Учебник_Информатика. Стандарт третьего поколениян. В. Макарова, В. Б. Волков
![]()
|
Пример, В компьютере хранятся данные, представляющие собой число -5,0. В процессе извлечения, представления и осмысления этих данных они, в зависи мости от описываемой предметной области, превращаются, например, в инфор мацию о температуре воздуха на улице. В этом случае знанием становится закон (понимание), определяющий то, что при такой температуре необходимо надеть теплую одежду. При обработке на компьютере знания трансформируются аналогично этапам преобразования данных. 1. Добыча (извлечение) знаний и их фиксация на материальных носителях инфор мации (таблицы, протоколы, учебники, методические пособия). 2. Разработка поля знаний — условного описания основных объектов предметной области, их атрибутов, связывающих их закономерностей. 3. Описание знаний на языках представления знаний в соответствии с выбранной моделью (продукционные языки, семантические сети, фреймы — см. далее). 4. Создание и поддержка базы знаний на машинных носителях. Для хранения данных используются базы данных (для них характерны большой объем и относительно небольшая удельная стоимость информации), для хранения знаний — базы знаний (небольшого объема, но исключительно дорогие информа ционные массивы). База знаний — основа любой интеллектуальной системы. Создание баз данных может быть в значительной степени автоматизировано, а информационные системы, основанные на базах данных, часто могут быть полно стью автоматическими. Пример. Процесс покупки товаров в магазине самообслуживания может быть автоматизирован полностью. Покупатель сам выбирает нужные ему товары, при выходе датчики считывают информацию с электронных меток и на табло отображается информация о счете. В случае, когда платеж производится при по мощи электронной банковской карты, участие продавца может быть исключено полностью: после платежа специальное устройство дистанционно деактивирует метки, обеспечив покупателю беспрепятственный выход из магазина. В этом случае процесс сбора данных совершается автоматически, а процесс при нятия решения о совершении покупки поддается полной алгоритмизации. 3.3. Модели представления знаний 81 В отличие от баз данных базы знаний требуют участия высококвалифициро ванного персонала на всех этапах работы с ними, как во время создания, так и во время использования в информационных системах. Знания могут быть классифицированы по следующим категориям: □ поверхностные знания — это знания о видимых взаимосвязях между отдельны ми событиями и фактами в предметной области; □ глубинные знания представляют собой абстракции, аналогии, схемы, отобража ющие структуру и процессы в предметной области. Современные экспертные системы работают в основном с поверхностными знаниями. Это связано с тем, что на данный момент нет адекватных моделей, по зволяющих работать с глубинными знаниями. Близко к предыдущему подразделение знаний на эксплицитные и тацитные: □ эксплицитные знания — это формализованные (описанные формальным язы ком) знания, предназначенные для передачи и отчужденные от носителя знаний; □ тацитные знания — это неформализованные (не поддающиеся описанию) знания, являющиеся результатом личного опыта и интуиции, неотчуждаемые от носителя знаний. Основной задачей аналитика, занимающегося созданием базы знаний, является перевод знаний из тацитной в эксплицитную форму. Кроме того, знания можно разделить на процедурные и декларативные. Исто рически первичными были процедурные знания, то есть знания, «растворенные» в алгоритмах. Они управляли данными. Для их изменения требовалось изменять программы. Однако с развитием искусственного интеллекта приоритет данных по степенно изменялся, и все большая часть знаний сосредоточивалась в структурах данных (таблицы, списки, абстрактные типы данных). Сегодня знания приобрели чисто декларативную форму, то есть знаниями счи таются предложения, записанные на языках представления знаний, приближенных к естественному языку, и понятные неспециалистам. 3.3. Модели представления знаний Существуют десятки моделей (или языков) представления знаний для различ ных предметных областей. Большинство из них может быть сведено к следующим классам: □ продукционные модели; □ семантические сети; □ фреймы; □ формальные логические модели. Продукционная модель — модель, основанная на правилах, представляющих знания в виде предложений типа: если (условие), то (действие). База знаний при использовании продукционной модели представляет собой совокупность такого рода правил, записанных на формальном языке. 