Растригин Л.А. Адаптация сложных систем

Подождите немного. Документ загружается.

и математическое ожидание величины t — номера испытания, в

котором была сделана последняя ошибка:

(4.2.59)

Приравнивая математические ожидания

и наблюдаемые средние значения, получаем следующие оценки для

параметров модели: γ=0,374; γ

=0,152. Теоретическая кривая обучения

для этой модели обозначена на рис. 4.2.11 темными квадратиками

(кривая 7).

И, наконец, описанная в подразделе 4.2.4 модель по экспери

ментальным данным имела γ

=0,514 и γ

=0,666. Ее теоретиче

ская кривая обозначена светлыми треугольничками на рис. 4.2.11

(кривая 3).

С целью сравнения рассмотренных моделей для каждой из них

вычислялась невязка с экспериментальной кривой, изображенной на

рис. 4.2.10:

(4.2.60)

где i — номер модели, i = 1,2, ..., 7; k = 8;

— экспериментальная кривая обучения; — теоретическая кривая

обучения, полученная с помощью i-й модели. Приводим результаты

вычислений.

№ модели Название модели ρ

1 Буша — Мостеллера 0,406

Миллера

—

Мак

Гилла

0,893

3 Об

чения иност

анном

язык

135

Халла

0,064

5 Те

сто

на 0

458

ес

тла

7 К

ичевского 0,697

На рис. 4.2.11 сплошной линией изображена экспериментальная

кривая; каждая из теоретических кривых имеет номер, соответ-

ствующий номеру модели в таблице.

Из приведенных результатов и рис. 4.2.11 видно, что лучше всего

описывает исходные данные модель Халла, далее следует

предложенная модель обучения иностранному языку. Основное

различие моделей состоит в том, что согласно первой из них

вероятности незнания в i-м испытании для всех слов одинаковы, а

согласно предложенной модели — различны. Очевидно, в этом

состоит недостаток модели Халла, так как не все слова запомина-

ются одинаково. Положительный эффект применения модели Халла в

рассмотренном выше эксперименте, по-видимому, тем и объясняется,

что вероятности незнания слов, предложенных для запоминания, были

в среднем примерно равны.

Таким образом, эксперимент показал, что предложенная модель

обучения иностранному языку (см. подраздел 4.2.4) пригодна для

обучения запоминанию иностранных слов.

4.2.7. Обучение с использованием

предложенной адаптивной модели

Описанная выше (в подразделе 4.2.4) процедура была применена

для задачи обучения пониманию текстов на иностранном (английском)

языке. Была создана система обучения, абонентами которой стали

сотрудники Института электроники и вычислительной техники

(ИЭВТ) АН ЛатвССР.

В качестве источника информации были выбраны тексты на

английском языке по элементарной математике [68]. В результате их

обработки с помощью ЭВМ был получен частотный словарь слов и

словосочетаний объемом п = 962 лексические единицы (ЛЕ). Словарь

содержал слова и словосочетания с их транскрипцией, переводом и

частотой q1, ..., q

Кроме самостоятельных в словарь на правах отдельных ЛЕ

включались:

1) словосочетания и фразы, значение которых нельзя опре

делить, исходя из значений составных частей данных сочетаний

(например, in the same way, hold forth, in question и др.);

2) словосочетания, имеющие терминологический характер

(например, slide rule, bar graph, extraction of roots и др.);

3) аналитические формы глаголов (например, was missing,

have advanced, would know и др.).

Включение аналитических форм глаголов в словарь на правах

отдельных ЛЕ дает возможность ученику освоить основные грам-

матические конструкции при помощи часто повторяющихся слов.

Перевод слов и словосочетаний давался по возможности одно-

значным, с учетом конкретного значения слова в определенном

контексте. Некоторые трудности представлял перевод слов с широкой

семантикой — часто используемых наречий, предлогов, частиц. В этих

случаях в словаре при переводе был дан ряд значений, строго

соответствующих контекстуальным.

