Разделы презентаций


Лекция 1-2.ppt презентация, доклад

Содержание

Литература

Слайды и текст этой презентации

Слайд 1ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ. ВВЕДЕНИЕ
Лекция 1 – 2.

ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ. ВВЕДЕНИЕЛекция 1 – 2.

Слайд 2Литература

Литература

Слайд 3Интеллектуальная система, как черный ящик

Интеллектуальная система, как черный ящик

Слайд 4Основные понятия
Определение 1.
Интеллектуальной называется система, способная

целеустремленно в зависимости от состояния информационных входов, изменять не

только параметры функционирования, но и сам способ своего поведения, причем способ поведения зависит не только от текущего состояния информационных входов, но также и от предыдущих состояний системы.
Основные понятияОпределение  1.  Интеллектуальной называется система,  способная целеустремленно в зависимости от состояния информационных входов,

Слайд 5
Различают целенаправленные и целеустремленные системы. Примером системы первого

типа может служить артиллерийский выстрел, второй —самонаводящаяся ракета.

Различают целенаправленные  и целеустремленные системы.  Примером системы первого типа может служить артиллерийский выстрел,  второй

Слайд 6
Любой живой организм — интеллектуальная система. Он обладает долговременной

памятью и способностью к самообучению. Ребенок притронувшись к горячей плитке,

уже не повторит ошибки. Щенок, впервые погнавшийся за кошкой, получит серьезный урок и вряд ли снова решит с ней поиграть. При следующей встрече он, скорее всего, убежит или покажет зубы, или проявит еще одну из тысяч возможных реакций.
Любой живой организм — интеллектуальная система.  Он обладает долговременной памятью и способностью к самообучению. Ребенок притронувшись

Слайд 7
Технические же системы чаше всего не являются интеллектуальными,

т. е. их реакция на одно и то

же событие не может измениться кардинально. Система автоматического управления давлением газа в трубе может открывать и закрывать заслонку (управлять параметрами), но она не может принять решение совсем вывинтить заслонку из трубы. Если аварии газопровода предшествует изменение давления (например, сначала резкое повышение, а затем резкое понижение), то автоматическая система воспримет это как нормальную ситуация и попытается «отрегулировать» ее движением заслонки. Даже если после каждой аварии мы будет добавлять в систему управления новый блок, точно фиксирующий параметры предыдущей ситуации, ничего не изменится. Простое накопление данных не «обучит» систему. Дело в том, что щенок, получивший урок от кошки, запомнил не только параметры ситуации (длину когтей и скорость реакции), но и правила поведения (не подходи, не подставляй нос, если залаять — она убежит).
Технические же системы чаше  всего не являются интеллектуальными,  т.  е.  их реакция на

Слайд 8
Определение 2. Интеллектуальной называется система, моделирующая на компьютере мышление человека.

Определение 2. Интеллектуальной называется система, моделирующая на компьютере мышление человека.

Слайд 9


60-е годы, попытка смоделировать на компьютере мозг человека. Клетки мозга

— нейроны — программно описывались специальными математическими методами. Компьютерная программа,

таким образом, представляла как бы кусочек мозга человека. На вход программы подавались некоторые данные (на вход клетки мозга в живом организме подается электрический сигнал), на выходе снимались результаты, которые сверялись с эталоном. В зависимости от того, насколько полученные результаты отклонялись от эталона, в расчетные коэффициенты вносились изменения. В зависимости от количества циклов такого «обучения» результаты работы программы постепенно все более приближались к результатам работы очень маленького элемента мозга человека.
60-е годы, попытка смоделировать на компьютере мозг человека. Клетки мозга — нейроны — программно описывались специальными математическими

Слайд 10
Определение 3. Интеллектуальной называется система, позволяющая усилить интеллектуальную деятельность человека

за счет ведения с ним осмысленного диалога.

Определение 3. Интеллектуальной называется система, позволяющая усилить интеллектуальную деятельность человека за счет ведения с ним осмысленного диалога.

