Dr Mikó Balázs Mesterséges intelligencia Szakértői rendszerek 3.1 ( :38)

Átírás

1 BUDAPESTI MŰSZAKI ÉS GAZDASÁGTUDOMÁNYI EGYETEM GÉPGYÁRTÁSTECHNOLÓGIA TANSZÉK Dr Mió Balázs Mesterséges intelligencia Szaértői rendszere Otatási segédlet a Technológiai tervező rendszere Tárgyhoz 3.1 ( :38) 2002.

2 2 Tartalom 1. Mesterséges intelligencia 2 2. Szaértői rendszere 3 3. Tudásreprezentációs módszere 4 4. Mesterséges neurális háló 8 5. Kereső eláráso Felészülést segítő érdése Függelé Irodalom Mesterséges intelligencia A mesterséges intelligencia utatáso ezdetét a orai ötvenes évere tehetü, amior John McCarthy egy onferenciát szervezett a Dartmouth College-ba, melyne témáa az emberi gondolodás folyamatát modellezni épes gép megalotásána lehetősége volt ([Chien 92]). Az azóta eltelt időben a mesterséges intelligencia utatás önálló tudománnyá vált, így a ezdeti célo is sorétűbbé válta, számos területe alault i a utatásona, ól elülöníthető irányzato ötte létre. Ebből övetezi, hogy a mesterséges intelligencia szó elentését is másént értelmezi a ülönböző utató. A mesterséges intelligencia (MI) olyan utatási terület, amely arra töreszi, hogy a számítógépe intelligensne teinthető tevéenységeet tudana végezni ([Erdélyi 97]). A utatásona ét fő irányu van, egy ognitív és egy számítástudományi irány. A ognitív pszichológiával apcsolatos utatáso a számítógépet eszözént használá az emberi gondolodás, problémamegoldás stb megértésére, modellezésére ([Beardon 89], [Turing 88], [Searle 88], [Newell 88]). Ezen irányzaton belül is több modellezési módszer létezi ([Érdi 98]). Az úgynevezett "felülről-lefelé" megözelítés a viseledési adatoból indul i és megpróbál olyan modellt illetve algoritmust alotni, amelye visszaadá ezen elenségeet. Az "alulról-felfelé" modellezési stratégia az anatómiai ismerete alapán próbál modellt alotni, ügyelve a onrét fiziai hasonlóságra és így előállítani a megfigyelhető elenségeet. Ezen megözelítés saátosságai ól megfigyelhető [Albert 98] által ismertetett idegrendszeri modellen. Ezzel szemben a számítástudományi megözelítés azt tűzte i célul, hogy intelligensebbé tegye a számítógépe "viseledését" ([Bahrami 88], [Gottinger 90]). [Rich Kognitív utatáso 91] egy probléma obb megoldásána előállítására helyezi a hangsúlyt a utatás célána definiálásaor: a mesterséges intelligencia anna a utatása, hogyan oldhatá meg a számítógépe hatéonyabban azoat a problémáat, melyeet elenleg az embere oldana meg obban. Természetesen itt is megfigyelhető biológiai analógiá, de a cél nem a biológiai rendszer modellezése, megértése, hanem más területeen felmerülő problémá hatéonyabb megoldása. Ily módon az analógia már csa igen nehezen fedezhető fel az alalmazott módszer, algoritmus mögött. Műszai problémá megoldására ez a megözelítés alalmazható. [Sharples 91] három pontban foglalta össze a mesterséges intelligencia utatáso célát, ötvözve a fenti ét megözelítést: meglévő intelligens rendszere empirius tanulmányozása és modellezése, intelligens rendszereben alalmazható módszere elméleti utatása, gyaorlati problémá megoldása ezen módszere segítségével. A célun tehát az intelligens problémamegoldás. A érdés az, mit elent az intelligens viseledés. Az intelligencia az értelmi műödés fomérőe, elsősorban ú örülményehez való alalmazodó épességben mutatozi meg, amely szorosan összefügg az előzőleg szerzett tapasztalati anyag alalmazásával, a helyzet mozzanataina szélesörű figyelembevételével és a gondolodóépességgel ([Berei 62]). Ezen definició igen tág teret ad az intelligens viseledés értelmezésére. [Russel 94] szerint egy rendszer intelligensen viseledi, ha a rendelezésre álló ismerete, véleedése alapán a lehető legobb döntést hozza egy adott cél elérése érdeében. [Leigh 86], [Wolfgram 87] és [Schaloff 90] az emberi problémamegoldás mintáán történő önálló döntéshozatalt emeli i. [Partridge 86] szintén alalmazás orientált definíciót ad a mesterséges intelligencia fogalmára: szerinte a mesterséges intelligencia olyan algoritmuso gyűteménye, melye tanulási épességgel rendelezne és egy probléma elegendően ó megoldását adá. [Sharples 91] három ulcs ellemző meglétével Mesterséges intelligencia Keresés Tudásreprezentáció Szimbolius öveteztető módszere Szubszimbolius öveteztető módszere Tanulás és adaptáció... MI módszere Számítástudományi utatáso Ábra 1. MI utatási területe Szaértői rendszere Cselevéstervezés Beszédfeldolgozás Képfeldolgozás MI alalmazáso...

3 3 definiála az intelligenciát, melye a céltudatosság, a rugalmasság és az általa "eredményes lustaság"-na nevezett tuladonság, ami arra utal, hogy a cél elérése érdeében csa a szüséges és elégséges tevéenységet végezze a rendszer. Mint az eddigieből is iderült, a mesterséges intelligencia utatáso roppant szerteágazóa és sorétűe (Ábra 1). A továbbiaban a szaértői rendszereel, illetve a szaértői rendszereben alalmazható mesterséges intelligencia módszereel foglalozom. 2. Szaértői rendszere A mesterséges intelligencia utatáso egyi legismertebb és legelteredtebb alalmazása a szaértői rendszere. A szaértői rendszere fogalmát definiálhatu szűebb és tágabb értelemben ([Harmon 90]). Szűebb értelemben a szaértői rendszer-technia olyan eszöz, amely önnyebbé és hatéonyabbá teszi a programfelesztést. Tágabb értelemben az első lépést elenti abban a folyamatban, amely arra irányul, hogy a programozás a diret, numerius programozásnál magasabb szintre erülön. A szaértői rendszer egy számítástechniai hátterű probléma-megoldó rendszer, amely alapvetően ülönböző mesterséges intelligencia módszerere épül ([Savory 90]), egy szűebb problématerület (domain) ismereteit tartalmazza ([Bounet 88], [Parsage 88]), segít nagy méretű, omplex problémá analizálásában illetve megoldásában ([Harmon 88]) figyelembe véve a humán szaértő probléma-megoldási folyamatát ([Ignizio 91]). Íly módon itereszti a számítógép lehetőségeit a szoásos matematiai és statisztiai függvényeen túl és megönnyíti a számítógép programo észítését. A tudás ódolásával és a humán szaértő öveteztetési épességével a szaértői rendszere feltárá az adott problémát és avaslatoat észítene a megoldására ([Harmon 88]). Szaértői rendszereet ma már számos területen használna. Alalmazásu özös vonása a övetezőben foglalható össze ([Harmon 85], [Bielawsi 91], [Durin 94]): a probléma megoldása gyaorlati tudást igényel, a problématerület ól örülhatárolható, a iinduló adato obetív módon leírható, evés az emberi szaértő, fontos a probléma gyors megoldása. A szaértői rendszerene alapvetően ét típusu van: a döntéstámogató és a döntéshozó szaértői rendszer. A döntéstámogató szaértői rendszere emléezteti a humán szaértőt a megfontolandó övetezményere, a felderítendő alternatívára stb., amelye felett a szaértő esetleg elsilana a döntéshozatal során. A döntéshozó szaértői rendszere a probléma megoldásána megtalálásában segíti a problématerületen áratlan vagy evéssé ártas felhasználót. A szaértői rendszerene természetesen hátrányai is vanna: nehéz ú, vagy a szoásostól eltérő helyzetere felészíteni, nem reatív, a felesztés drága és időigényes. Összehasonlítva egy humán szaértő és egy szaértői rendszer tuladonságait, a övetező állapítható meg: Humán szaértő Szaértői rendszer 1. A épessége és a tudás idővel változi. A tudás állandó. 2. Felészítése hosszú és öltséges folyamat. 3. Érzelmi állaponta befolyásola a döntéshozatalt. Felesztése drága, de soszorosítani önnyű és olcsó. Állandó és megismételhető eredményt biztosít. 4. Rita és drága. Használata és arbantartása viszonylag olcsó. Az alapvető szaértői problématípuso a övetező lehetne ([Harmon 90], [Sántáné 98]): procedurális problémá, diadnosztizáló problémá, monitorozó / örző problémá, onfiguráló / obetum tervező problémá, tevéenységtervező / ütemező problémá. Az egyes feladattípuso ellemzői a övetező. Amior az adott tárgyöri anyag leírható valamilyen egyszerű elárással, procedurális problémával állun szemben. Ilyenor a feladat megoldása egymás utámi lépése sorozatával leírható, vagy döntési fába szervezhető. Diadnosztizáló problémát ell megoldanun, ha megfigyelése halmazán öveteztetün egy vagy több lehetséges megoldási avaslatra. A lehetséges oo (megoldáso) felsorolása eleve adott és számu az oozato (megfigyelése) számához épest evés. Monitorozó / örző problémáról beszélun, ha ele folyamatos figyelése során a rendszer beavatozása szüséges, ha a ívánttól eltérő szituáció áll elő. A onfiguráló / obetum tervező problémá esetén nincsene előre megadva a lehetséges megoldáso, hanem a megfigyelése és felhasználói igénye alapán a rendszer dolgozza i azoat, az obetumo apcsolatára vonatozó megszorításo figyelembevételével.