Перед началом обучения каждого абонента системы выяснялось,

каким словарным запасом он обладает. Для этого каждому абоненту

предлагалось просмотреть словарь и указать

незнакомые слова и словосочетания. По ответам определялся

исходный уровень незнакомой лексики:

(4.2.61)

где q

— частота i-й ЛЕ в словаре;

если абонент знает i-ю ЛЕ;

если i-я ЛЕ ему незнакома.

В результате такого тестирования для каждого j-го абонента

определялся объем всей обучающей информации

= (i

, ..., i

где i

— номер незнакомого j-му абоненту слова или словосочетания

в словаре; п

— общее число незнакомых для этого абонента ЛЕ в

словаре.

Роль «учителя» в системе выполняла программа, реализующая

описанный в подразделе 4.2.2 алгоритм обучения. Цель обучения

состояла в том, чтобы снизить процент незнакомой лексики Q до 5%,

поскольку именно при таком словарном запасе возможно свободное

чтение и понимание текста на иностранном языке [108].

На каждом такте обучения с помощью ЭВМ согласно (4.2.34)

определялась порция ОИ U

= {i

, ..., i

}. Слова и словосочетания с

этими номерами выдавались для запоминания. При этом были

предусмотрены две формы обучения, которые выбирались самим

абонентом. В первой ЛЕ выдаются списком с транскрипцией и

переводом, во-второй — в виде отдельных карточек, на одной

стороне которых была написана ЛЕ, а на другой — ее перевод с

транскрипцией русскими буквами.

Абонент заучивал слова и словосочетания, указанные в бланке

задания, и на другой день сам проверял их запоминание. При этом в

бланке задания, который был одновременно и отчетом, абонент

указывал затраченное на заучивание время T

(N) и время,

планируемое им для следующего занятия T

ПЛ

(N+1). Эта информация

о ресурсе R, которым располагает абонент, используется для

определения объема порции ОИ M

N+1

исходя из следующего

приближенного равенства:

(4.2.62)

где U

N+1

— множество элементов порции ОИ, определяемых по

правилу (4.2.34); p

N+1

) — вероятность незнания i-й ЛЕ через

время t

N+1

после ее заучивания; k

N+1

— коэффициент, определяемый

адаптивно:

(4.2.63)

т. е. на каждом шаге

осуществлялась коррекция этого коэффициента, с тем чтобы время,

необходимое для заучивания данным абонентом получаемой им

порции ОИ, соответствовало планируемому им времени. Выражение

(4.2.62) опирается на очевидное соображение, что время заучивания

одной ЛЕ пропорционально вероятности ее незнания.

На следующем N-м шаге обучения указанные в бланке задания

ответы абонента — номера незапомненных им ЛЕ, время Т

и Т

ПЛ

, а

также дата выполнения задания — вводились в ЭВМ. Дата

выполнения задания необходима для определения промежутка

времени между уроками, т. е. величины ∆t

, так как темп обучения

задавался самим учеником.

Ответы ученика Y

и интервал времени ∆t

используются для

преобразования вектора вероятностей незнания ЛЕ P

согласна модели

данного ученика (4.2.30), (4.2.32). Затем вычислялся критерий качества

обучения Q

(4.2.33), который являлся количественной

характеристикой, определяющей процент незнакомой для данного

ученика лексики. Если Q

≤0,05, то обучение заканчивалось. При

невыполнении этого неравенства по (4.2.34) определялась очередная

порция ОИ.

В модели ученика имелись параметры γ', γ'' и α

(γ'''=1),

характеризующие индивидуальные особенности памяти абонента. Эти

параметры неизвестны и должны быть определены в процессе

обучения. Начальные скорости забывания α

оценивались методом

максимального правдоподобия. Оценка неизвестных параметров

модели γ' и γ'' в процессе обучения является достаточно трудоемкой

процедурой. Поэтому в поставленном эксперименте в качестве γ' и γ''

были взяты оценки, полученные ранее при запоминании иностранных

слов в эксперименте, описанном в подразделе 4.2.4.

