z e f K o r b i c z P o l i t e c h n i k a O p o l s k aP o l i t e c h n i k a O p o l s k a5 25 2 3 1 m a r c a 2 0 1 43 1 m a r c a 2 0 1 4
SZTUCZNE SIECI NEURONOWE: SZTUCZNE SIECI NEURONOWE: URZĄDZENIE WYKONAWCZEURZĄDZENIE WYKONAWCZE
(WYBRANE USZKODZENIA)(WYBRANE USZKODZENIA)Uszkodzenia zaworu
� zużycie erozyjne zaworu
� przeciek wewnętrzny medium
� zablokowanie zaworu przez ciało obce
Uszkodzenia siłownikaUszkodzenia siłownika
� skrzywienie tłoczyska siłownika
� przebicie membrany siłownika
� uszkodzenie sprężyny
Uszkodzenia pozycjonera
� uszkodzenie czujnika ciśnień
� uszkodzenie toru pomiarowego położenia
J ó z e f K o r b i c z J ó z e f K o r b i c z P o l i t e c h n i k a O p o l s k aP o l i t e c h n i k a O p o l s k a5 35 3 3 1 m a r c a 2 0 1 43 1 m a r c a 2 0 1 4
SZTUCZNE SIECI NEURONOWE: SZTUCZNE SIECI NEURONOWE: MODELE GMDHMODELE GMDH
i są nieznanymi funkcjami nieliniowymi przepływu i położenia, X – przemieszczenie tłoczyska siłownika, F – strumień objętościowy przepływu
),,,,( 121 TPPCfX vx= ),,,,( 121 TPPXfF f=
gdzie xf ff
Modele GMDH
)(⋅= ffF )(⋅= xfX
P1
P2
T
CV
J ó z e f K o r b i c z J ó z e f K o r b i c z P o l i t e c h n i k a O p o l s k aP o l i t e c h n i k a O p o l s k a5 45 4 3 1 m a r c a 2 0 1 43 1 m a r c a 2 0 1 4
SZTUCZNE SIECI NEURONOWE: SZTUCZNE SIECI NEURONOWE: DETEKCJA USZKODZEŃ DETEKCJA USZKODZEŃ –– SIEĆ SIEĆ GMDHGMDH
f4 – wzrost siły tarcia w dławicy lub gnieździe
f7 – wystąpienie zjawiska kawitacji
J ó z e f K o r b i c z J ó z e f K o r b i c z P o l i t e c h n i k a O p o l s k aP o l i t e c h n i k a O p o l s k a5 55 5 3 1 m a r c a 2 0 1 43 1 m a r c a 2 0 1 4
SZTUCZNE SIECI NEURONOWE: SZTUCZNE SIECI NEURONOWE: DETEKCJA USZKODZEŃ DETEKCJA USZKODZEŃ –– SIEĆ SIEĆ MLPMLP
f17 – spadek lub wzrost ciśnienia f18 – uszkodzenie toru pomiarowego przepływu
J ó z e f K o r b i c z J ó z e f K o r b i c z P o l i t e c h n i k a O p o l s k aP o l i t e c h n i k a O p o l s k a5 65 6 3 1 m a r c a 2 0 1 43 1 m a r c a 2 0 1 4
SYSTEMY ROZMYTE SYSTEMY ROZMYTE
((FUZZY SYSTEMSFUZZY SYSTEMS))((FUZZY SYSTEMSFUZZY SYSTEMS))
J ó z e f K o r b i c z J ó z e f K o r b i c z P o l i t e c h n i k a O p o l s k aP o l i t e c h n i k a O p o l s k a5 75 7 3 1 m a r c a 2 0 1 43 1 m a r c a 2 0 1 4
SYSTEMY ROZMYTE: SYSTEMY ROZMYTE: INSPIRACJAINSPIRACJA
� Inspiracja – nieprecyzyjna komunikacja między ludźmi
� Problemy złożone trudno jest analizować precyzyjnie
Wiedza eksperta w złożonych przypadkach daje się opisać w rozmyty sposób, � Wiedza eksperta w złożonych przypadkach daje się opisać w rozmyty sposób,
np.Jeśli wiatr jest bardzo silny i stół jest bardzo lekki i stół jest przymocowany słabo
To stół odfrunie w siną dal.