Слайд 11
Следует создавать узкоспециализированные интеллектуальные системы, которые не заменяют человека, но

дополняют его. Человек имеет ряд уникальных способностей, но не свободен

от недостатков. Не один человек не обладает реакцией кошки. Никто из нас не способен прочитать за минуту роман Л. Н. Толстого «Война и мир», редко кто из людей обладает энциклопедической памятью. Компьютер обладает энциклопедической памятью, компьютер совершает миллионы операций в секунду, компьютер реагирует мгновенно. Обратите внимание на новый акцент в постановке задачи создания ИИ. Если изначально выдвигалось требование к машине «мыслить», то теперь — «получать хорошие результаты». Другими словами, произошел переход от моделей, воспроизводящих процесс мышления человека или структуру головного мозга, к моделям, использующим какие-либо собственные принципы организации и методы обучения, но позволяющим получать результаты, «похожие на человека».
Следует создавать узкоспециализированные интеллектуальные системы, которые не заменяют человека, но дополняют его. Человек имеет ряд уникальных способностей,

Слайд 12
Поясним примером: система автоматического наведения ракет обнаружила цель. Цель была

обнаружена практически мгновенно, человек даже не успел ее заметить. Ракета

была автоматически наведена на цель. Цели был послан запрос «свой-чужой». Цель появилась на пульте управления перед оператором, человек принял решение о поражении, выбрал тип оружия и нажал на кнопку «уничтожить». В случае полностью автоматического ведения цели существовала бы реальная опасность уничтожить свой самолет. В обратном случае, если бы наведением на цель, посылкой запроса занимался человек, могло быть упущено время.
Поясним примером: система автоматического наведения ракет обнаружила цель. Цель была обнаружена практически мгновенно, человек даже не успел

Слайд 13
Ваша программа не станет интеллектуальной, если начнет заносить в свою

базу данных все ситуации, с которыми она встречалась. Постоянно пополнять

базы данных можно, и интеллектуальные программы это делают, однако это далеко не все.
Ваша программа не станет интеллектуальной, если начнет заносить в свою базу данных все ситуации, с которыми она

Слайд 14
Рассмотрим пример. Человек смотрит на часы.
Что он видит? Данные?

Информацию? Знания?
Проследим, насколько это возможно, действия человека. Итак, глаза

смотрят на циферблат. В мозг поступает электрический сигнал, в мозге формируется изображение стрелок на циферблате. Далее, сознательно или подсознательно человек прикладывает некоторые умственные усилия, чтобы понять (по положению стрелок) сколько же сейчас времени (т. е. соотносит полученные данные с некоторой шкалой). Получив в итоге декларативную информацию, например 17:20, человек подключает внешние знания, например свое рабочее расписание, понимает что опаздывает (знания) и ускоряет шаг (меняет параметры своего поведения, т. е. данные).
Рассмотрим пример. Человек смотрит на часы. Что он видит? Данные? Информацию? Знания? Проследим, насколько это возможно, действия

Слайд 15Вывод на знаниях

Вывод на знаниях

Слайд 16
Характерная особенность знаний состоит в том, что они не содержатся

в исходной системе. На циферблате часов не было написано «опаздываю».

Слово «опаздываю» не содержалось и в расписании этого человека. Знания возникают в результате сопоставления информационных единиц, нахождения и разрешения противоречий между ними. Т. е. знания активны, их появление (или недостача) приводит к реализации некоторых действий.
Характерная особенность знаний состоит в том, что они не содержатся в исходной системе. На циферблате часов не

Слайд 17
Для знаний характерны следующие свойства:
-внутренняя интерпретируемость (каждая информационная единица

должна иметь уникальное имя и однозначно определяться);
-структурированность, т. е.

между информационными единицами должны быть установлены отношения (например, «часть - целое», «род» — «вид» и др.); при этом возможна рекурсивность;
- знания образуют некоторое пространство, которое может оказаться как метрическим, так и не метрическим.
Для знаний характерны следующие свойства: -внутренняя интерпретируемость (каждая информационная единица должна иметь уникальное имя и однозначно определяться);

Слайд 18Современные теоретические проблемы ИИ.
1. Проблема представления знаний.
1.1. Разработка новых

моделей представления для узкоспециализированных предметных областей.
1.2. Биомашины — машины, имеющие

своей частью живые су- существа либо структурно подражающие человеку:
1.2.1. подражание моторике человека (походка, пластика, бег, прыжки, создание двуногих роботов);
1.2.2.создание инженерных моделей для различных областей по аналогии с системами человеческого организма.
1.3. Многокритериальное принятие решений.
1.4. Принятие решений на основе статистических моделей.
1.5. Координация работы нескольких роботов.
1.6. Проблемы совершенствования нейронных сетей.
Современные теоретические проблемы ИИ.1. Проблема представления знаний. 1.1. Разработка новых моделей представления для узкоспециализированных предметных областей. 1.2.	Биомашины