Для реализации описанной выше процедуры обучения в ИЭВТ АН

ЛатвССР был разработан пакет программ, написанных на

алгоритмическом языке Фортран-4 для операционной системы ЕС

ЭВМ. На основе этого пакета была реализована экспериментальная

система обучения языку (ЭСОЯ), опытная эксплуатация которой дала

возможность оценить эффективность предложенного способа

обучения с моделью [273].

Основными критериями эффективности системы были выбраны

среднее время, затраченное абонентом на заучивание

одной ЛЕ, и уровень понимания текста, на основе которого про-

изводилось обучение.

Первый критерий (среднее время, затраченное на одну ЛЕ)

вычислялся на основе отчетов абонентов о знании словаря, полученных

при входе и выходе из системы. Из этих отчетов было определено

число новых ЛЕ, которые запомнил абонент. Время, затраченное на их

заучивание, было определено по ежедневным отчетам абонента. В

результате вычислялось среднее время, затрачиваемое на заучивание

одной ЛЕ.

Эксперимент показал, что это время неодинаково для различных

абонентов и зависит от того, учил или не учил абонент язык ранее.

Так, в группе абонентов, изучавших язык ранее (12 человек), на одну

ЛЕ было затрачено среднее время = = 0,95 мин, которое изменялось в

пределах от 0,3 до 1,56 мин. В группе незнакомых ранее с английским

языком (9 человек)

= 1,7 мин, Причем t

max

= 4 мин.

Для сравнения напомним, что по программе средней школы для

заучивания одной ЛЕ предусматривается 30 мин.

Вторым критерием оценки эффективности предложенного способа

обучения было понимание английского текста. С этой целью на

различных этапах обучения при разных значениях Q из текста

случайно выбирались предложения для перевода, качество которого

оценивалось экспертным путем по трехбалльной системе: .

«3» — абонент понял смысл и содержание предложения. Перевод

правильный (допускаются некоторые несущественные в смысловом

отношении ошибки при переводе);

«2» — абонент правильно перевел все отдельные слова пред-

ложения, но имеются ошибки, изменяющие смысл предложения.

Перевод неточен;

«1» — абонент не понял предложение. Отдельные слова пред-

ложения переведены неправильно или вообще не переведены. Перевод

предложения отсутствует.

Результаты оценки качества перевода для разных абонентов при

различных значениях Q приведены на рис. 4.2.12. Здесь же дугами

показана динамика улучшения качества перевода (уменьшение доли

незнакомой лексики) в процессе обучения для различных абонентов.

На этом рисунке четко просматривается зависимость между уровнями

знания лексики Q и понимания текста.

Проведенные эксперименты показали, что для уверенного по-

нимания специального (математического) текста на иностранном

языке вполне достаточно знания порядка 75% слов текста ( а не 95%,

как рекомендовано в работе [108]).

При изложенном способе обучения пониманию текстов на

иностранном языке естественно предположить, что для

понимания текста необязательно

знание нормативной грамматики

— достаточно знание ЛЕ, т. е.

слов и словосочетаний,

содержащих основные

грамматические конструкции.

Для проверки этой гипотезы по

экспериментальным данным

была вычислена корреляция

между процентом незнакомой

лексики в тексте Q и оценкой

качества перевода

Так как Q изменяется в

метрической шкале, а b — в

шкале порядка, то для вы-

числения коэффициента ран-

говой корреляции необходимо

прежде всего преобразовать

шкалу Q в шкалу порядка, т. е.

ввести ранги Q. Для этого

интервал [0; 1} был разбит на 4

части и каждой присвоен свой

ранг:

интервал [0; 0,25] соответ-

ствовал первому рангу (а =

= 1);

интервал [0,25; 0,5] соответствовал второму рангу (а = 2) и т. д. до

четвертого (а = 4) ранга.