82 Глава 3. Теоретические основы управления знаниями Под условием понимается некоторое предложение-образец, по которому осу ществляется поиск в базе знаний, а под действием — операции, выполняемые при успешном исходе поиска. Действия могут быть промежуточными, выступающи ми далее как условия, и терминальными, или целевыми, завершающими работу системы. Программа, управляющая перебором правил, называется машиной вывода. Чаще всего вывод бывает прямой (от данных к поиску цели) или обратный (от цели для ее подтверждения — к данным). Данные — это исходные факты, на основании которых запускается машина вывода — программа, перебирающая правила из базы. Пример. Имеется фрагмент базы знаний из двух правил, первого (П1) и второго (П2): П1: Если «котировки на акции падают» и «состояние рынка нестабильное», то «покупать». П2: Если «биржевые индексы падают», то «состояние рынка нестабильное». Предположим, в систему поступили данные — «котировки на акции падают» и «биржевые индексы падают». Прямой вывод — исходя из данных, получить ответ. Первый проход. Шаг 1. Пробуем П1, не работает (не хватает данных «состояние нестабильное»). Шаг 2. Пробуем П2, работает, в базу поступает факт «состояние нестабильное». Второй проход. ШагЗ. Пробуем П1, работает, активируется цель «покупать», которая и выступает как совет, который дает ЭС. Обратный вывод — подтвердить выбранную цель при помощи имеющихся правил и данных. Первый проход. Шаг 1. Цель — «покупать»: пробуем П1 — данных «состояние нестабильное» нет, они становятся новой целью, и ищется правило, где цель в правой части. Шаг 2. Цель «состояние нестабильное»: правило П2 подтверждает цель и акти вирует ее. Второй проход. ШагЗ. Пробуем П1, подтверждается искомая цель. Продукционная модель чаще всего применяется в промышленных экспертных системах. Она привлекает разработчиков своей наглядностью, высокой степенью модульности, легкостью внесения дополнений и изменений, простотой механизма логического вывода. 3.3.1. Семантические сети Термин «семантическая» означает «смысловая», а сама семантика — это наука, устанавливающая отношения между символами и объектами, которые они обо значают, то есть наука, определяющая смысл знаков. 3.3. Модели представления знаний 83 Можно ввести несколько классификаций семантических сетей. Например, по количеству типов отношений: □ однородные — с единственным типом отношений; □ неоднородные — с различными типами отношений. По типам отношений: □ бинарные, в которых отношения связывают два объекта; □ я-арные, в которых есть специальные отношения, связывающие более двух понятий. Наиболее часто в семантических сетях используются следующие отношения: □ связи типа «часть—целое» («класс—подкласс», «элемент—множество» и т. п.); □ функциональные связи (определяемые обычно глаголами «производит», «вли яет», «любит»...); □ количественные связи («больше», «меньше», «равно»...); □ пространственные связи («далеко от», «близко от», «за», «под», «над»...); □ временные связи («раньше», «позже», «в течение»...); □ атрибутивные связи («иметь свойство», «иметь значение»...); □ логические связи («и», «или», «не») и др. Проблема поиска решения в базе знаний типа семантической сети сводится к задаче поиска фрагмента сети (подсети), соответствующей поставленному вопросу. Пример. На рис. 3.3 изображена семантическая сеть. В качестве вершин исполь зуются понятия: Подразделение, ОГЭ (отдел главного энергетика), Лифт, Отис, Подъемный механизм, Двигатель, Человек, Вместимость. Рис. 3.3. Семантическая сеть 84 Глава 3. Теоретические основы управления знаниями Основное преимущество этой модели — в ее соответствии современным пред ставлениям об организации долговременной памяти человека. Недостаток моде ли — сложность поиска вывода. 3.3.2. Фреймы Фрейм (от англ. frame — каркас, или рамка) предложен М. Минским в 70-е гг. как структура знаний, предназначенная для восприятия пространственных сцен. Эта модель, как и семантическая сеть, имеет глубокое психологическое обоснова ние. ?Щ' ф/,1 ; ; "М Свойства, характеризующие описываемый объект или ситуацию, в случае фрей мовой модели именуются слотами. Каждый слот имеет название, и ему может быть присвоено значение. Структуру фрейма можно представить так: ИМЯ ФРЕЙМА: (имя 1-го слота: значение 1-го слота), (имя 2-го слота: значение 2-го слота), (имя N-ro слота: значение N-ro слота). Ту же запись можно представить в виде таблицы, дополнив двумя столбцами: Имя фрейма Имя слота Тип слота Значение слота Присоединенная процедура В таблице дополнительные столбцы предназначены для описания типа слота и возможного присоединения к тому или иному слоту специальных процедур, что допускается в теории фреймов. В качестве значения слота может выступать имя другого фрейма — так образуют сети