J ó z e f K o r b i c z J ó z e f K o r b i c z P o l i t e c h n i k a O p o l s k aP o l i t e c h n i k a O p o l s k a5 85 8 3 1 m a r c a 2 0 1 43 1 m a r c a 2 0 1 4
SYSTEMY ROZMYTE: SYSTEMY ROZMYTE: LOGIKA ROZMYTALOGIKA ROZMYTA
� Jedna z logik wielowartościowych: uogólnienie klasycznej dwuwartościowej logiki – 0 i 1, fałsz, prawda
� Lotfi Zadeha :1965. W logice rozmytej między stanem 0 (fałsz) a stanem 1 (prawda) – szereg wartości pośrednich, które określają stopień przynależności (prawda) – szereg wartości pośrednich, które określają stopień przynależności elementu do zbioru
J ó z e f K o r b i c z J ó z e f K o r b i c z P o l i t e c h n i k a O p o l s k aP o l i t e c h n i k a O p o l s k a5 95 9 3 1 m a r c a 2 0 1 43 1 m a r c a 2 0 1 4
SYSTEMY ROZMYTE: SYSTEMY ROZMYTE: HISTORIAHISTORIA
� 1965: Propozycja logiki rozmytej – Zadeh
� 1977: Sterowanie rozmyte – Mamdani
� 1981: Rozmyty algorytm klasteryzacji – Bezdek� 1981: Rozmyty algorytm klasteryzacji – Bezdek
� 1985: Opracowanie rozmytego modelu Takagi-Sugeno – Takagi i Sugeno
� 1990: Opracowanie technik neuronowo-rozmytych – Nauck, Babuska, Czogała,
� 1991: Rozmyty system sterowania koleją – Sendai, Japonia
� 1996: Obliczenia na słowach – Zadeh
� 2001: Obliczenia granularne – Pedrycz
J ó z e f K o r b i c z J ó z e f K o r b i c z P o l i t e c h n i k a O p o l s k aP o l i t e c h n i k a O p o l s k a6 06 0 3 1 m a r c a 2 0 1 43 1 m a r c a 2 0 1 4
SYSTEMY ROZMYTE:SYSTEMY ROZMYTE:ZAKRESZAKRES
Logika/systemy rozmyte obejmują
� matematykę zbiorów i logiki rozmytej
�� rozmytą reprezentację i przetwarzanie wiedzy do klasyfikacji, regresji i klasteryzacji
� uczenie funkcji przynależności i reguł logicznych z danych
� metody sterownia rozmytego
J ó z e f K o r b i c z J ó z e f K o r b i c z P o l i t e c h n i k a O p o l s k aP o l i t e c h n i k a O p o l s k a6 16 1 3 1 m a r c a 2 0 1 43 1 m a r c a 2 0 1 4
SYSTEMY ROZMYTE: SYSTEMY ROZMYTE: ZBIÓR ROZMYTYZBIÓR ROZMYTY
Zbiór rozmyty (fuzzy set) – obiekt matematyczny ze zdefiniowaną funkcjąprzynależności, która przybiera wartości z przedziału [0, 1]
Definicja: Zbiorem rozmytym A w przestrzeni X jest zbiór uporządkowanych par:
gdzie
J ó z e f K o r b i c z J ó z e f K o r b i c z P o l i t e c h n i k a O p o l s k aP o l i t e c h n i k a O p o l s k a6 26 2 3 1 m a r c a 2 0 1 43 1 m a r c a 2 0 1 4
SYSTEMY ROZMYTE: SYSTEMY ROZMYTE: FUNKCJE PRZYNALEŻNOŚCIFUNKCJE PRZYNALEŻNOŚCI
Przykłady
µ(h) µ(T)
1 1
Thmałe
(150 cm)
średnie
(165 cm)
wysokie
(175 cm)
wzrost
pań w ZG
(ok. 30 lat)
niska
(35°C)
normalna
(36.6°C)
wysoka
(38°C)
temp.