4 4 A tevéenységtervező / ütemező feladato az eléü itűzött célo érdeében tevéenysége olyan sorozatát határozzá meg, melye adott örülménye özött történő végrehatása célhoz vezet. Megvizsgálva azon problématerülete, melye szaértői rendszer segítségével hatéonyan támogatható, öt ellegzetes tuladonságu emelhető i ([Mérő 2001]): A problématerület elég szű ahhoz, hogy olyan tudást lehessen benne megragadni, amely nem mindeni számára ézenfevő, ugyanaor elég bonyolult ahhoz, hogy ilyen szaértelemre igény legyen. Az adott területne rendeleznie ell emberi szaértőel, aine a tudásából i lehet indulni a rendszer elészítéséhez. A humán szaértő özött a szaterület alapérdéseiben nagyfoú egyetértésne ell lennie. Szüséges, hogy az adott szaterületen számos tanpélda, alapadat is rendelezésre állon, mert csa így lehet a szaértői rendszert megbízhatóan tesztelni és tudásána orlátait meghatározni. Általában annál obb szaértői rendszert lehet építeni egy adott területen, minél obban felosztható az illető terület olyan részproblémára, amelye egymással csa nagyon evéssé interferálna. muna memóriába erül, mad a megoldás során a öveteztető mechanizmus, felhasználva a tudásbázis adatait, megpróbál választ adni. A öveteztetés folyamatát a nyomövető rendszer segítségével tudu figyelemmel isérni. Létezne úgynevezett szaértői eretrendszere, amelye a szaértő rendszer vázát tartalmazzá (az ábrán szaggatott vonallal határolva), így a felesztés idő- és munaszüséglete óval isebb. Egy szaértői eretrendszer a öveteztetőmechanizmuson ívül tartalmazza azoat az eszözöet is, melye lehetőséget nyútana a felhasználói felület és a tudásbázis létrehozására. 3. Tudásreprezentációs módszere A szaértői rendszere problémamegoldó módszerét alapvetően meghatározza a tudásreprezentáció folmáa. A legfontosabb reprezentációs formá a övetező: Frame-e Szabályo Esete Heurisztiá Egy szaértői rendszer általános felépítését mutata az Ábra 2. TUDÁSBÁZIS Követeztető mechanizmus Tudásgyűtő és arbantartó rendszer Nyomövetö rendszer Ábra 2. Egy szaértői rendszer felépítése A rendszer tudását a tudásbázis tartalmazza, amit a tudásmérnö állít össze és tart arban. A tudásmérnö a problématerület ismerőe, ai átláta a problématerülethez apcsolódó ismereteet és épes azt rendszerezni. A felhasználó a felhasználói felületen eresztül tud ommuniálni a rendszerrel, itt tuda leírni a problémát és ezen eresztül apa meg a megoldást is. A felhasználó által leírt probléma a 3.1 Frame-e A frame-e fogalmát Marvin Minsy vezette be és a övetezőéppen definiálta: a frame sztereotip helyzete leírására alalmas adastrutúra ([Minsy 81]). Az egyes frameehez ülönböző típusú információ rendelhető és öztü apcsolato definiálható. A frame-e csomóponto és Tudásmérnö Muna memória Felhasználói felület Felhasználó apcsolato hierarchiusan szervezett hálózata, ahol a magasabb szinten lévő csomóponto általános, míg az alacsonyabban lévő csomóponto speciálisabb ismereteet tartalmazna az adott fogalomról. Az ábrázolni ívánt fogalmaat osztályoba sorolu, amine további alosztályai létezhetne. Mind az osztályona, mind az alosztályona létezhetne tuladonságai, amelye az adott osztályba tartozó fogalma ellemzőit írá le (Ábra 3.). Amennyiben ezen tuladonságohoz onrét értéet rendelün, az osztály egy pédányát hozzu létre.

5 5 A tuladonságo értéei megadható a onrét értéel, egy elárással, amely a tuladonság értéét egyéb információból határozza meg, vagy örölödéssel, ami azt elenti, hogy a tuladonság értée egy magasabb szinten megadott értéel egyezi meg. Egyéb eláráso is hozzárendelhetrő egy-egy tuladonsághoz, amelye aor hatódna végre, ha valamilyen egyéb feltétel telesül, például, az érté megváltozi, vagy a frissítése szüséges. Osztály X Alosztály Alosztály l Alosztály m Tuladonság 1 Tuladonság 2 Tuladonság 3 Példány... Példány 2 Példány 1 Osztály X - Alosztály m Tuladonság 1 = Érté 1 Tuladonság 2 = Érté 2 Ábra 3. Frame 3.2 Szabály alapú öveteztetés Tuladonság 3 = Érté 3 A szabály-alapú öveteztetés (rule-based reasoning) nagyon özel áll az emberi gondolodás bizonyos formáihoz. Gyaran döntün ha - aor típusú szabályo alapán. Ezt a gondolodási folyamatot modellezi a szabály-alapú öveteztetés. A szabály-alapú rendszere tudásbázisa részben tényeből, részben szabályoból áll. A ténye az általun vizsgálni ívánt világ zárt leírására szolgálna. A szabályo ezen világmodell elemeire vonatozna. A szabályo feltétel-ació pároso, ami azt elenti: ha a feltétel ielégül aor az aciót végre lehet hatani. A feltétel azon örülménye ifeezésére szolgál, melye özött a szabály egyáltalán ativizálódhat. Az ació oldal ada meg, hogy mi történen a szabály ativizálódása nyomán. A szabályna étféle hatása lehet: részben módosíthata a tényeet, részben input/output tevéenységet generálhat. A öveteztetési cilusna három fő lépése van (Ábra 4). Adatbázis Mintaillesztés Kiválasztás Tüzelés Szabály bázis Ábra 4. Szabály-alapú öveteztetési cilus A mintaillesztés ielöli mindazon szabályoat, melye feltételei illeszedne a tényere. Eor nem pusztán a feltétele logiai ellenőrzése, hanem a feltétele özt szereplő változó minden lehetséges módon való leötése történi. Egy szabály többféle módon is illeszedhet az adatbázisra, ezért valóában nem a szabályo tüzelne, hanem azo példányai. Választásor el ell dönteni, hogy a mintaillesztés során ielölt szabálypéldányo özül melyi tüzelen. A feladat megoldására többféle vezérlési stratégiát alalmazhatun. A leggyarabban alalmazott stratégiá a övetező: a legfrisebb tényere illeszedő; a legspecifiusabb, azaz a legtöbb feltételt alalmazó; a legnagyobb prioritású, ha a szabályohoz prioritás rendelhető, vagy egy véletlenszerűen iválasztott szabály tűzel. Egy szabály, leötött, onrét értéel rendelező változó mellett történő, végrehatását tüzelésne nevezzü. A tüzelés során módosulna a ténye, vagy input/output tevéenysége ativizálódna. A szabályo feldolgozása a öveteztető mechanizmuso alapán történheti: Szabály-alapú rendszereben az alapvető öveteztetési mód az előreláncolás vagy adatvezérelt öveteztetés, melyne lényege a övetező: ha a öveteztető mechanizmus talál olyan szabályt, melyne feltételeit a ténye ielégíti, aor végrehathata a szabályt, amine hatására a ténye módosulna. Mindez ciliusan addig folytatódi, míg van olyan szabály, amely "tüzelhet". A öveteztetés mási, gyaran alalmazott móda az ún. hátraláncolt vagy célvezérelt öveteztetés. A öveteztetés egy célból indul i és megvizsgála, hogy a rendelezésre álló ténye alapán a cél igazolható-e. A mechanizmus előszőr a cél alapán iválaszt egy szabályt, melyne ació oldalán a cél állítása szerepel. Ezután ellenőrzi, hogy a ténye ielégíti-e ezen szabály feltételeit. Ha egy feltételre nincs illeszthető tényállítás, aor azt az igazolandó célohoz csatola. Ez a folyamat mindaddig tart, míg előáll egy megoldás, vagy iderül, hogy az adott cél az adott ténye esetén nem telesíthető. A gyaorlatban gyaran alalmazzá a vegyes, mind előre-, mind hátraláncoló öveteztetési módot. Eor, ha a mintaillesztés egy bizonyos tény hiánya miatt nem sierül, aor ezt a tényt célént lehet itűzni és hátraláncoló szabályo segítségével meg lehet próbálni a többi tényből levezetni. 3.3 Eset-alapú öveteztetés Az eset-alapú öveteztetés (case-based reasoning) a probléma megoldás és gépi tanulás egyi legfrissebb megözelítési móda a mesterséges intelligencia módszere özött, amely nagy figyelmet apott az elmúlt éveben. Az eset-alapú öveteztetés az emberi megismerés élettani elméletére épül, amely - egyes utatáso szerint - a megérzésre alapszi, vagyis az emberi tudás nem szabályotól vagy egyéb formalizálható szerezettől függ, hanem tapasztalatotól. Az emberi