фреймов. Различают фреймы-образцы, или прототипы, хранящиеся в базе знаний, и фреймы-экземпляры, которые создаются для отображения реальных ситуаций на основе поступающих данных. У фреймов-образцов все слоты или часть их не имеют значений, у фреймов-экземпляров все слоты заполнены значениями, описывающи ми конкретный объект, сценарий, ситуацию или роль. Модель фрейма является достаточно универсальной, поскольку позволяет ото бразить все многообразие знаний о мире через □ фреймы-структуры (обозначают объекты и понятия, такие как заем, залог, вексель); □ фреймы-роли (менеджер, кассир, клиент); □ фреймы-сценарии (банкротство, собрание акционеров, празднование именин); □ фреймы-ситуации (тревога, авария, рабочий режим устройства) и др. 3.3. Модели представления знаний 85 Важнейшим в теории фреймов является наследование свойств, заимствованное из теории семантических сетей. И во фреймах, и в семантических сетях наследо вание происходит по АКО-связям (от англ. A Kind Of — это). Слот АКО указывает на фрейм более высокого уровня иерархии, откуда неявно наследуются (то есть переносятся) значения аналогичных слотов. Пример. В сети фреймов на рис. 3.4 понятие «программист» наследует свойства фреймов «инженер» и «служащий», которые находятся на более высоком уровне иерархии. Так, на вопрос: «Есть ли у инженера табельный номер?» — следует от вет: «Да», так как этим свойством обладают все служащие, что указано во фрейме «служащий». Таким образом, иерархическая связь между фреймами осуществля ется через значение, указанное в слоте АКО. Основным преимуществом фреймов в качестве модели представления знаний является способность отражать концептуальную основу организации памяти че ловека, можно также отметить ее гибкость и наглядность. 3.3.3. Формальные логические модели Традиционно в представлении знаний выделяют формальные логические модели. основанные на классическом исчислении предикатов I порядка. Предикат — это то, что утверждается или отрицается о субъекте суждения. Пример. Мы можем обозначить предикатом РАВНО(х,г/) отношение равенства (х = у ), где х и у принадлежат множеству вещественных чисел. В этом случае пре дикат РАВНО будет принимать значение ИСТИНА для всех равных значений х и у. 86 Глава 3. Теоретические основы управления знаниями Связывая между собой предикаты при помощи символов математической ло гики, можно описывать сложные логические высказывания на формальном языке. Для того, чтобы на основе исчисления предикатов создавать компьютерные модели, разработаны специальные языки логического программирования (одним из них является prolog). Описание этих моделей опустим, так как исчисление предикатов I порядка в промышленных экспертных системах практически не используется. Эта логи ческая модель применима в основном в исследовательских «игрушечных» систе мах, так как предъявляет очень высокие требования и ограничения к предметной области. В промышленных же экспертных системах используются различные ее моди фикации и расширения, изложение которых выходит за рамки темы данного учебника. 3.4. Системы, основанные на знаниях Живые существа в зависимости от положения на эволюционной лестнице об ладают большими или меньшими интеллектуальными способностями. Интеллек туальные возможности пчелы, птицы, дельфина и человека различаются во много раз. Тем не менее про каждое из этих существ можно сказать, что оно имеет воз можность индивидуального выбора и принятия собственного решения. Это и есть один из признаков интеллекта. В приложениях, построенных на основе искусственного интеллекта, делается попытка воспроизвести поведение живых существ средствами компьютерных систем. При этом инженер по знаниям решает довольно сложную задачу: он должен встроить в компьютерные программы поведение, свойственное живым существам. Используя ряд методологий, которые включают в себя экспертные системы, нейронные сети, системы, основанные на прецедентах, генетические алгоритмы, интеллектуальные агенты и добычу данных, мы можем заставить компьютерные системы действовать сходно с живыми существами, воспроизводя небольшое ко личество аспектов интеллектуального поведения, таких как □ принятие решений, диагностика, планирование систем и ситуаций с использо ванием экспертных систем или нейронных сетей; □ прогнозирование развития сложных систем с помощью генетических алгоритмов; □ изучение предыдущего опыта (иногда единственного примера) и принятие на его основе решения по текущей ситуации средствами систем, основанных на прецедентах; □ распознание рукописного ввода или графического изображения путем модели рования в нейронных сетях; □ установление причинно-следственных связей между наборами данных