ciała
J ó z e f K o r b i c z J ó z e f K o r b i c z P o l i t e c h n i k a O p o l s k aP o l i t e c h n i k a O p o l s k a6 36 3 3 1 m a r c a 2 0 1 43 1 m a r c a 2 0 1 4
SYSTEMY ROZMYTE: SYSTEMY ROZMYTE: ZBIORY KLASYCZNE I ROZMYTEZBIORY KLASYCZNE I ROZMYTE
Klasyczne i rozmyte pojęcie „młody człowiek”
A=“młody”1
A=“młody”1
µ=0.8
Temperatura wrzenia ma wartość około 100 stopni (ciśnienie, skład chemiczny)
( ) ( )22 100T
W T eµ − −=
x [lata]0
x [lata]0
x=23x=20
J ó z e f K o r b i c z J ó z e f K o r b i c z P o l i t e c h n i k a O p o l s k aP o l i t e c h n i k a O p o l s k a6 46 4 3 1 m a r c a 2 0 1 43 1 m a r c a 2 0 1 4
SYSTEMY ROZMYTE: SYSTEMY ROZMYTE: STRUKTURASTRUKTURA
Baza wiedzy
Rozmywanie Wnioskowanie Wyostrzaniex A’ B’ y
Rozmywanie Wnioskowanie Wyostrzanie
Typy systemów rozmytych � Mamdaniego – B jest zbiorem rozmytym� Takagi-Sugeno-Kanga – B jest wzorem
Reguła: IF x is A THEN y is B, gdzie A, A’, B, B’ – zbiory rozmyte, x – wejście, y – wyjście
J ó z e f K o r b i c z J ó z e f K o r b i c z P o l i t e c h n i k a O p o l s k aP o l i t e c h n i k a O p o l s k a6 56 5 3 1 m a r c a 2 0 1 43 1 m a r c a 2 0 1 4
SYSTEMY ROZMYTE: SYSTEMY ROZMYTE: ZASTOSOWANIAZASTOSOWANIA
Logika rozmyta – przydatna w zastosowaniach inżynierskich, czyli tam, gdzie klasyczna logika klasyfikująca jedynie według kryterium prawda/fałsz nie potrafi skutecznie poradzić sobie z wieloma niejednoznacznościami i sprzecznościami
Zastosowania � elektroniczne systemy sterowania (maszynami, pojazdami i automatami),
regulatory rozmyte� zadania eksploracji danych� budowa systemów eksperckich� i wiele innych
J ó z e f K o r b i c z J ó z e f K o r b i c z P o l i t e c h n i k a O p o l s k aP o l i t e c h n i k a O p o l s k a6 66 6 3 1 m a r c a 2 0 1 43 1 m a r c a 2 0 1 4
SYSTEMY ROZMYTE: SYSTEMY ROZMYTE: ZALETY I WADYZALETY I WADY
Zalety
� transparentna reprezentacja problemu, np. reguły: Jeśli … To…
� lingwistyczna reprezentacja w postaci zbiorów rozmytych, np. duże ciśnienie
� przetwarzanie wiedzy jakościowej i ilościowej � przetwarzanie wiedzy jakościowej i ilościowej
� ekstrakcja reguł z danych przez eksperta lub automatycznie
� reprezentacja niepewności danych
Wady
� brak możliwości uczenia, dostrajania parametrów
� szybki wzrost złożoności obliczeniowej wraz ze wzrostem liczby zbiorów rozmytych
J ó z e f K o r b i c z J ó z e f K o r b i c z P o l i t e c h n i k a O p o l s k aP o l i t e c h n i k a O p o l s k a6 76 7 3 1 m a r c a 2 0 1 43 1 m a r c a 2 0 1 4
SYSTEMY NEURONOWOSYSTEMY NEURONOWO--ROZMYTEROZMYTEi
J ó z e f K o r b i c z J ó z e f K o r b i c z P o l i t e c h n i k a O p o l s k aP o l i t e c h n i k a O p o l s k a6 86 8 3 1 m a r c a 2 0 1 43 1 m a r c a 2 0 1 4
SYSTEMY NEURONOWOSYSTEMY NEURONOWO--ROZMYTE: ROZMYTE: KOMBINACJA KOMBINACJA NNNN + + FLFL
Kombinacja sieci neuronowych i logiki rozmytej� Systemy neuronowo-rozmyte typu Mamdaniego
� Systemy neuronowo-rozmyte typu Takagi-Sugeno
i-th reguła:
IF x1 is A1i and … and xn is An
i THEN y1 = b1i and … and yn = bm
i
� Systemy neuronowo-rozmyte typu Takagi-Sugenoi-th reguła:
IF x1 is A1i and … and xn is An
i THEN y1=b0,1i+b1,1
ix1+…+bn,1ixn and ...