6 6 szaértő, ellentétben az adott szaterületen áratlan vagy ezdő embereel, épese összeapcsolni egy példát egy előzővel, öveteztetni tudna analógiá alapán az atuális és a régebbi problémá özött, használva a régi esetből övetező megoldásoat, épese felismerni és elerülni a régi hibáat és hiányosságoat. Az eset-alapú tervezés tehát egy problémamegoldási minta, amely számos teintetben alapvetően eltér minden más mesterséges intelligencia módszertől. Ahelyett, hogy izárólag a problématerületből generált tudásra építene, vagy a problémaleírás és a övetezmény özötti összefüggéseet állítaná elő, az eset-alapú öveteztetés épes ihasználni a orábbi tapasztalatoban relő speciális tudást egy onrét probléma megoldása során. Egy ú probléma megoldása egy hasonló, régi eset visszaeresésével és anna az ú helyzetben való alalmazásával történi. A mási lényeges ülönbség az, hogy az eset-alapú öveteztetés hosszantartó, folyamatos tanulást valósít meg, mivel az ú tapasztalat beépül a rendszerbe, így azonnal felhasználható a övetező problémá megoldása során ([Kolodner 93]). Ez alapán az eset-alapú öveteztetés meghatározására a övetező definíciót adhatu ([Aamodt 96]): Egy ú probléma megoldása azáltal, hogy felidézün egy orábbi, hasonló problémát, és felhasználu enne megoldásából származó tudást és tapasztalatot. Az eset-alapú tervezés szóhasználatban az eset általában egy probléma helyzetet elent. Egy olyan orábban tapasztalt helyzetet, amelyet megfigyeltün és megtanultun oly módon, hogy egy övőben elentező probléma megoldására úra fel tudu használni. Erre hivatozhatun mint múltbeli eset, előző eset, tárolt eset vagy elfogadott eset. Telesen hasonló módon az ú vagy más elnevezéssel megoldatlan eset, az ú, megoldásra váró probléma leírása. Az eset-alapú öveteztetés valóában egy probléma megoldásána és ebből a tapasztalatból való tanulásna a cilius és integrált folyamata ([Aamodt 96]). Itt ell megegyeznün, hogy a probléma megoldás ifeezést szélesebb értelemben használu, a tudásbázisú rendszere területén általánosan használt gyaorlattal összhangban. Ez azt elenti, hogy a probléma megoldás nem feltétlenül az atuális problémára választ adó onrét megoldás automatius eresését eleni, elépzelhető, hogy bizonyos feladatoat a felhasználó old meg. Például a probléma értélmezését, a lehetséges megoldáso generálását vagy a avasolt megoldás helyességéne vizsgálatát stb. Egy eset ellemzően a övetezőet tartalmazza ([Watson 96]): a problémát, amely leíra azt a világállapotot, amelyben az eset érvényes, a megoldást, amely ifeti a problémára adott megoldást és/vagy a övetezményt, amely a világ állapotát íra le, miután az eset beövetezett. Egy eset leírására soféle típusú adatot tárolhatun, amelyeet a hagyományos adatbázisezelés során már megszotun, sőt egyes rendszere ihasználá a multimédia adta lehetőségeet is. A érdés az, hogy milyen és mennyi adatot tárolun. Erre vonatozóan ét szabály mondható ([Watson 96]): olyan adatoat ell tárolni, amelye funcionálisan szüségese és önnyű beszerezni őet. Az Ábra 5. az eset-alapú öveteztetés folyamatát mutata. Esetbázis Tanulás Ú probléma Indexelés Visszaeresés Hasonló esete Választás Javasolt megoldás Adaptálás Ellenörzés Megoldás Ábra 5. Eset-alapú öveteztetés folyamata A legtöbb adatbázisezelő rendszer indexeet használ az adato visszaereséséne meggyorsítása érdeében. Az index a számítógépes adat strutúra része, amely lehetővé teszi az egyszerű nyilvántartást és a gyors visszaeresést. Ez az elenti, hogy a számítógépne nem ell a reordo összes mezőét végignézni eresés során, ami soal lassabb lenne. Eset-alapú öveteztető rendszere is indexeet használna a visszaeresés meggyorsítására. Az indexelés során ezt a ódot állítu elő. Az indexelés céla az eset ellegzetességeine leírása, valamint az információ rendszerezése és tömörítése. Egy eset étféle információt tartalmaz: indexelt információt, amelyet a visszaeresés során használun, és nem indexelt információt, amely az esthez apcsolódó információat tartalmaz, de a visszaeresés folyamatában nem használu őet.