с помо щью механизмов извлечения данных (тем самым можно идентифицировать при чинно-следственные связи в реальном мире, из которого эти данные поступили); 3.4. Системы, основанные на знаниях 87 □ симуляция самостоятельного поведения компьютерной программы, реализуе мая с помощью технологии интеллектуальных агентов. Например, юридические информационные системы могут предлагать подходя щие решения, основанные на примерах из прошлого опыта, используя механизм прецедентной аргументации (такие системы будут работать эффективно при пре цедентной правовой системе, в которой решения принимаются с учетом прошлых судебных решений по сходным делам). Системы, основанные на знаниях, — это компьютерные программы, спроек тированные таким образом, чтобы воспроизводить работу экспертов в заданных областях знания. Есть семь основных типов систем, основанных на знаниях. 1. Экспертные системы моделируют процесс принятия решения, свойственный человеческому мозгу. Они используются для того, чтобы действовать подобно экспертам-людям, помогая руководителям или специалистам принять решение, основываясь на экспертных знаниях. Типичные области применения экспертных систем — планирование, составление расписаний, диагностика. Хотя экспертные системы служат для того, чтобы воспроизвести процесс принятия решений, свойственный человеку, алгоритмы и правила, на основе которых принимаются решения, являются статическими. Это значит, что экспертная система не может самостоятельно модифицировать логику своей работы и не является самообу чающейся. 2. Нейронные сети моделируют работу человеческого мозга на биологическом уровне (на уровне поведения отдельных клеток мозга, нейронов). Это означает, что нейронные сети обладают встроенной способностью к самообучению: они могут учиться распознавать шаблоны, а затем на основе шаблонов распознавать образы. Благодаря способности к самообучению, нейронные сети могут быть в некоторой степени использованы для решения задач прогнозирования на ос нове прошлого опыта (например, для прогнозирования суточного распределения затрат электроэнергии в энергосистеме). 3. Системы, основанные на прецедентах, моделируют человеческую способность принимать решение по аналогии с уже имеющимися прецедентами. Такого рода системы часто используют в службах технической поддержки, где схожие про блемные ситуации повторяются многократно у разных клиентов. 4. Системы, построенные на генетических алгоритмах, как явствует из названия, моделируют процесс развития биологических организмов на клеточном уровне. Такого рода алгоритмы предназначаются для поиска одного лучшего из множе ства приемлемых вариантов решения проблем с большим количеством опреде ляющих параметров. Поскольку биологический организм в процессе развития непрерывно решает задачу оптимизации всех своих параметров и установления равновесия с окружающей средой, постольку системы, основанные на генетиче ских алгоритмах, могут применяться для решения задач оптимизации сложных многофакторных систем и прогнозирования вариантов их развития. 88 Глава 3. Теоретические основы управления знаниями 5. Интеллектуальные агенты — это программы, для которых задана конечная цель, но они могут самостоятельно выбирать пути достижения этой цели, гибко изме няя алгоритм своего поведения. Большинство интеллектуальных агентов явля ются фоновыми программами, ведущими черновую работу, и выходят на перед ний план только тогда, когда нужно передать пользователю результат. В качестве примеров интеллектуальных агентов можно назвать интернет-роботы поисковых систем, которые непрерывно просеивают миллионы страниц различных сай тов, чтобы поддерживать данные поисковой машины в актуальном состоянии. 6. Системы добычи данных. Термин «добыча данных» используют для того, чтобы описать процесс обнаружения знаний путем нахождения ранее неизвестных взаимосвязей между данными. В базах, в которых хранятся большие массивы данных, можно выявить неявные закономерности, имеющие практическую пользу. Например, анализируя продажи в супермаркете, можно выяснить, что летом в один и тот же временной интервал резко возрастает продажа лимонада, мороженного и семечек. Эти товары надо расположить в торговом зале рядом и обеспечить их бесперебойное поступление. Такие меры позволят значительно увеличить продажу этих продуктов. 