Слайд 19Современные теоретические проблемы ИИ.
2. Проблема совершенствования компьютерной логики.
2.1. Разработка новых

архитектур компьютеров (параллельные машины, исследования в области так называемой интегрированной

памяти, децентрализованные машины, моделирование высокоскоростных электрических соединений).
2.2. Человекообразные роботы:
2.2.1. Гибкие и портативные члены роботов (головы, руки, тела и т. д.);
2.2.2. Распознавание роботами лиц, авторизованных для управления роботами;
2.2.3. Разработка механизмов роботов (человекоподобный палец с сенсорами, человекоподобная модель мускулатуры, говорение роботов, создание роботов для детей);
2.2.4. Численные методы для оптимизации вычислений.
Современные теоретические проблемы ИИ.2. Проблема совершенствования компьютерной логики. 2.1.	Разработка новых архитектур компьютеров (параллельные машины, исследования в области

Слайд 20Современные теоретические проблемы ИИ.
2.3. Методы доступа к информации:
2.3.1. Мультимедийные

системы;
2.3.2. Эвристический анализ текстов;
2.3.3. Автоматическое извлечение знаний (ключевых

слов) из текста;
2.3.4.Анализ авторского права на текст на основе образцов текста.

Современные теоретические проблемы ИИ.2.3. Методы доступа к информации: 2.3.1. Мультимедийные системы; 2.3.2. Эвристический анализ текстов; 2.3.3. Автоматическое

Слайд 21Современные теоретические проблемы ИИ.
2.4. Создание «интеллектуальных пространств»:
2.4.1. Интеллектуальные обучающие среды

и оболочки;
2.4.2. Формирование запросов (к БД) на основе внимания,

уделяемого пользователем различным элементам среды;
2.4.3. Менеджеры ресурсов для интеллектуальных пространств;
2.4.4. Автоматизация программирования и создания программной документации — интеллектуальная поддержка технологий разработки ПО (UML);
2.4.5. Многопользовательские среды.

Современные теоретические проблемы ИИ.2.4.	Создание «интеллектуальных пространств»: 2.4.1. Интеллектуальные обучающие среды и оболочки; 2.4.2. Формирование запросов (к БД)

Слайд 22Современные теоретические проблемы ИИ.
2.5. Машинное обучение:
2.5.1. Марковские процессы;
2.5.2. Машинное

чтение и понимание текстов;
2.5.3. Восстановление утраченных элементов данных;
2.5.4.

Очистка данных от шумов.
2.6. Медицинское зрение:
2.6.1. Автоматический анализ анатомических структур;
2.6.2. Чтение снимков (рентген и т. п.);
2.6.3. Машинная геометрия и пространственные сцены;
2.6.4. Восстановление изображений по их отражениям;
2.6.5. Сегментация изображений (например, простейшая разбивка на растр).
Современные теоретические проблемы ИИ.2.5.	Машинное обучение: 2.5.1. Марковские процессы; 2.5.2. Машинное чтение и понимание текстов; 2.5.3. Восстановление утраченных

Слайд 23Современные теоретические проблемы ИИ.
2.7. Мобильные роботы.
3. Проблема практического применения теоретических моделей.


4. Проблема совершенствования компьютерной лингвистики.
4.1. Разработка языка управления роботами на основе

естественного языка.
4.2. Создание моделей естественного языка.
4.3. Понимание речи.
4.4. Разработка языков программирования, позволяющих повысить надежность разрабатываемого программного обеспечения (динамические языки, адаптивные системы, системы, способные «выживать»).
Современные теоретические проблемы ИИ.2.7.	Мобильные роботы. 3.	Проблема практического применения теоретических моделей. 4.	Проблема совершенствования компьютерной лингвистики. 4.1.	Разработка языка управления

Слайд 24Asimo
Asimo (сокращение от Advanced Step in Innovative MObility) — робот-андроид.

Создан корпорацией Хонда, в Центре Фундаментальных Технических Исследований Вако (Япония).