7 7 A ó index a övetező tuladonságoal rendelezi ([Watson 96]): Egyértelmű apcsolatban van a megoldással, vagyis a megoldást befolyásoló örülményeet íra le. Leíra azoat a céloat, melyehez az eset használható. Elég abstrat ahhoz, hogy teintetbe vegye az esetbázis szélesörű övőbeni használatát. Elég onrét ahhoz, hogy ésőbb is értelmezhető legyen. Az est-alapú rendszerenél az emléezés a esete memóriából történő visszaeresését elenti. Általában ez ét alfeladatból áll ([Kolodner 93]). Korábbi esete felidézéséne céla az, hogy ieressen olyan ó eseteet, amelye megalapozzá a öveteztetés folyamatát, ami a övetező lépésben történi. A visszaeresés az ú eset tuladonságaina felhasználásával történi. Ezeet indexént használva végigvizsgálu az esetbázist. A legobb eset iválasztása során iválasztu a legigéretesebb esetet vagy eseteet az előző lépésben generált információ felhasználásával. Az elárás céla, hogy megrostálu a szóbaöhető eseteet, így iválasztva egy vagy néhány további feldolgozásra alalmas esetet. Számos probléma merül fel, melyeet a visszaeresés során meg ell oldani ([Kolodner 96]). Az első az, hogy a számítógépne meg ell adnun, hogyan ismerheti fel, hogy egy eset alalmazható egy ú helyzetben. Ezt illesztési vagy hasonlóság-becslési problémána nevezzü. Amior ét eset nyilvánvalóan egyforma, ez nem túl nehéz, de gyaran azo az esete, amelye a leginább használható, első ránézésre nem tűnne túl hasonlóna, mélyebb elemzés szüséges, hogy nyilvánvalóvá válon, hogy eze valóban egyformá. Ez át is vezet bennünet az indexelés problémáára, melyről már szóltam orábban. Mivel az indexelés egy absztrat szinten íra le az esetet, el ell tudni dönteni, az elvonatoztatás milyen szinte alalmas arra, hogy összehasonlítsu az eseteet. A számítógépet épessé ell tenni arra, hogy idolgozza egy eset részleteit. Gyaran elég evés információ áll rendelezésre az ú szituációról, így ez csa evés bázist biztosít más helyzeteel való összehasonlítás során. Más esetben amit tudun, az túl nyers ahhoz, hogy az összehasonlítást elvégezzü. Ezt a problémát helyzet-becslésne nevezzü (situationassessment). Az utolsó nehézség egy hatéony eresési algoritmus elészítése. A nehézséget az elenti, hogy egy nagy eset önyvtárban ell megtalálni az alalmas eseteet. Meg ell oldanun azt a problémát, hogy a lehető legisebb részét vizsgálu meg az esetbázisna. Miután az eset-alapú rendszer visszaereste a megfelelő eseteet, azo megoldását adaptálni ell az ú eset saátosságaina megfelelően ([Watson 96]). Az adaptáció során eltéréseet eresün a iválasztott és az atuális eset özött és ezután változtatásoat hatun végre a avasolt megoldásban. Az adaptációna alapvetően ét formáa létezi: szerezeti adaptáció (structural adaptation), amely során a szabályoat és/vagy épleteet özvetlenül a visszaeresett megoldásra alalmazzu, származtatási adaptáció (derivational adaptation) során az ú esetre alalmazzu azoat a szabályoat és/vagy épleteet, melyeel a régi megoldást is előállítottu. Az eset-alapú rendszere számos ülönböző techniát alalmazna, melye bonyolultsága igen eltérő. A legfontosabba a övetező ([Watson 96]): Null adaptáció (null adaptation) a legegyszerübb adaptációs technia, melyet aor alalmazun, ha a visszaeresett megoldás változtatás nélül használható. Paraméter beállítás (parameter adustment) egy szerezeti adaptációs technia, amely összehasonlíta a visszaeresett és az atuális esete meghatározott paramétereit, hogy azoon eresztül módosítsa helyes irányba a megoldást. Reinstantiation alalmazása során a régi megoldás bizonyos elemeit ú elemere cserélü i. Származtatási úraátszás (derivational replay) során azoat az elárásoat alalmazzu az ú megoldás előállítására, amelyeel a régi esethez tartozó megoldást előállítottu. Ez a technia a probléma terület (domain) alapos ismeretét igényli. Modell-vezette avítás (model-giuded repair) auzális modellt használ az adaptáció irányításához. Ez a technia is igényli a domain alapos ismeretét. A legtöbb eresedelmi rendszer egyáltalán nem végez adaptációt. Egyszerűen felínála a legobban illeszedő esethez tartozó megoldást (null adaptáció) vagy lehetőséget biztosít a felhasználóna a ézi adaptálásra. Az esete adaptálása, bármilyen módon történi is, az eset-alapú öveteztetés megvalósításána gyenge ponta. Az ellenőrzés során azt vizsgálu, hogy az adaptálás után előállt megoldás megfelelő-e. A megoldás tesztelésére számos, tárgyörtől függő techniát felesztette i. Bizonyos tárgyörö lehetőséget biztosítna elemzési techniá alalmazására, máso megövetelheti szimuláció végrehatását, megint máso a megoldás helyességét meghatározó formális szabályona adna helyet. Aármilyen eszözzel történi az ellenörzés, ezután i ell értéelni az eredményeit. Ha a megoldás, bizonyos tárgyörtől függő ritériumo alapán elfogadható, a CBR rendszer elészült a öveteztetéssel. Más esetben a megoldást úból

8 8 módosítani ell. Eor a módosítást a megoldás iértéeléséne eredménye vezérli. Az utolsó lépés a tanulás. Ha a megoldás nem volt megfelelő, meg ell eresni a hiba oát és meg ell tanítani, hogyan erülheti el a övetező alalommal. Ha a megoldás megfelel, csatolu az eset-bázishoz mint sieres megoldást. A eset-alapú rendszerne el ell döntenie, hogy megtanula-e és ha igen milyen formában az elfogadott megoldást. Ez azt elenti, hogy meg ell vizsgálni, vaon az ú, sieres megoldás elegendő mértében ülönbözi-e a már ismert megoldásotól. Ha a megtanulás mellett dönt, a övetező érdés, hogyan indexele az ú esetet, az absztració mely szintén legyen megfogalmazva az ú probléma. 3.4 Heurisztiá A szaértői rendszere a problémamegoldás során alalmazhatna úgynevezett heurisztiáat is. A heurisztiá tuladonéppen öölszabályo, amelye nagyban leegyszerűsíti a problémamegoldás folyamatát az által, hogy orlátozzá a megoldás eresési terét. A heurisztia olyan algoritmizált feladatmegoldó módszer, mellyel ismert megoldási módszereből iindulva adott problémá úszerűen, automatiusan oldható meg. A heurisztius módszere bonyolult feladato megoldására igyeezne nem minden lehetséges utat ipróbálni, hanem hasonlósági alapon bizonyos feladatmegoldási típuso alapulvételével elindulna egy-egy plauzibilis, tehát nem biztos, de valószínű megoldás felé ([Polinszy 72]). Más megözelítés szerint valamely probléma megoldásána olyan gyaorlatias, de matematiailag nem egzat módszere, amelyben özelítő megoldáso sorozatána segítségével nyerhető a megoldás egy elfogadható özelítése ([Kovács 95]). Tehát heurisztiána nevezün minden olyan szabályt, öveteztetést, értéelést, elvet, amely egy bizonyos fata szituációban többnyire érvényes, illetve műödi, de nem mindig ([Mérő 2001]). A heurisztiá alalmazásával elért eredménye ogosan tölti el az embert örömmel, hiszen éppe az a dolog lényege, hogy a megoldás siere nem eleve biztos. Az ember lépten nyomon szinte mindegyi gondolatmenetében heurisztius elárásoat alalmaz, mivel csa így tud a lehetősége soaságána, azo minden övetezményéne végiggondolása nélül, belátható idő alatt elfogadható módon cseleedni. A mesterséges intelligencia sem tud meglenni heurisztiá nélül, mert a öveteztetéslánco összes ágána végiggondolása többnyire a leggyorsabb számítógépeel is lehetetlen. 4. Mesterséges neurális háló A tudásalapú rendszereel párhuzamosan megelent egy ú tudományága a mesterséges intelligencia utatásoban, amely az emberi idegrendszert, az emberi agyat próbálta modellezni. A biológiai neurális háló analógiáára mesterséges neurális hálóat hozta létre és próbálta vele ülönböző feladatoat megoldani. Jellemzőü volt, hogy a problémát nem algoritmiusan oldottá meg, hanem a természethez hasonlóan, mintából tanulva. A mesterséges neurális háló olyan, számítási feladato megoldására létrehozott párhuzamos adatfeldolgozást végző adaptív eszözö, melye eredete az emberi agy műödéséne modellezésére vezethető vissza (Ábra 6.) ([Anderson 83], [Shepansi 92]). Felépítésüet teintve egyszerű, általában adaptív eleme sűrűn összeapcsolt hálózata illetve hierarchius szervezete ([Hinton 92], [Camp 92]). A neurális hálóat a háló topológiáa, csomópontai araterisztiáa illetve az alalmazott tanulási algoritmus határozzá meg. 4.1 Történeti átteintés Ábra 6. Neurono A mesterséges neurális hálózato ialaulása egy igen régi tétel bizonyításával ezdődött. Ez a tétel egy híres német matematiustól, Hilbert-től ( ) ered. Ő vetett fel 1900-ban 23 olyan matematiai problémát, amelye megoldása szerinte a XX. Század matematiusaina fontos feladata lesz. Eze özül az