3.4.1. Экспертные системы Экспертные системы должны обладать некоторыми специфическими характе ристиками: для своей работы экспертная система использует знания, которые она должна уметь сохранять в базе знаний, извлекать и обрабатывать определенным образом для решения проблемы. Другими словами, экспертная система должна полностью заменять эксперта-человека в какой-либо специфической области деятельности. Экспертные системы создаются при помощи языков программирования, под держивающих программирование, основанное на правилах. Обычно в качестве таких языков выступают Prolog и Lisp. Два требования являются особенно важными для экспертных систем: □ Достаточно узкая предметная область. Чем уже предметная область, в которой реализуются функции экспертной системы, тем легче создать для нее набор правил и тем эффективнее выданное экспертное заключение. □ Возможность обратного вывода (см. ранее пример продукционной модели) позволяет отследить, на основе каких исходных данных вырабатывалась экс пертная рекомендация. Основными элементами экспертной системы являются (рис. 3.5): □ модуль хранения знаний (база знаний), в котором знания сохраняются в раз личных форматах представления; 3.4. Системы, основанные на знаниях 89 □ механизм логического вывода, который использует базу знаний для решения проблем; □ интерфейс пользователя, через который пользователь применяет экспертную систему, формулирует проблему и получает ее решение; □ механизм получения знаний, при помощи которого формируются базы знаний различного назначения (для различных предметных областей). Пользователь экспертной системы Рис. 3.5. Элементы экспертной системы Достоинства экспертных систем можно отнести: □ процесс принятия решения происходит на основе заранее установленных правил; □ раздельное использование базы знаний и механизма логического вывода по зволяет раздельно модифицировать то и другое; □ возможность узнать, как было получено решение; □ быстрота получение решения; □ наличие стандартной процедуры вывода; □ возможность многократного решения типовых задач с освобождением от этой работы экспертов-людей; □ расширение возможностей пользователей до возможностей опытных экспертов в определенной области. 90 Глава 3. Теоретические основы управления знаниями Недостатки экспертных систем: □ ориентация на узкую область знаний, на решение проблем с ограниченной спецификой; □ потребность в экспертах для приобретения знаний; □ частая потребность в эксперте для окончательного заключения; □ высокая степень формализации, неспособность применять в рассуждениях «простой здравый смысл»; □ высокая стоимость разработки и обслуживания; □ высокая степень механистичности выводов, отсутствие «творческих способ ностей»; □ потребность в постоянном пополнении базы знаний в соответствии с измене ниями в экспертной области; □ трудоемкость получения знаний от экспертов и особые требования к инже неру по знаниям (процесс перевода интуиции эксперта в символы и выра жения формальной логики может занимать много времени и быть очень до рогим).. Экспертные системы применяются там, где □ решаемые проблемы настолько важны, что применение экспертной системы помогает сэкономить время и деньги или то и другое; □ правила экспертизы стабильны и хорошо известны (иными словами, есть доступные эксперты, от которых достаточно легко получить знания, что по зволяет построить экспертную систему, предназначенную для многократного и длительного применения); □ создать и содержать экспертную систему дешевле, чем содержать в штате экс пертов-людей; □ есть много потребителей, нуждающихся именно в такой экспертной системе (в этом случае однажды созданная экспертная система может быть многократно воспроизведена и применена разными потребителями); □ легче и дешевле создать экспертную систему, чем обучать персонал новой об ласти деятельности; □ решение легко формализуется и принимается на основе устойчивых правил (без привнесения интуиции или плохо формализуемых знаний). Различны е по стоимости, мощности, объему базы знаний и аппаратной реализации экспертные системы используются для принятия решений, полу чения дополнительных сведений, повышения надежности или снижения стоимо сти решения проблем в разных отраслях науки, техники, экономики, медицины и т. д. На рис. 3.6 приведена классификация экспертных систем по разным при знакам. 