Самообучающиеся системы

В основе самообучающихся систем лежат методы автоматической классификации примеров ситуаций реальной практики (обучения на примерах). Примеры реальных ситуаций накапливаются за некоторый исторический период и составляют обучающую выборку. Эти примеры описываются множеством признаков классификации, причем обучающая выборка может быть:

· "с учителем", когда для каждого примера задается в явном виде значение признака его принадлежности некоторому классу ситуаций (классообразующего признака);

· "без учителя", когда по степени близости значений признаков классификации система сама выделяет классы ситуаций.

В результате обучения системы на основе специального математического аппарата автоматически строятся обобщенные правила или функции, определяющие принадлежность ситуаций к классам, которыми обученная система пользуется при интерпретации возникающих ситуаций. При этом автоматически формируется база знаний, используемая при решении задач классификации и прогнозирования. Эта база знаний периодически корректируется по мере накопления опыта реальных ситуаций, что позволяет сократить затраты на ее создание и обновление.

Общие недостатки, свойственные всем самообучающимся системам, заключаются в следующем:

· возможна неполнота и/или зашумленность (избыточность) обучающей выборки и как следствие неадекватность базы знаний возникающим проблемам;

· возникают проблемы, связанные с плохой смысловой ясностью зависимостей признаков и как следствие неспособность объяснения пользователю получаемых результатов;

· ограничения в размерности признакового пространства вызывают неглубокое описание проблемной области и узкую направленность применения.