9 9 egyi így hangzott: Bizonyítsu be, hogy a x + ax + bx + cx + 1 = 0 hetedfoú egyenlet nem oldható meg pusztán étváltozós függvénye segítségével. Ez a mondat látszólag nem apcsolódi a neurális hálóhoz. Éve során rengetegen dolgozta a probléma megoldásán, soan megcáfoltá Hilbert állítását, azonban 1957-ben egy Kolmogorov nevű matematius bebizonyította, hogy nem csa étváltozós függvényeel oldható meg a feladat. Tétele szerint tetszőleges N-változós függvény felírható egyváltozós függvénye segítségével. Ezen tétel szerint épese a neurális háló például folytonos, négyzetesen integrálható függvényeet approximálni![6] Így a mesterséges neurális hálózatoat ma már a tudomány mad minden ágában felhasználá ülönböző bonyolultságú feladato megoldására, ahol a imenet és bemenete özti bonyolult összefüggése, függvénye megalotása nehéz és hosszadalmas feladat, vagy egyszerűen más módszereel megoldhatatlan. A természetes neurono utatásána hatására 1943-ban elent meg McCulloch és Pitts neuronmodelle, ezt övette 1949-ben Hebb tanulással apcsolatos eredményei. Természetesen ezután még ó néhány évet ellett várni az első mesterséges neuronoig, de az alapoat ez adta. Az egyszerű neuron modell nem volt más, mint többdimenziós bemenet omponenseine súlyozott összegét meghatározó elem, melyet egy nem lineáris leépezés övet. Itt nem is a neuron felépítése volt az érdees, hanem az a mód, ahogy eredményeet mutat fel. A tanulás itt azt elenti, hogy a neuron a tudást reprezentáló mintá alapán valamilyen átvitelt alaít i. Enne a modellne az alapán alotta meg ban Rosenblatt a perceptront, ami egyszerű osztályozási feladatoat már meg tudott oldani. Ezt hamarosan övette 1960-ban Widrow és munatársaina eredményei, ahol a neuronoat már hálózatba rendezté. Az ígéretes ezdet után hosszú megtorpanás övetezett mior Marvin Minsy imutatta, eze a hálózato csa lineárisan szeparálható osztályozási feladato megoldására alalmasa, ami a problémá csa egy is százaléa. Bár megmutatta, hogy ha rétegebe szervezzü a neuronoat, aor épese nem lineáris feladato megoldására is, de nem volt tanítási algoritmus amivel a háló tanítható lett volna. Mivel Minsy a MIT professzora volt, eredményeit fenntartás nélül elfogadta az aori tudóstársadalom, a utatáso szinte telesen leállta. Mintegy 20 évet ellett várni arra, hogy a neurális háló úra az érdelődés örébe erülene. Ezt a löést 1982-ben Hopfield hálózata adta meg, amely épes volt NP-teles feladato megoldására (olyan feladato, melye megoldásaina száma a bonyolultság függvényében exponenciálisan nő, lásd utazó ügynö probléma). A övetező elentős eredmény a hiba-visszateresztéses (bacpropagation) algoritmus felfedezése volt, amit 1986-ban Rumelhart, Hinton és Williams publiált. A nyolcvanas éve másodi fele óta a neurális hálózato reneszánszuat éli. Rengeteg publiáció eleni meg, egyre több helyen alalmazzá őet. Ebből ön egy probléma: az embere halamosa túlértéelni, és olyan helyeen is alalmazni aará, ahol a hagyományos megoldás obb. A természetes neurális háló számos dologban soal obba, mint a számítógépes algoritmuso. Létezne olyan feladato, melye az ember számára nagyon egyszerűe, algoritmust írni rá viszont szinte lehetetlen, hatéonysága, telesítménye messze elmarad az ember telesítményétől. Jó példa erre a araterfelismerés. A biológiai neurális hálóat a nagy párhuzamosság és a tanulási épesség ellemzi, ez ülönbözteti meg őet a hagyományos számítástechniai algoritmusotól. Ezért vetődött fel az ötlet, hogy a természetet modellezni lehetne, és így olyan feladatoat, mint a mintafelismerés nagy hatéonysággal meg lehetne oldani. A felismerési feladatoon ívül más problémá is megoldható ezzel a módszerrel. Egyi tipius alalmazási terület olyan feladato megoldása, ahol az algoritmus rendívül bonyolult, vagy olyan számításigényes, hogy az eredményt reális időn belül nem tuda szolgáltatni. További előnyei a párhuzamos felépítésből adódi: egy robosztus rendszert apun, ami zaos, hiányos bemenete esetén is épes ó megoldást adni. Neurális háló segítségével megoldható feladato általában ét típusra bontható: 1. Nem rendelezün azzal a tudással, amellyel a feladat algoritmiusan megoldható, mivel a rendszert befolyásoló összes paramétert és összefüggést ismernün ellene, hogy a rendszer imeneteit meghatározhassu. Rendelezün viszont az adott problémáról véges számú adattal, amelye alapán a mesterséges neurális háló épes az általánosításra, olyan szituációban ó választ tud adni, ami a tanító adato özt nem volt megtalálható. Létezi algoritmius megoldása egy problémána, de a számításo mennyisége a feladat nagyságával exponenciálisan nő, ombinatoriai robbanás ön létre. Ezenél a feladatonál ezért megelégszün inább egy ó megoldással, amit gyorsan meg tudun szerezni, mint a legobbal, amit esetlegesen nem lehet reális időn belül meghatározni (NP-teles probléma). A mesterséges neurális háló alalmasa optimalizálási feladato elvégzésére, nem garantálható az optimális megoldás, de egy ahhoz özeli igen.

10 Neurális háló típusai A neurális hálóat több szempontból vizsgálhatu. Az Ábra 7. egyfata osztályozását és a legismertebb fatáit mutata ([Lippmann 87]). További példáat ismertet [Hecht-Nielsen 88], melyből itűni, hogy a otatáso e területen is igen szerteágazóa. pozícióban álló, de ülönböző bite számával egyezi meg ez a távolság ([Horváth 96]). Neurális Háló Binális bemenet Folytonos és bináris bemenet Felügyelt tanítás Nem felügyelt tanítás Felügyelt tanítás Nem felügyelt tanítás Hopfield háló Hanning háló Carpenter/ Grossberg háló egy rétegû perceptron több rétegû perceptron Kohenen háló Ábra 8. Neurális háló osztályozása A Hopfield háló a legegyszerübb neurális háló, amely asszociatív memóriát valósít meg. Az egyrétegű visszacsatolt strutúrát John Hopfield ameriai biológus publiálta először ([Hopfield 82], [Hopfield 86]). A hálózatot leggyarabban autoasszociatív feladato megoldására használá ([Abu-Mostafa 85], [McEliece 87], [Horváth 95]). A Hopfield háló szerezetét az Ábra 7. mutata. Az alapmodell esetén a háló bemenetei binárisa. Az egyrétegű modellben a neurono imenetei minden neuron bemenetére súlyozott összeöttetéseen eresztül vanna visszacsatolva. A hálózat bemeneténe a neurono ezdeti állapotai teinthető, míg imenetei ugyanezen neurono állapotai a műödés során. A megfelelően beállított súlyoal rendelező hálózattól azt váru, hogy az adott ezdeti onfigurációból iindulva az ehhez legözelebbi stabil állapothoz tartozó pontban stabilizálódi ([Khanna 90]). X' o X' 1 X' X' n-2 n-1 X' o X' 1 X' X' n-2 n X... o X 1 X X m-2 m-1 Ábra 9. Hamming háló A Carpenter/Grossberg háló bináris értéeel dolgozó, nem felügyelt tanulásra épes strutúra ([Lippmann 87]), melyne alap elemét az Ábra 10. mutata. A háló bináris bemenetei az X értée, imenetei az Y értée. Mint látható a csomóponto visszacsatolással rendelezne. Y Y 0 1 X X X X n-1 o 1 n-2 Ábra 7. Hopfield háló A Hamming háló a Hopfield háló továbbfelesztése. A iegészítés céla (Ábra 9.), hogy a zaal terhelt bináris bemenetet megszűre, így segítve a háló műödését ([Lippmann 87]). A szűrést a Hamming távolság felhasználásával végzi a háló. A Hamming távolság ét bináris ód eltérését, mint ét térbeli pont geometriai távolságát értelmezi. Két azonos hosszúságú bitsorozat esetén az azonos X X X Ábra 10. Carpenter/Grossberg háló A Kohenen háló ([Kohenen 84]) az emberi agy azon tuladonságát modellezi, hogy az agyéreg nagyrésze egymással összeötött, egy síban elhelyezedő neuronoból áll, mégis épes arra, hogy több dimenziós fogalmaal is foglalozzon. A Kohenen háló alapeleme a lineáris összegző funciót