Рост 130 см, масса 54 кг. Способен передвигаться со скоростью быстро идущего человека — до 6 км/ч.
AsimoAsimo (сокращение от Advanced Step in Innovative MObility) — робот-андроид. Создан корпорацией Хонда, в Центре Фундаментальных Технических

Слайд 25Проект Aiko Спецификация:
Height: 152cm
Microprocessor: LS372 and C7 Board
Micro Controller: 5-8
8Gig

solid state HD with 4Gig internal memory
Central Data 1000-1500Gig
Power source:

Mn-Polymer 7.2V and 12.0V
Motors: Max 130kg.cm precise feedback is provided by the military grade, stainless steel potentiometer
Motors speed: Max 0.12sec at 60 degree
23 (36) DOF
2x gyros
2cameras, 1x1ccd (1x3ccd)
Control by Internal 32 bits OS
Проект Aiko Спецификация:Height: 152cmMicroprocessor: LS372 and C7 BoardMicro Controller: 5-88Gig solid state HD with 4Gig internal memoryCentral

Слайд 26Проект Aiko

Проект Aiko

Слайд 28Главное препятствие на пути прогресса в области ИИ:
Дано:
1. Кубик

А имеет черный цвет.
2. Кубики А и Б исходно

расположены по отдельности друг от друга.
Верно ли утверждение, что если кубик А положить на кубик Б, то кубик А по-прежнему останется черным.

Главное препятствие на пути прогресса в области ИИ:  Дано:1. Кубик А имеет черный цвет. 2. Кубики

Слайд 29
В рамках ситуационного исчисления для получения требуется наличие дополнительного утверждения:

«Кубик А не меняет своего цвета при такой операции»
Это -

тяжелая задача для систем ИИ, т.к. число подобных утверждений может быть весьма велико.

В рамках ситуационного исчисления для получения требуется наличие дополнительного утверждения: «Кубик А не меняет своего цвета при

Слайд 30
«Естественный закон инерции»: изменения в системе не происходят до тех

пор пока они не оговариваются в системе заранее.

Другая сторона

этой проблемы по М.Минскому: каким образом из памяти робота можно удалить последствия некоторого действия, если ситуация изменилась и это действие отменяется.
Или: каким образом машинная программа определяет, какие из известных ему сведений робот должен пересмотреть, когда он намечает совершить то или иное действие?

«Естественный закон инерции»: изменения в системе не происходят до тех пор пока они не оговариваются в системе

Слайд 31Применение методов ИИ для создания систем защиты информации


Где применяются????

Применение методов ИИ для создания систем защиты информации Где применяются????

Слайд 32Где применяются???
Компьютерная безопасность
Обнаружение внешних и внутренних вторжений
Моделирование и анализ

поведения пользователей
Электронный документооборот
анализ и фильтрация электронной почты и Web трафика
рубрикация

и аннотирование электронных документов организации
Технологические процессы и производство
выявление нештатных ситуаций
прогнозирование качества продукции

Где применяются???Компьютерная безопасностьОбнаружение внешних и внутренних вторжений Моделирование и анализ поведения пользователейЭлектронный документооборотанализ и фильтрация электронной почты

Слайд 33ИИ в компьютерной безопасности
Цели компьютерной безопасности: обеспечение конфиденциальности, целостности и

доступности данных
Вторжение – действия программы или пользователя, направленные на нарушение

целей компьютерной безопасности
Традиционные методы предотвращения вторжений (авторизация, разграничение прав доступа, криптозащита и т.д.) не справляются
Необходимо выявление вторжений
ИИ в компьютерной безопасностиЦели компьютерной безопасности: обеспечение конфиденциальности, целостности и доступности данныхВторжение – действия программы или пользователя,

Слайд 34Традиционные средства выявления вторжений
Основные концепции:
Используют базы сигнатур известных атак


Источники информации: системные журналы и файлы, содержимое сетевого трафика и

файлов.
Недостатки:
Базы знаний формируются экспертами
Необходимо периодически обновлять
Существенная задержка во времени между появлением новой атаки и средств защиты от нее
Атаки постоянно видоизменяются
Есть методы «маскировки» атак
Традиционные средства выявления вторженийОсновные концепции: Используют базы сигнатур известных атак Источники информации: системные журналы и файлы, содержимое

Слайд 35Методы ИИ в задачах выявления вторжений
Основное предположение:
активность пользователей и