3.4. Системы, основанные на знаниях Э1 Экспертные системы По задаче По связи в реальным временем По типу ЭВМ По степени интеграции данных — Диагностика — Мониторинг — Проектирование — Прогнозирование — Планирование — Обучение Интерпретация — Статические __Квазидина- мические — На суперЭВМ — Автономные На символьных Гибридные процессорах (интегрированные) — Динамические _ на ЭВМ средней производительности — На мини- и супермини- ЭВМ — На ПЭВМ Рис. 3.6. Классификация экспертных систем 3.4.2. Нейронные сети Искусственные нейронные сети представляют собой один из интереснейших с точки зрения информатики случаев систем, основанных на знаниях. И скус ственные нейронные сети возникли из многочисленных попыток воспроизвести при помощи математики и компьютера абстрактную модель совместной работы клеток головного мозга. Нейрон, основная строительная единица биологического нервного вещества, представляет собой клетку, в которой множество входных сигналов обрабатывается по определенному алгоритму, и затем, как результат этой обработки, формируется выходной сигнал (рис. 3.7). Выходные сигналы, передаваемые Дендриты на дендриты других нейронов Входные сигналы, поступающие от синапсов других нейронов Рис. 3.7. Биологический нейрон 92 Глава 3. Теоретические основы управления знаниями Абстрагируя принцип работы биологического нейрона, математики построили математическую модель, отражающую основные принципы работы этой клетки (рис. 3.8). Рис. 3.8. Классическая модель искусственного нейрона В этой модели сигналы, поступающие на входы а0...аю умножаются на весовые коэффициенты w0...wm и на основе функции обработки f(S j) вырабатывается вы ходной сигнал Ху В простейшем случае входные сигналы, помноженные на весовые коэффициенты, суммируются, и, когда значение суммы становится больше опре деленного порога, генерируется выходной сигнал. В других случаях зависимость выходного сигнала от суммы входных может иметь более сложный характер, опи сываемый заданной математической функцией. Физически один искусственный нейрон представляет собой простой микро процессор с возможностью программирования функции f( S j ), установки весовых коэффициентов и с небольшим объемом встроенной памяти. Для обработки знаний отдельный искусственный нейрон применен быть не может. Но когда множество искусственных нейронов соединяются между собой в искусственную нейронную сеть (подобно тому, как биологические нейроны соединены в мозгу человека), у них появляется возможность обрабатывать и накапливать знания. Знания в искус ственной нейронной сети накапливаются в виде значений весовых коэффициентов. Таким образом, можно сформулировать определение. Исходя из этого определения, необходимыми элементами искусственной ней ронной сети являются: □ математическая модель; □ искусственные нейроны (реализованные аппаратно или программно); □ программно-топологическая реализация математической модели за счет задания соединений между нейронами и обрабатывающей (активационной) функции f(S j). 3.4. Системы, основанные на знаниях 93 Искусственная нейронная сеть в общем случае характеризуется следующими параметрами: □ Адаптивная обучаемость. В контексте искусственной нейронной сети обуча емость означает, что сеть может усваивать различные варианты поведения в зависимости от того, какие данные поступают на ее вход. Вместо того чтобы диктовать сети, как она должна реагировать на каждую порцию данных (как это было бы в случае обычного программирования), сеть сама находит сходства и различия в поступающих данных. По мере поступления новых данных обуче ние продолжается, и поведение сети изменяется. □ Самоорганизация. По мере того как данные поступают на вход сети, сеть имеет возможность изменять весовые коэффициенты тех или иных соединений. Тем самым, по мере поступления новых данных, практически изменяется структура сети. Эффективность самоорганизации сети зависит от начальной структуры соединений и выбранного в качестве математической модели алгоритма об учения (тренинга). □ Устойчивость к ошибкам. Искусственная нейронная сеть умеет выделять из потока данных важные свойства и усиливать их, при этом слабо реагируя на случайные, искаженные или совершенно новые данные (свойства). Таким об разом данные, не несущие в себе повторяющихся закономерностей (другими словами, помехи), просто отбрасываются нейронной сетью, обеспечивая тем самым устойчивость к ошибкам. □ Работа в режиме реального времени и параллельная обработка информации. Эти преимущества нейронных сетей проявляются только в промышленном ис полнении (когда каждый нейрон действительно представляет собой отдельный процессор) и не могут быть получены при программной эмуляции нейронов. Основными признаками для классификации искусственных нейронных сетей являются архитектура и связанный с ней алгоритм обучения. По этим признакам искусственные нейронные сети можно классифицировать так, как это показано на рис. 3.9. В этой классификации можно отметить несколько моментов. □ Обучение с учителем — класс искусственных нейронных сетей, для которого заранее известен диапазон выходных данных. В случае, когда после преобразо вания входных данных и получения выходных данных последние не укладыва ются в заранее заданные диапазон значений, нейронная сеть получает сигналы обратной связи и корректирует свою структуру с целью уменьшения ошибки. |