11 11 megvalósító processzáló elem. A processzáló eleme e hálóban nem rétegeben vanna elrendezve, hanem egy sí rácspontaiban helyezedne el. A hálózatban az előrecsatolás mellett visszacsatolás is be van építve, ez azonban csa a özvetlen szomszédos csomópontora orlátozódi. A háló mási saátossága, hogy nincs ülönálló imeneti réteg: a rács minden csomóponta egyben imeneti csomópont is. A háló egyes imenetei a bemeneti omponense súlyozott összegei, vagyis a háló a bemenete és a imenete özött lineáris apcsolatot valósít meg. Az oldalirányú apcsolato rögzítette, ellegü geresztő, ha egy processzáló elem önmagára való visszacsatolásáról van szó és gátló a többi esetben. Az Ábra 11. a Kohenen háló szerezetét mutata. X 1 1 Y 1 f(s) nemlineáris függvényént leggyarabban az Ábra 13-n látható függvényeet alalmazzá ([Vemuri 92], [Nelson 90]). s Y = + 1 > 0 1 s 0 a, + 1 Y = S 1 s > 1 1 S + 1 s < 1 X 2 2 Y2 X n Yn b, 1 e Y = 1+ e KS KS ; K>0 Ábra 11. Kohenen háló 4.3 Perceptron háló A legelteredtebb hálótípus az egyenrangú bemeneteel rendelező memória nélüli neuronoból, úgynevezett perceptronoból ([Rosenblatt 59], [Minsy 69]) álló egy illetve többrétegű háló. Egy perceptron felépítését az Ábra 12. mutata. Műödése során a csomópont súlyozva összegzi a bemenetein elentező értéeet (x i ), mad a súlyozott összeget (S) egy f(s) nemlineáris függvény segítségével transzformála. Ily módon egy csomópont imenete a övetezőéppen határozható meg: ahol: S = x w ; i n Y = f(s) x i : a csomópont bemenetei; w i : a bemenete súlyai; Y: a csomópont imenete. X 1 X 2 w 1 w 2 i S f(.) Y c, 1 Y = 1 + e K S ; K>0 d, Ábra 13. Nemlinearitáso a, lépcsőfüggvény; b, telítéses lineáris függvény; c, tangens hiperboliusz függvény; d, szigmoid függvény A perceptron alapú háló ilyen egyforma elemeből épül fel. A háló, legegyszerűbb esetben három rétegből áll (Ábra 14.). A bemeneti réteg, amely értelem szerüen a bemeneti adatoat tartalmazza, össze van ötve a özbenső vagy más néven retett réteg minden csomópontával. Ez a réteg szintén össze van ötve a imeneti réteg összes elemével ([Monostori 96], [Knight 90], [Lippmann 87]). Több tétegű hálómodell esetén több retett rétegből áll a háló. X n w n Ábra 12. Perceptron

12 12 5. Kereső eláráso S1 S2 S3 S4 Ábra 14. Perceptron háló A neurális háló legfontosabb tuladonsága az a tanulási épesség, amely az adaptivitásuat biztosíta, vagyis a bemeneti és imeneti paramétere özötti apcsolat változtathatóságát. A tanítási folyamat lehet felügyelt, megerősített vagy felügyelet nélüli ([Diedrich 90], [Hinton 89]). Perceptron alapú háló esetén a bac-propagation elárás a legelteredtebb tanítási mód ([Hinton 92], [Freeman 92]). Eor a háló műödését meghatározó súlyoat oly módon ell változtatnun, hogy a várt és a mért értée özötti hiba a legisebbre csöenen. Egy tanítási cilusban egy súlytényező értéét a övetező éplet szerint módosítu: Ew ( ) wi, ( n) = η * + α * wi, ( n 1 ) wi,, ahol w i, (n) : az n-edi lépésben a w i, súly változtatása, w i, (n-1) : az (n-1)-edi lépésben a w i, súly változtatása, η : tanulási ráta, 0 < η< 1, onstans, α : momentum, 0 <= α < 1, onstans, E(w) : hiba, 1 2 Ew ( ) = * ( t ow ( )), 2 t : megivánt imeneti érté, o : atuális imeneti érté, : a tanítási minta elemszáma. A tanításhoz mintáat használun, vagyis olyan példa bemeneti és imeneti paramétereet, melye özötti apcsolatot szeretnén meghatározni a háló segítségével. A tanítási folyamat addig tart, míg a háló a ivánt pontossággal elő nem tuda állítani a tanítási mintához hasonló teszt minta értéeit. S A ülönféle ereső algoritmuso a megoldás felutatásában, a eresés strutúráában térne el egymástól. Az algoritmuso eresési tatiáu szerint lehetne véletlenszerűe (va ereső) és informálta (heurisztiusa), az utóbbi azt elenti, valamilyen tudatosság van a eresési irány megválasztásában. A özös minden ereső elárásnál, hogy a eresési teret alotó diszrét ponto egyie (több ó megoldás esetén ez több pont is lehet) a megoldás. ([Sántáné 98]) A ereső eláráso lényege, hogy megpróbál elutni egy ezdeti állapotból a megoldáshoz, ami az állapot teret alotó ponto érintésével történi. A eresés folyamán az atuális állapotból a övetezőre az algoritmus operátorait használva tudun elutni. Az ú paraméter ombinációt iértéelve apun információt az ú állapot helyzetéről. Va ereső eláráso 5.1 Szélességben-először ereső Az egyi legegyszerűbb algoritmus az un. szélességben-először, ahol a ezdeti állapotból iindulva az első szinten az összes lehetséges állapotot iértéelü és csa utána (ha nincs megoldás) veszi a övetező szintet, amit az előző pontoból leszármaztatható összes lehetséges megoldás alot. Műödés vázlata: Kezdeti állapot generálása. - Ha ez a eresési tartományon ívülre esi, leállás, a eresés siertelen; - Egyebent: létrehozza a ezdeti állapot ágait, - y legyen a lehetséges ága özül egy. Cilus ezdete Ha y egy cél állapot, aor leállás, és y értéét valamint a hozzávezető utat visszaada eredményént. Egyébént - létrehozza y leágazásait; - eltárola a hozzáu vezető utat; - hozzáada az ágazatoat a ezdeti állapothoz; - törli y-t; - y legyen a lehetséges ágazato özül egy; Cilus vége (ismétel) A szélességben-először edvező tuladonsága, hogy a eresési fa adott szintét teles részletességgel ielemzi és csa azután lép a övetezőre; így biztosan megtalála a megoldást. Csomóponto számától függően a számítási igénye és a memória szüséglete óriási. Minden csomópontban 2n elágazást feltételezve mielőtt a célt a -adi szinten megtalálnán a legrosszabb esetben a csomóponto száma: 1+(2n)+(2n) 2 +(2n) 3 + +(2n) (2n). A memória igénye is eora mennyiségű csomóponthoz