В результате по данным для абонентов, ранее не изучавших язык,

был подсчитан коэффициент ранговой корреляции ρ (по Спирмену)

[104]. Он оказался равным 0,45, т. е. очень высоким. Это означает, что

существует явная зависимость между знанием лексики и пониманием

текста абонентами системы.

В заключение отметим свойства описанной системы обучения,

которые выгодно отличают ее от других:

1. Адаптивность, которая выражается в том, что система

строит модель абонента, с помощью которой обучает его наи

лучшим образом, приспосабливаясь к индивидуальным особен

ностям памяти абонента.

2. Анонимность: абонент фигурирует в системе под своим

номером.

3. Полное отсутствие в системе преподавателя. (Описанная

выше процедура экспертной оценки правильности перевода по

надобилась лишь для того, чтобы показать достаточность за-

ис. 4.2.12. Результаты эксперименталь-

ного обучения.

учивания лексики, и в серийном варианте системы обучения не

предусматривается.)

4. Темп обучения задается абонентом в виде указания вре

мени, выделяемого им для заучивания очередной порции ОИ.

5. Процесс заучивания может производиться в любых усло

виях, удобных абоненту, и никак не связан с системой. Общение

с системой происходит лишь в момент получения очередного за

дания и может осуществляться с помощью телетайпа, дисплея и

других средств общения с ЭВМ.

§ 4.3. Адаптивный синтез

многопороговых логических элементов

методом случайного поиска

Пороговая логика является сравнительно новой перспективной

областью кибернетики, связанной с теорией адаптивных и само-

организующихся систем, распознаванием образов, искусственным

интеллектом и робототехникой, конструированием универсальных

модулей ЭВМ и принципиально новых методов обработки инфор-

мации [257].

Большие функциональные возможности пороговых схем известны

давно [77, 242, 257], однако трудности физической реализации

надежных в работе пороговых устройств на уровне технологии 60-х

годов вызвали пессимистические настроения у инженеров-практиков.

В последние годы теоретические исследования и создание

технических схем (в том числе многозначных) показывают, что этот

временный кризис постепенно преодолевается благодаря успехам

техники и более глубокому пониманию природы «ненадежности»,

компенсируемой простым механизмом многофункциональной

перенастройки — структурной и параметрической. Это позволяет

переоценить и конкретизировать как сферу применения пороговых

устройств (например, в адаптивных системах управления), так и

способы их реализации. Многопороговые схемы в интегральном

исполнении могут найти широкое применение в логических,

арифметических и запоминающих узлах ЭВМ [77, 85, 134, 146].

Разработка данных узлов на основе порогового базиса является

перспективной также вследствие его однородности, функциональной

полноты, единства задач анализа, синтеза, диагностики и настройки,

удобства их решения на ЭВМ

Кроме того, фактические результаты и методология современной

пороговой логики могут оказаться эффективным инструментом для

решения фундаментальных проблем нейрокибернетики (анализ и

моделирование нейронных ансамблей,

целенаправленный синтез нейронных структур с заданными свой-

ствами), психофизики (анализ пороговой зоны, прямое многомерное

шкалирование чувствительности сенсорных систем) и других научных

направлений, исследующих функционально-поведенческие и

нейрофизиологические процессы.

Формальная теория пороговых структур еще недостаточно развита

ввиду сложности и новизны проблематики. Ниже рассматриваются

методы анализа и синтеза пороговых структур методами случайного

поиска, их специфические свойства и проявление этих свойств в

задачах случайного поиска.

4.3.1. Пороговый логический элемент (ПЛЭ)

Математическая модель ПЛЭ, впервые рассмотренная в [128],

схематически показана на рис. 4.3.1. Здесь двоичные входы х

, ..., х

образуют вектор входа

Х = (х

, ..., х

), (4.3.1)

где . Вектор весов

U = (u

, ..., u

) (4.3.2)

и порог τ однозначно определяют выходную логическую (булеву)

функцию f(X) порогового элемента:

(4.3.3)

(4.3.4)

Таким образом, пара

‹ U, τ › (4.3.5)

определяет структуру некоторой логической функции. Образование

этой функции удобно проиллюстрировать в n-мерном прост-

Рис. 4.3.1. Блок-схема поро-

гового логического элемента.