программ можно полностью отследить и построить ее адекватную модель
Особенности:
накопление исторической

информации
модели нормального поведение или вторжения
эффективные методы анализа,
которые проверяют текущую
активность в системе на
соответствие построенным моделям
Методы ИИ в задачах выявления вторженийОсновное предположение: активность пользователей и программ можно полностью отследить и построить ее

Слайд 36Обнаружение нарушений
Особенности:
Строится обобщенная модель атаки
Основано на методах классификации
Атакой считаются

события или последовательности событий, соответствующие модели
Основные проблемы:
«Обучение с учителем»: модель

строится на примерах атак (необходимо их иметь и выделить из общей массы данных «вручную»)
Невозможно обнаруживать абсолютно новые или хорошо «замаскированные» атаки
Обнаружение нарушенийОсобенности:Строится обобщенная модель атакиОсновано на методах классификации Атакой считаются события или последовательности событий, соответствующие моделиОсновные проблемы:«Обучение

Слайд 37Обнаружение аномалий
Особенности :
Строится обобщенная модель нормальной активности пользователей или программ

(профайл)
Основано на методах поиска исключений
Атакой считаются события или последовательности

событий, несоответствующие модели
Основные проблемы:
Предположения («Обучение без учителя»):
обычные события отличаются от атак
атак не больше p% от всех тренировочных данных, где p мало или равно 0 (обычно p неизвестно)
Высокий уровень ошибок второго рода (false positive)
Обнаружение аномалийОсобенности :Строится обобщенная модель нормальной активности пользователей или программ (профайл)Основано на методах поиска исключений Атакой считаются

Слайд 38Разработанные и реализованные алгоритмы
Обнаружение аномалий:
Оценка степени «типичности» событий и

их последовательностей - нечеткая кластеризация в бесконечномерном пространстве характеристик.
Обнаружение нарушений:
Гибридный

метод – Нечеткий SVM (Fuzzy Support Vector Machine) в сочетании с предыдущим методом
«Описательные» модели поведения пользователей:
Вероятностная модель поведения пользователя на основе деревьев решений и отображения множества ситуаций (последовательностей событий) в пространство характеристик с помощью потенциальных функций
Верификация:
На реальных данных и на эталонных тестовых наборах и др.

Разработанные и реализованные алгоритмыОбнаружение аномалий: Оценка степени «типичности» событий и их последовательностей - нечеткая кластеризация в бесконечномерном

Слайд 39Система мониторинга и анализа поведения пользователей
Функциональность:
Сбор и консолидация данных о

работе пользователей
Статистический и интеллектуальный анализ
Построение и визуализация моделей поведения
Поиск аномалий

в работе пользователей
Области применения:
Выявление инсайдеров и предотвращение утечек информации
Поиск и анализ последствий вторжений
Система «раннего предупреждения»
Анализ производительности и целевого использования пользователями вычислительных средств организации
Система мониторинга и анализа поведения пользователейФункциональность:Сбор и консолидация данных о работе пользователейСтатистический и интеллектуальный анализПостроение и визуализация

Слайд 40Архитектура системы мониторинга

Архитектура системы мониторинга

Слайд 41Особенности реализации
Подсистема консолидации исходных данных:
Мульти-агентный подход
Нет ограничений на источники собираемых

данных
Универсальный интерфейс для работы с модулями сбора данных
Специализированный формат

представления собранных данных
Специализированное отказоустойчивое высоко производительное хранилище данных на файловой системе
Специальная предобработка данных
Анализируемые факты:
Вход/выход в систему, запуск пользовательских и системных процессов, доступ к данным на любых носителях, активность пользователей в приложениях (клавиатура, мышь), входящий/исходящий сетевой трафик



Особенности реализацииПодсистема консолидации исходных данных:Мульти-агентный подходНет ограничений на источники собираемых данных Универсальный интерфейс для работы с модулями

Слайд 42Электронный документооборот
Интеллектуальная система анализа и фильтрации электронной почты масштаба предприятия
Система

анализа и много-темной классификации Web трафика
Интеллектуальная систему теневого копирования, рубрикации

и аннотирования электронных документов организации
Электронный документооборотИнтеллектуальная система анализа и фильтрации электронной почты масштаба предприятияСистема анализа и много-темной классификации Web трафикаИнтеллектуальная систему