13 13 ell, hiszen minden állapot ellemzőit le ell tárolni. Ezért ez az algoritmus csa a isebb teredelmű problémá megoldására alalmas. A eresés részletes, de a memória igénye óriási. 5.2 Mélységben-először való eresés Az un. mélységben-először eresés nem vizsgála meg az összes lehetséges megoldást, hanem minden szinten iválaszt egy pontot, és azt tereszti i. Ha elaadna egy holtágon, aor addig megy vissza, míg nem talál egy olyan csomópontot, ahol van más eresési irány is. Műödés vázlata: Kezdeti állapot generálása. - Ha ez a eresési tartományon ívülre esi, leállás, a eresés siertelen; - Egyebent: ezdeti állapotból iválaszt egy paramétert, és létrehozza az ágazatait. - y legyen a lehetséges ágazato özül egy. cilus ezdete Ha y egy cél állapot, aor leállás és y értéét valamint a hozzá vezető utat visszaada eredményént. Egyébént - iválaszt egy paramétert y-ból, és létrehozza a gyermeeit; - választ a ét utód özül, és eltárola a hozzá vezető utat; - törli y-t; - hozzáada a választott gyermeet a ezdeti állapothoz, és ez legyen y; Cilus vége (ismétel) A eresés memória igénye cseély, számítási igénye a mélységgel lineárisan nő. Az egyes szinteet nem vizsgála meg teles részletességgel, hanem valamennyi szinten iválaszt egy paramétert és azt tereszti i, így az optimális megoldást szinte biztosan nem talála meg. 5.3 Korlátozott mélységű eresés A orlátozott mélységű eresés teles, feltéve, hogy a megoldás adott mélységen belül van. Az egyes csomópontoat addig tereszti i amíg az az adott mélységi orlát felett van. A orlát mélységéig teles szélességben megvizsgála a tartományt, és ha a megoldás nincs mélyebben, mint a orlát, aor biztosítva van, hogy megtalála a megoldást. Ebből ól látszi, hogy a mélységi orlát megválasztása döntő fontosságú a eredmény feltárásában. Általában célszerű a feladat saátosságából iindulni, és ez alapán felvenni egy értéet. 5.4 Iteratív mélyítés Az iteratív mélyítés lényege, hogy az adott mélységig teles szélességben eresi a edvező pontot, és ha ezen a részen nem aad rá, aor itola a eresés határát, addig folytatva a utatást, és a mélyítést, míg meg nem talála az optimumot. Az így megalotott algoritmus az eddigie tuladonságait összegzi; is memória igény, számítási igény exponenciálisan nő a mélységgel. A eresés teles, biztosan megtalála az optimumot, és nem tára fel obban a megoldási teret, mint azt szüséges lenne. Heurisztius ereső eláráso A mási eresési elárás típus a heurisztius eresés, amely annyiban ülönbözi a orábbiatól, hogy a eresés során egy evés információt is felhasznál a pillanatnyi helyzeténe iértéeléséből, így avítható a eresési idő, csöenthető a szüséges tárolóapacitás. A heurisztiát a még fel nem derített csomóponto iértéelésére használu, és ebből öveteztetün a pillanatnyi helyzetün és a cél távolságára. Ez a iértéelés, mivel csa becslés, lehet félrevezető is, de a ocázat megéri, mivel már evés egyszerűsítő örülmény figyelembevétele is nagy mértében csöentheti a eresési teret (számítási igényt és a tárolási apacitást). A heurisztius iértéelő függvénye egy mérőszámmal ellemzi az optimális pont távolságát a eresés pillanatnyi helyétől. A ó iértéelő függvény a valós eredményt mindig alulról özelíti. Ez nagyon fontos az algoritmus megfelelő műödéséhez. Ilyen, heurisztius iértéelő függvényeet a legegyszerűbben a gyaorlati példa egyszerűsítésével származtathatun. 5.5 Legobbat-először eresés Egyi fatáa a heurisztius eresőne a legobbat-először eresés, mely az adott pontban a választási lehetősége özül azt választa, amelyi a legözelebb van a célhoz. Alalmazásbeli hátrány, hogy nem biztos, hogy megtalála az optimumot. Egy orábbi elágazásnál a obbna látszó csomópont választása után már nincs mód a orrigálásra. Ha esetleg iderülne, hogy egy mási ág, mely távolabbina tűnt, tartalmazza az optimumot, nincs lehetőség a avításra. Műödés vázlata: Kezdeti állapot generálása. - Ha ez a eresési tartományon ívülre esi, leállás, a eresés siertelen; -Egyebent: A lehetséges ágazato iértéelése, - legyen a legedvezőbb ág y. cilus ezdete Ha y egy cél állapot, aor leállás és y értéét illetve a hozzá vezető utat visszaada eredményént. Egyébént - létrehozza y gyermeeit; - legedvezőbb ágazatot iválasztása; - a hozzá vezető út eltárolása; - törli y-t;

14 14 - a választott ág legyen y; Cilus vége (ismétel) A memória szüséglete nem nagy, a számítási igénye a mélységgel exponenciálisan nő. Ezt az algoritmust egy icsit tovább felesztve apun egy olyan elárást, ami már épes megtalálni az egyetlen megoldást. 5.6 A* Az A* algoritmus lényege, hogy a eresés pillanatnyi állapotána célfüggvény értée (g), és a eresés adott pillanatában az előrebecsült optimális pontig beövetező célfüggvény érté változás () összege (f) minimális legyen. f ( n) = g( n) + ( n) min Enna öveteztében a eresés hatéonyságát elentősen befolyásola, hogy a becsült öltség mennyire fedi a valóságot. Ha nagyon eltér attól, aor a eresés szélesebb területet érint és a memória igénye, számítási idee nagyon megnő. Műödés vázlata: Kezdeti állapot generálása. Ha ez a eresési tartományon ívülre esi, leállás, a eresés siertelen. cilus ezdete - f meghatározása a választható csomópont-oban, választás az f min függvény figyelembe vételével, legyen y a választott ágazat. Ha y egy cél állapot, aor leállás és y értéét és a hozzá vezető utat visszaada eredményént. Egyébént - létrehozza y gyermeeit; - eltárola a hozzáu vezető utat; - hozzáada a gyermeeet a ezdeti állapothoz; - törli y-t; Cilus vége (ismétel) Az algoritmus hibáa, hogy eresés özben a tárolandó adatmennyiség óriási méretet ölthet, míg az idő szüséglet elfogadható mértéű marad. A va eresésnél is felmerülő hasonló problémára a mélységi orlátozást alalmaztá, és iteratív mélyítéssel sieresen oldottá meg a problémát. Ezért itt is ezt a módot választottá, a telesség és az optimalitás megtartása mellett, azonban ebben az esetben nem a mélységet orlátoztá le, hanem az f ( n) értéét. 5.7 IDA* (iterative deepening) Az IDA* a mélységben először ereséssel azon pontoat vizsgála meg, melye öltségei, f ( n) isebbe, mint a megadott orlát. Ha nem talál megoldást, aor növeli a orlátot, és úra indíta a eresést. Az IDA* ugyanolyan feltétele mellett optimális és teles, mint az A*. Műödés vázlata: Kezdeti állapot generálása. Ha ez a eresési tartományon ívülre esi, leállás, a eresés siertelen. cilus ezdete -f meghatározása a választható leágazásoban. Ha túlléptü a orlátot, aor cilus vége. Ha nem, aor választás az f min függvény figyelembe vételével, legyen y a választott ágazat. Ha y egy cél állapot, aor leállás, és y értéét és a hozzá vezető utat visszaada eredményént. Egyébént - létrehozza y lehetséges ágazatait; - törli y-t; Cilus vége (ismétel) f > min Ha indítu a cilust. f, orlát növelése, és utána úra A memóriaigénye csa lineárisan nő a tartomány mélységével, a eresés idee pedig exponenciálisan (ahogy az eddigi algoritmuso mindegyiénél volt). Az időt elentősen befolyásola a becslés pontossága. Ha becslés pontatlan, aor az algoritmus szélesebb területen vizsgála át teret. Ez a eresési időt és a memória igényt is megnöveli. Azonál a feladatonál, melye esetében csa a megoldás a fontos, és a hozzá vezető út lényegtelen, illetve a eresési tartomány diszrét pontoból áll, és egy hálóént fedi le azt, aor használható az iteratív avító algoritmuso. Iteratív avító algoritmuso Bizonyos feladattípusonál a eresési térben a csomóponto által létrehozott tartomány egy domborzati téréphez hasonlítható a legobban, ahol a magaslati mérőszámo a ponto ósági foa. A célfüggvénytől függően étféle helyzet alaulhat i, az egyi esetben minél magasabban van egy pont annál obb a megoldás, itt maximumot eresün, a mási esetben minél alacsonyabban van a pont, annál obb a megoldás, itt minimumot eresün. Az algoritmuso műödése is eltérő az előzőetől, hiszen most egy háló ellegű felületen ell mozogni, míg az előző eseteben egy fa strutúrán. Egy adott pontból a továbbutás oly módon történi, hogy a szomszédos pontoat iértéeli, és azo özül választ egyet az algoritmusra ellemző módon. 5.8 Csúcsra-mászás A csúcsra-mászás algoritmus az összes szomszédos pontot iértéeli, és a célfüggvényérté szempontából a legedvezőbbet választa i. Az algoritmus hátránya, hogy so loális szélsőértéel rendelező eresési tér