где

ранстве возможных входов {X}. Оно представляет собой вершины n-

мерного гиперкуба, который гиперплоскостью

(4.3.6)

разделяется на две части. Вершинам одной из них в

соответствии с (4.3.3) присваивается «0», а вершинам других — «1».

Очевидно, что произвольную логическую функцию, т. е. про-

извольное присвоение вершинам 0 или 1, так образовать невозможно.

Именно это обстоятельство ограничивает применение ПЛЭ такого

рода. Произвольную логическую функцию можно реализовать лишь с

помощью сети из ПЛЭ [254].

4.3.2. Многопороговый логический элемент

Под многопороговым логическим элементом (МПЛЭ) понимается

(n×1)-полюсник с п входами х

, ..., х

и одним выходом у,

определяемыми следующим соотношением:

(4.3.7)

где α {0; 1}, а функция l(Х)

определена выражением (4.3.4). Как видно, МПЛЭ отличается от ПЛЭ

пороговым элементом ПЭ (см. рис. 4.3.1), который в данном случае

становится многопороговым элементом (МПЭ), реализующим

функцию (4.3.7). На рис. 4.3.2 приведены два варианта МПЭ при

различных значениях α.

Таким образом, МПЛЭ определяется тройкой

‹U, T, α› (4.3.8)

где U — вектор весов (4.3.2),

определяющий вход МПЭ (4.3.4),

Т — вектор порогов:

T = (τ

, ..., τ

) (4.3.9)

и α — двоичный параметр.

Тройка (4.3.8) определяет

k-пороговый логический элемент.

МПЛЭ имеет наглядную

геометрическую интерпретацию

в пространстве его

ис. 4.3.2. Два варианта МПЛЭ, отли-

чающиеся значениями параметра а и по-

огов.

входов {X}. Гиперкуб 0≤x

≤1 (i=1,...,n) рассекается параллельными

гиперплоскостями

(4.3.10)

на k+1 «слоев». Вершины этого гиперкуба, попавшие в один из

«слоев», принимают одно и то же значение. В двух соседних «слоях»

вершины имеют противоположное значение. Веса вектора U

определяют наклон этих гиперплоскостей.

Задача синтеза МПЛЭ для произвольной логической функции

сводится к определению тройки (4.3.8). В простейшем случае, когда

нет ограничений на число k порогов, любую логическую функцию

можно реализовать с помощью так называемой канонической

реализации [242]:

(4.3.11)

где и i

≠i

при p≠q. В этом случае легко пока-

зать, что значения l(X

) не могут совпадать для любых j, т. е.

l (Х

) ≠ l (Х

), если j≠i, (4.3.12)

и число порогов k такого МПЛЭ может изменяться в пределах

0 ≤ k ≤ 2

-1. (4.3.13)

(Случай k = 0 вырожденный, соответствующий f(X)=const, т. е.

постоянной.)

Очевидно, что такой большой диапазон (4.3.13) возможного числа

порогов при канонической реализации весов (4.3.11) является

существенным недостатком, так как именно пороги определяют

сложность технической реализации МПЛЭ. Чем меньше порогов, тем

проще и дешевле элемент.

Поэтому следует изыскать такой метод синтеза МПЛЭ, который

минимизировал бы число порогов k. Легко заметить, что количество

порогов однозначно определяется весами U, т. е. k = k(U) (параметр а

при этом однозначно определится вектором порогов U и заданной

логической функцией F(X), которую следует реализовать с помощью

МПЛЭ).

Заметим, что имеется много задач, где для нормального

функционирования вполне достаточно задать несколько точек N«2

Именно эта ситуация выгодно отличает процесс синтеза МПЛЭ от

стандартных методов синтеза конечных автоматов.

Рассмотрим процесс синтеза МПЛЭ, т. е. определение вектора

весов U по функции F(X), заданной в точках X

,...,X