Слайд 43Алгоритм классификации (на SVM):
векторная форма представления письма
высокая точность
эффективность по скорости
персональная

модель классификации почты
Предобработка данных:
Снижение размерности исходного пространства (хи-квадрат и PCA)
Уменьшение

размера тренировочного набора - кластеризация



системы анализа и фильтрации электронной почты

Алгоритм классификации (на SVM):векторная форма представления письмавысокая точностьэффективность по скоростиперсональная модель классификации почтыПредобработка данных:Снижение размерности исходного пространства

Слайд 44Архитектура системы фильтрации
Особенности реализации:
Учет ресурсоемкости алгоритмов на этапе обучения

Распределение и баланс нагрузки
Классификация в режиме реального времени
Возможность масштабирования
Возможность интеграции

с различными почтовыми системами

Архитектура системы фильтрацииОсобенности реализации:Учет ресурсоемкости  алгоритмов на этапе обучения Распределение и баланс нагрузкиКлассификация в режиме реального

Слайд 45Цели создания систем анализа и фильтрации Интернет-трафика

Блокирование доступа к нелегальной

(экстремистской, антисоциальной, террористической и т.п.) информации
Предотвращение использования Интернет-ресурсов в личных

целях в рабочее и учебное время
Предотвращение утечки конфиденциальной информации (анализ исходящего трафика)


Цели создания систем анализа и фильтрации Интернет-трафикаБлокирование доступа к нелегальной (экстремистской, антисоциальной, террористической и т.п.) информацииПредотвращение использования

Слайд 46Существующие системы фильтрации
Традиционный подход («сигнатурные» методы):
Использование при анализе Интернет-трафика специализированных,

формируемых экспертами, баз знаний, содержащих информацию об Интернет-ресурсах (URL, IP-адреса,

ключевые слова)
Основные недостатки:
Ориентированы на ресурсы со статическим содержанием («черные списки» адресов)
Возможны ошибки при определении тематики
Результаты зависят от качества и оперативности обновления баз знаний
Отсутствует анализа исходящего трафика (нет возможности предотвращения утечки конфиденциальной информации)

Существующие системы фильтрацииТрадиционный подход («сигнатурные» методы):Использование при анализе Интернет-трафика специализированных, формируемых экспертами, баз знаний, содержащих информацию об

Слайд 47Анализ и фильтрация Интернет- трафика на основе методов ИАД
Основная идея:
Классификация

потока гипертекстовой информации в режиме реального времени с учетом содержания

и структуры ссылок документов с использованием методов извлечения и применения знаний (алгоритмы машинного обучения и интеллектуального анализа данных).
Функционирование:
Администратор формирует тренировочный набор с известными тематиками (примеры гипертексовых документов, либо список Интернет-ресурсов, содержимое которых затем откачивает робот);
На тренировочном наборе методами машинного обучения строится классификатор, который затем используется Интернет-фильтром в режиме реального времени для анализа содержимого трафика.
На настоящий момент времени нет таких промышленных решений!
Анализ и фильтрация Интернет- трафика на основе методов ИАДОсновная идея:Классификация потока гипертекстовой информации в режиме реального времени

Слайд 48Преимущества
Классификация в реальном времени статических и динамических интернет ресурсов;
Точность выше,

чем у «сигнатурных» методов;
Автономность - независимость от внешних экспертов, поддержка

собственной автоматически пополняемой базы знаний адресов;
Адаптируемость - возможность уточнения классификации при поступлении новых примеров;
Расширяемость - возможность добавлять новые категории и гибко настраивать политики фильтрации.
ПреимуществаКлассификация в реальном времени статических и динамических интернет ресурсов;Точность выше, чем у «сигнатурных» методов;Автономность - независимость от

Слайд 49Архитектура системы

Архитектура системы

Слайд 50Основные результаты
Реализация системы:
Формализованы требования и сценарии взаимодействия
Спроектированы и реализованы

базовые компоненты, их функционал, интерфейсы, алгоритмы работы
Разработана онтология представления информации

об интернет ресурсах и алгоритмы работы с базой знаний
Разработан новый алгоритм много-темной классификации:
на основе модифицированного для существенно пересекающихся классов метода «попарных сравнений» с помощью набора бинарных классификаторов и отсечением нерелевантных классов
Предложена расширенная векторная модель представления гипертекстовых документов:
включает базовые текстовые и нетекстовые признаки, составные признаки (сгруппированные базовые) определяются с помощью метода поиска частых эпизодов
новый метод учета гиперссылок (не требует загрузки содержимого «окружения»)