... and ym=b0,mi+b1,m
ix1+…+bn,mixn
gdzie
x1,…,xn - wejścia
A1i,…,An
i - zbory rozmyte
b0,1i,…,bn,m
i - parametry wielomianu liniowego
y1,…,ym - wyjścia
J ó z e f K o r b i c z J ó z e f K o r b i c z P o l i t e c h n i k a O p o l s k aP o l i t e c h n i k a O p o l s k a6 96 9 3 1 m a r c a 2 0 1 43 1 m a r c a 2 0 1 4
SYSTEMY NEURONOWOSYSTEMY NEURONOWO--ROZMYTE: ROZMYTE: STRUKTURASTRUKTURA
Sieciowa struktura systemu neuronowo-rozmytego
∑∏µ
∏
/∏
∏
b11
b12
b13
b1N
L. 1 L. 2
L.
3
L.
4
y
1
x
wherex1,...,xn - inputs
y ,...,y - outputs
∏
∏
µ
µ
µ
/
n∏
∑
∏
∑
∏
∏
∏
∏
mbm
1
bmN
bm2
bm3
N
N
NN
1
N
n
N
y
mx
n
x
1
y1,...,ym - outputsn - no. of inputs,
m - no. of outputsN - no. of rules,
L.1,...,L.4 - layersN1,...,Nn - no. of fuzzy
partitionsbji - singletons
J ó z e f K o r b i c z J ó z e f K o r b i c z P o l i t e c h n i k a O p o l s k aP o l i t e c h n i k a O p o l s k a7 07 0 3 1 m a r c a 2 0 1 43 1 m a r c a 2 0 1 4
SYSTEMY NEURONOWOSYSTEMY NEURONOWO--ROZMYTE: ROZMYTE: ZALETY I WADYZALETY I WADY
Zalety
� możliwość uwzględniania niepewności/nieprecyzyjności w procesach rzeczywistych
� możliwość kombinacji wiedzy jakościowej i ilościowej� możliwość kombinacji wiedzy jakościowej i ilościowej
� nieliniowe odwzorowywania
� parametry funkcji przynależności są dostrajane w procesie uczenia, np. the wartość średnia i wariancja funkcji przynależności typu dzwon
Wady
� dla dużej liczby zbiorów rozmytych liczba dostrajanych parametrów drastycznie zwiększa się
J ó z e f K o r b i c z J ó z e f K o r b i c z P o l i t e c h n i k a O p o l s k aP o l i t e c h n i k a O p o l s k a7 17 1 3 1 m a r c a 2 0 1 43 1 m a r c a 2 0 1 4
ALGORYTMY EWOLUCYJNEALGORYTMY EWOLUCYJNE
J ó z e f K o r b i c z J ó z e f K o r b i c z P o l i t e c h n i k a O p o l s k aP o l i t e c h n i k a O p o l s k a7 27 2 3 1 m a r c a 2 0 1 43 1 m a r c a 2 0 1 4
ALGORYTMY EWOLUCYJNE: ALGORYTMY EWOLUCYJNE: OPTYMALIZACJAOPTYMALIZACJA
Algorytm ewolucyjny
� wzorowana na naturalnej ewolucji metoda rozwiązywania zagadnień optymalizacyjnychoptymalizacyjnych
� procedura przeszukiwania oparta na mechanizmach doboru naturalnego i dziedziczenia
� korzysta z ewolucyjnej zasady przeżycia osobników najlepiej przystosowanych
J ó z e f K o r b i c z J ó z e f K o r b i c z P o l i t e c h n i k a O p o l s k aP o l i t e c h n i k a O p o l s k a7 37 3 3 1 m a r c a 2 0 1 43 1 m a r c a 2 0 1 4
ALGORYTMY EWOLUCYJNE: ALGORYTMY EWOLUCYJNE: CHARAKTERYSTYKICHARAKTERYSTYKI
Co różni AE od tradycyjnych metod optymalizacji?
� nie przetwarzają bezpośrednio parametrów zadania lecz ich zakodowaną postać
� prowadzą przeszukiwanie, wychodząc nie z pojedynczego punktu, lecz z pewnej � prowadzą przeszukiwanie, wychodząc nie z pojedynczego punktu, lecz z pewnej ich populacji
� korzystają tylko z funkcji celu, a nie z pochodnych lub innych pomocniczych informacji
� stosują probabilistyczne, a nie deterministyczne reguły wyboru
J ó z e f K o r b i c z J ó z e f K o r b i c z P o l i t e c h n i k a O p o l s k aP o l i t e c h n i k a O p o l s k a7 47 4 3 1 m a r c a 2 0 1 43 1 m a r c a 2 0 1 4
ALGORYTMY EWOLUCYJNE: ALGORYTMY EWOLUCYJNE: RODZAJERODZAJE
Rodzaje algorytmów ewolucyjnych
� klasyczny algorytm genetyczny
� strategie ewolucyjne� strategie ewolucyjne
� programowanie ewolucyjne
� programowanie genetyczne
J ó z e f K o r b i c z J ó z e f K o r b i c z P o l i t e c h n i k a O p o l s k aP o l i t e c h n i k a O p o l s k a7 57 5 3 1 m a r c a 2 0 1 43 1 m a r c a 2 0 1 4
ALGORYTMY EWOLUCYJNE: ALGORYTMY EWOLUCYJNE: GENETYCZNYGENETYCZNY
Algorytm genetyczny: algorytm przeszukujący przestrzeń alternatywnych rozwiązań problemu w celu wyszukania rozwiązań najlepszych:
� sposób działania algorytmów genetycznych przypomina zjawisko ewolucji � sposób działania algorytmów genetycznych przypomina zjawisko ewolucji biologicznej
� twórca: John Henry Holland (1971)
� inspiracje z biologii
J ó z e f K o r b i c z J ó z e f K o r b i c z P o l i t e c h n i k a O p o l s k aP o l i t e c h n i k a O p o l s k a7 67 6 3 1 m a r c a 2 0 1 43 1 m a r c a 2 0 1 4
ALGORYTMY EWOLUCYJNE: ALGORYTMY EWOLUCYJNE: GENETYCZNYGENETYCZNY
Klasyczny algorytm genetyczny
� inicjacja – wybór początkowej populacji chromosomów
� ocena przystosowania chromosomów w populacji
� sprawdzenie warunków zatrzymania� sprawdzenie warunków zatrzymania
� selekcja chromosomów, np. metoda ruletki
� zastosowanie operatorów genetycznych:
� krzyżowanie
� mutacja
� utworzenie nowej populacji
� wyprowadzenie „najlepszego” chromosomu
J ó z e f K o r b i c z J ó z e f K o r b i c z P o l i t e c h n i k a O p o l s k aP o l i t e c h n i k a O p o l s k a7 77 7 3 1 m a r c a 2 0 1 43 1 m a r c a 2 0 1 4
ALGORYTMY EWOLUCYJNE: ALGORYTMY EWOLUCYJNE: ZASTOSOWANIEZASTOSOWANIE
zakłócenie czujnika ( )η t
Urządzenie
wykonawczePROCES Czujniki
zakłócenie d(t) uszkodzenie f(t)
wejście u(t) wyjście y(t)
1
sB + C + Q
( )$x t ( )$y t+
D
+
_
A+
K
+
residuum
r(t)
Obserwator
J ó z e f K o r b i c z J ó z e f K o r b i c z P o l i t e c h n i k a O p o l s k aP o l i t e c h n i k a O p o l s k a7 87 8 3 1 m a r c a 2 0 1 43 1 m a r c a 2 0 1 4
ALGORYTMY EWOLUCYJNE: ALGORYTMY EWOLUCYJNE: ZASTOSOWANIEZASTOSOWANIE
( ) ( ) ( ) ( ) ( )( )r F f dt t t t t= , , ,ζ η
( )
Maksymalizacja
efektów uszkodzenia
Minimalizacja zakłóceń
i efektów warunku
początkowego
( )
( )
( )
( )
J
J
J
J
1
2
3
4
K Q
K Q
K Q
K Q
,
,
,
,
efektów uszkodzenia początkowego
Minimalizacja
efektów zakłóceń
czujników
Minimalizacja
efektów
zakłócenia wejścia