Основные результатыРеализация системы: Формализованы требования и сценарии взаимодействияСпроектированы и реализованы базовые компоненты, их функционал, интерфейсы, алгоритмы работыРазработана

Слайд 51Интеллектуальная система анализа и мониторинга электронного документооборота организации
Основная задача системы:
Перехват,

«теневое копирование» и автоматизированное формирование «базы знаний» электронных документов организации
Возможности

системы :
журналируется история работы пользователей с документами и история изменений документов
для каждой версии документа автоматически определяется тематика, множество похожих документов (кластер), строится и сохраняется аннотация – набор ключевых фрагментов текста документа
выявление ключевых характеристик – алгоритмы SVD, ICA и др.
администратор может выполнить поиск и классификацию документов по содержимому и по аннотациям

Интеллектуальная система анализа и мониторинга электронного документооборота организацииОсновная задача системы:Перехват, «теневое копирование» и автоматизированное формирование «базы знаний»

Слайд 52Архитектура
Драйвер ФС: определяет с какими файлами работал пользователь;
Служба теневого копирования:

определяет как сильно изменился файл, при необходимости делает резервную копию,

передает файл на обработку;
База знаний: хранение резервных копий файлов их аннотаций, служебной информации о кластерах и моделей аннотирования;
Управление очередью заданий: хранит очередь заданий на обработку, при освобождении ресурсов ВС выполняет задания из очереди;
Монитор ресурсов: анализирует загруженность ВС, разрешает выполнять задания из очереди;
АрхитектураДрайвер ФС: определяет с какими файлами работал пользователь;Служба теневого копирования: определяет как сильно изменился файл, при необходимости

Слайд 53Архитектура ИАД системы анализа поведения технологических процессов
Особенности реализации:

выявление аномалий в

характеристик ТП
функционирование в промышленной среде
работа в режиме мягкого реального времени
расширяемость

по набору методов анализа

Архитектура ИАД системы анализа поведения технологических процессов	Особенности реализации:выявление аномалий в характеристик ТПфункционирование в промышленной средеработа в режиме

Слайд 54Выявление нештатных ситуаций
построение модели поведения ТП (на этапе обучения)
оценка отклонения

текущего состояния ТП от модельного
используются методы анализа временных рядов и

последовательностей:
Класса «Гусеница» (Singular Spectrum Analysis)
Методы авторегрессии на основе SVR
Скрытые модели Маркова
и др.



Выявление нештатных ситуацийпостроение модели поведения ТП (на этапе обучения)оценка отклонения текущего состояния ТП от модельногоиспользуются методы анализа

Слайд 55Анализ и прогнозирование качества ТП
Какие параметры производственного процесса влияют на

качество продукции?
Quality = F(X1, … Xn),

где Xi — i-ая

характеристика производственного процесса
Анализ и прогнозирование качества ТПКакие параметры производственного процесса влияют на качество продукции?Quality = F(X1, … Xn), где

Слайд 56Результат
Разработаны алгоритмы:
на основе нечетких деревьев решений
с поддержкой эволюционных

методов оптимизации нечетких переменных и структуры правил
Реализована экспериментальная программная

система:
строит модели зависимости качества продукции от характеристик производственного процесса, представимую в виде системы нечетких правил «если … то … иначе»;
прогнозирование ожидаемого качества изделия по характеристикам производственного процесса производится с достаточной точностью;
позволяет упорядочить характеристики технологического процесса по степени влияния на качество.
РезультатРазработаны алгоритмы: на основе нечетких деревьев решений с поддержкой эволюционных методов оптимизации нечетких переменных и структуры правил

Обратная связь

Если не удалось найти и скачать доклад-презентацию, Вы можете заказать его на нашем сайте. Мы постараемся найти нужный Вам материал и отправим по электронной почте. Не стесняйтесь обращаться к нам, если у вас возникли вопросы или пожелания:

Email: Нажмите что бы посмотреть 

Что такое TheSlide.ru?

Это сайт презентации, докладов, проектов в PowerPoint. Здесь удобно  хранить и делиться своими презентациями с другими пользователями.


Для правообладателей

Яндекс.Метрика