J ó z e f K o r b i c z J ó z e f K o r b i c z P o l i t e c h n i k a O p o l s k aP o l i t e c h n i k a O p o l s k a7 97 9 3 1 m a r c a 2 0 1 43 1 m a r c a 2 0 1 4
SYSTEMY EKSPERCKIESYSTEMY EKSPERCKIE
J ó z e f K o r b i c z J ó z e f K o r b i c z P o l i t e c h n i k a O p o l s k aP o l i t e c h n i k a O p o l s k a8 08 0 3 1 m a r c a 2 0 1 43 1 m a r c a 2 0 1 4
SYSTEMY EKSPERCKIESYSTEMY EKSPERCKIE
System ekspercki
� program lub zestaw programów komputerowych wspomagający korzystanie z wiedzy i ułatwiający podejmowanie decyzji
� mogą wspomagać bądź zastępować ludzkich ekspertów w danej dziedzinie� mogą wspomagać bądź zastępować ludzkich ekspertów w danej dziedzinie
� mogą dostarczać rad, zaleceń i diagnoz dotyczących problemów tej dziedziny
J ó z e f K o r b i c z J ó z e f K o r b i c z P o l i t e c h n i k a O p o l s k aP o l i t e c h n i k a O p o l s k a8 18 1 3 1 m a r c a 2 0 1 43 1 m a r c a 2 0 1 4
SYSTEMY EKSPERCKIESYSTEMY EKSPERCKIE
Systemy eksperckie są budowane na bazie wiedzy eksperta-człowieka oraz jej zakodowaniu w takiej postaci aby komputer mógł być wykorzystany do podobnych problemów:
� ekspert dziedzinowy dostarcza niezbędnej wiedzy w danej dziedzinie
� inżynier wiedzy odpowiada za implementację tej wiedzy w programie w swoim działaniu jest tak samo efektywny i inteligentny jak ekspert-człowiek
J ó z e f K o r b i c z J ó z e f K o r b i c z P o l i t e c h n i k a O p o l s k aP o l i t e c h n i k a O p o l s k a8 28 2 3 1 m a r c a 2 0 1 43 1 m a r c a 2 0 1 4
SYSTEMY EKSPERCKIE:SYSTEMY EKSPERCKIE:STRUKTURASTRUKTURA
J ó z e f K o r b i c z J ó z e f K o r b i c z P o l i t e c h n i k a O p o l s k aP o l i t e c h n i k a O p o l s k a8 38 3 3 1 m a r c a 2 0 1 43 1 m a r c a 2 0 1 4
SYSTEMY EKSPERCKIE: SYSTEMY EKSPERCKIE: SCHEMATSCHEMAT
ProcessProcess
Expert System ShellExpert System Shell
Inference EngineInference Engine
PreliminaryPreliminary
SignalSignal
ProcessingProcessing
Data BaseData Base
ProceduralProcedural
KnowledgeKnowledge
BaseBase
RulesRules
KnowledgeKnowledge
BaseBase
NeuralNeural
NetworksNetworks
Knowledge BaseKnowledge Base
J ó z e f K o r b i c z J ó z e f K o r b i c z P o l i t e c h n i k a O p o l s k aP o l i t e c h n i k a O p o l s k a8 48 4 3 1 m a r c a 2 0 1 43 1 m a r c a 2 0 1 4
SYSTEMY EKSPERCKIE: SYSTEMY EKSPERCKIE: ROZWÓJROZWÓJ
� 1967: DENDRAL – system regułowy do analiz chemicznych
� 1975: MYCIN – system medyczny do diagnostyki chorób zakaźnych
�� 1975: Meta-DENDRAL – rozszerzona wersja systemu DENDRAL
� 1979: EMycin – pierwsza powłoka systemu eksperckiego
� Lata 80.: okres rozwoju systemów eksperckiego
J ó z e f K o r b i c z J ó z e f K o r b i c z P o l i t e c h n i k a O p o l s k aP o l i t e c h n i k a O p o l s k a8 58 5 3 1 m a r c a 2 0 1 43 1 m a r c a 2 0 1 4
SYSTEMY EKSPERCKIE: SYSTEMY EKSPERCKIE: PRZYKŁADYPRZYKŁADY
Znane systemy eksperckie
� INTERNIST – system diagnostyczny dla medycyny internistycznej
� PROSPEKTOR – dla geologów, określanie rodzaju skał
� XCON – system do konfigurowania komputerów VAX� XCON – system do konfigurowania komputerów VAX
� NEOMYCIN – do szkolenia lekarzy
Szkieletowe systemy eksperckie
� CLIPS, JESS, MANDARAX, DROOLS (bezpłatne)
� SPHINX, NEXPERT (płatne)
J ó z e f K o r b i c z J ó z e f K o r b i c z P o l i t e c h n i k a O p o l s k aP o l i t e c h n i k a O p o l s k a8 68 6 3 1 m a r c a 2 0 1 43 1 m a r c a 2 0 1 4
SYSTEMY EKSPERTOWE: SYSTEMY EKSPERTOWE: ZASTOSOWANIEZASTOSOWANIE
J ó z e f K o r b i c z J ó z e f K o r b i c z P o l i t e c h n i k a O p o l s k aP o l i t e c h n i k a O p o l s k a8 78 7 3 1 m a r c a 2 0 1 43 1 m a r c a 2 0 1 4
SYSTEMY EKSPERCKIE: SYSTEMY EKSPERCKIE: PROBLEMYPROBLEMY
� Trudności w ujęciu „głębokiej” wiedzy dziedzinowej (MYCIN nie posiada wiedzy w zakresie psychologii)
� Brak dostatecznej odporności i elastyczności
� Brak możliwości „głębokiego” wyjaśnienia problemu� Brak możliwości „głębokiego” wyjaśnienia problemu
� Problemy z weryfikacją (w zastosowaniach do kontroli ruchu w powietrzu, do sterowania reaktorem jądrowym czy systemach broni)
� Małe możliwości uczenia się z danych eksperymentalnych
J ó z e f K o r b i c z J ó z e f K o r b i c z P o l i t e c h n i k a O p o l s k aP o l i t e c h n i k a O p o l s k a8 88 8 3 1 m a r c a 2 0 1 43 1 m a r c a 2 0 1 4
WNIOSKIWNIOSKI
Metody i algorytmy sztucznej inteligencji
� Efektywne w rozwiązywaniu zadań, które z uwagi na swoją złożoność są
trudne lub niemożliwe do opisu analitycznegotrudne lub niemożliwe do opisu analitycznego
� Wymagają „dobrych” i reprezentatywnych danych do adaptacji i uczenia np.
sieci neuronowe, sieci neuronowo-rozmyte
� Są czasochłonne obliczeniowo np. algorytmy ewolucyjne lub systemy
rozmyte z dużą ilością zbiorów rozmytych
J ó z e f K o r b i c z J ó z e f K o r b i c z P o l i t e c h n i k a O p o l s k aP o l i t e c h n i k a O p o l s k a8 98 9 3 1 m a r c a 2 0 1 43 1 m a r c a 2 0 1 4
ZAKOŃCZENIE: ZAKOŃCZENIE: POLECANE KSIĄŻKIPOLECANE KSIĄŻKI
J ó z e f K o r b i c z J ó z e f K o r b i c z P o l i t e c h n i k a O p o l s k aP o l i t e c h n i k a O p o l s k a9 09 0 3 1 m a r c a 2 0 1 43 1 m a r c a 2 0 1 4
ZAKOŃCZENIE: ZAKOŃCZENIE: POLECANE KSIĄŻKIPOLECANE KSIĄŻKI
J ó z e f K o r b i c z J ó z e f K o r b i c z P o l i t e c h n i k a O p o l s k aP o l i t e c h n i k a O p o l s k a9 19 1 3 1 m a r c a 2 0 1 43 1 m a r c a 2 0 1 4
ZAKOŃCZENIE: ZAKOŃCZENIE: POLECANE KSIĄŻKIPOLECANE KSIĄŻKI
J ó z e f K o r b i c z J ó z e f K o r b i c z P o l i t e c h n i k a O p o l s k aP o l i t e c h n i k a O p o l s k a9 29 2 3 1 m a r c a 2 0 1 43 1 m a r c a 2 0 1 4
DZIĘKUJĘ!DZIĘKUJĘ!
JJ óó z e fz e f K o r b i c zK o r b i c zJJ óó z e fz e f K o r b i c zK o r b i c z
j . k o r b i c z @ i s s i . u z . z g o r a . p lj . k o r b i c z @ i s s i . u z . z g o r a . p l
J ó z e f K o r b i c z J ó z e f K o r b i c z P o l i t e c h n i k a O p o l s k aP o l i t e c h n i k a O p o l s k a9 39 3 3 1 m a r c a 2 0 1 43 1 m a r c a 2 0 1 4