15 15 esetén elaad, és nem tud tovább lépni egy megmászott helyi csúcs esetén, de hasonlóéppen elaad, ha egy plató ellegű felületre téved, a eresés siere tehát függ a felület alaától. Műödés vázlata: Kezdeti állapot generálása, legyen ez y. Ha ez a eresési tartományon ívülre esi, leállás, a eresés siertelen. cilus ezdete Ha y egy cél állapot, aor leállás és y értéét ada vissza eredményént; Egyébént - létrehozza y gyermeeit (özvetlen szomszédait). - Az utódo iértéelése, n legyen a lehetséges ágazato özül a legobb. - törli y-t, és y : = n. Cilus vége (ismétel); Az algoritmus nem tárola a eresési fát, csa a pillanatnyi helyzeténe adatait, így a memóriaszüséglete igen icsi. A számítási idő lineárisan nő az érintett csomóponto számával. Olyan terepen, ahol elaadhat, mert helyi maximumo is vanna, egy mási algoritmust érdemes használni, ami ezt a problémát meg tuda oldani. 5.9 Tabu eresés A tabu eresés az első loális csúcsig csúcsramászás algoritmusa szerint műödi, mad onnét a iértéelés után elfogad rosszabb megoldásoat is, de ezen ponto oordinátáit mindig eltárola egy tabu listában, hogy az a veszély ne állon fent, hogy a övetező lépésben oda erül vissza. Műödés vázlata: Kezdeti állapot generálása, legyen ez y. Ha ez a eresési tartományon ívülre esi, leállás, a eresés siertelen. cilus ezdete Ha y egy cél állapot, aor leállás és y értéét ada vissza eredményént; egyébént - létrehozza y gyermeeit (özvetlen szomszédait). - az utódo iértéelése, n legyen a lehetséges ágazato özül a legobb. Ha n rosszabb, mint y, aor legyen n a szomszédos ponto özül valamelyi, és y-t tárola a tabu listában. Ha nem rosszabb, törli y-t, és y:=n. Cilus vége (ismétel); A memória igénye nagyobb, mint a csúcsra-mászás algoritmusé. Az idő igénye az érintett pontoal lineárisan nő. A tabu eresés gyenge ponta, hogy miután felmászott a csúcsra, és elaadt, csa aor enged meg egyéb stratégiát Szimulált hűtés A szimulált hűtés a tabu eresés továbbfelesztett változata, előnye az egyenetlen felületű térben mutatozi meg, ahol egy csúcsra-mászás tehetetlen a so helyi szélsőértéeel. A stratégiabeli ülönbség, hogy a eresés első pillanatától ezdve megengedi a rontó lépéseet. A örnyező pontoból véletlenszerűen iválaszt egyet, és ha az avít a elenlegi helyzeten, aor megteszi azt a lépést, ha nem, aor a rontás mértéétől, és egy valószínűségi paramétert figyelembe véve dönti el, hogy mit tegyen, elfogada, vagy válasszon egy mási irányt. Ez a valószínűségi paraméter egy un. hőmérséletváltozó, mely a eresés során csöen, és így a rossz döntése elfogadásána valószínűsége is csöen a megoldás felé haladva. Végül csúcsra mászássá egyszerűsödi. Műödés vázlata: Kezdeti állapot generálása, legyen ez y. Ha ez a eresési tartományon ívülre esi, leállás, a eresés siertelen. cilus ezdete Ha y egy cél állapot, aor leállás és y értéét ada vissza eredményént; Egyébént - létrehozza y gyermeeit (özvetlen szomszédait). - választ egyet a lehetséges ágazato özül, ez legyen n. Ha n rosszabb, mint y, aor döntse el választhatóe: nem: ugoron a 4-es ponthoz; igen: ugoron a övetező pontra; Ha n obb, mint y - törli y-t, és y :=n. Cilus vége (ismétel); A memória igénye nem nagyobb, mint a csúcsra mászásé. A számítási idő lineárisan nő az érintett ponto számával. Az elárás roppant nagy előnye, hogy ha a hőmérsélet paramétere lassan csöen, megtalála az optimális megoldást Genetius algoritmuso A genetius algoritmuso, melye alapait John H. Holland alotta meg ([Holland 75]), olyan numerius szélsőérté ereső eláráso, amelye biológiai párhuzamra, az evolúció mechanizmusára épülne. Az élőlény-populáció zöme ét alapvető folyamat, a természetes szeleció és az ivaros szaporodás révén felődi. A természetes szeleció dönti el, hogy a populáció mely tagai maradna fenn és szaporodna, az ivaros szaporodás pedig az utódo géneine everedését és reombinációát biztosíta. E géneveredés révén a populáció soal gyorsabban felődhetne, mint ha az utódo pusztán valamelyi szülőü géneine egy-egy másolatát hordozná és e géne csa elvétve, mutációal változnána meg. A természetes szeleció alapelve igen egyszerű: ha egy

16 16 élő szervezet bizonyos alalmassági vizsgáon elbui, például egy mutáció során megváltozott a színe nem reti el a örnyezetben az ellenségei felismeri és hamar elpusztul. A genetius algoritmuso ezt a folyamatot modellezi és alalmazzá eresési problémá megoldására. A genetius algoritmuso sztochasztius eresési algoritmusona teinthető, ahol a paramétertér feltérépezése és az iterációnént egyre obb megoldáso előállítása az eddigi ereső elárásotól eltérő módon történi. Más szélsőérté-eresési eláráso - aár a gradiens módszer, aár a véletlen eresés - a paramétertérben egy pontot mozgatna és a pont minden egyes állapotában - ami egy lehetséges megoldásna felelt meg - iértéeli a ritériumfüggvényt, mad enne eredményétől függően folytatá az elárást. A genetius algoritmuso ezzel szemben nem ülönálló pontoban vizsgálá a ritériumfelületet, hanem egyszerre több ponton értéeli i, tehát egy lépésben a megoldáso egész halmazával dolgozna. A halmaz elemei ülönböző sierrel oldá meg a feladatot, ami szélsőértéeresésnél azt elenti, hogy a populáció elemei a ritériumfüggvény ülönböző pontait határozzá meg. E ponto özött leszne olyano, amelye a globális szélsőértéhez özelebb esne és leszne e megoldástól távolabb eső ponto is. A populáció elemei tehát a feladat szempontából eltérő tuladonságúa. A genetius algoritmusotól azt váru, hogy a természetes szeleció mintáára egy látszólag spontán felődés során egy adott populációból olyan úabb populációt, ill. olyan úabb és úabb populációat hozzana létre, amelyeben a ó megoldáshoz özeli megoldáso egyre nagyobb számban leszne megtalálható és amelyeben a gyenge eredményt szolgáltató eleme egyre ritulna. Bizonyos szempontoból tehát a genetius algoritmuso a véletlen ereséssel roonítható, hiszen itt is a teles eresési tér valamilyen feltérépezéséről van szó. A genetius algoritmus azonban - szemben a véletlen ereséssel - nem vaon eres. A eresés az egymást övető lépéseben egyre inább a ritériumfüggvény szélsőérté helyei örnyezetére oncentrálódi. A genetius algoritmuso a megoldáso egy halmazával dolgozna, amit populációna nevezün. A populáció egyes elemei az egyede, amelye romoszómából álló genetiai óddal vanna reprezentálva. Ezen genetiai ód általában bináris, tehát 0 vagy 1 értéel rendelezi, de létezne ettől eltérő megoldáso is. Ez az egyed genotípusa. Az egyedeel apcsolatban ét fogalmat ell még megemlíteni. Életépes az az egyed, amely megfelel az összes örnyezeti feltételne, vagyis az egyed által reprezentált megoldás ielégíti a feladatban megfogalmazott orlátozásoat. Az egyed tuladonságait fenotípusna nevezzü. Az egyed óságát a rátermettség határozza meg, ami a megoldáshoz tartozó célfüggvény értéet elenti. Egy populáció felődése alapvetően étfata elárás, úgynevezett genetiai operátor ismételt alalmazásával történi. Az első genetius operátor az úgynevezett eresztezés, amely során ét egyedből ét úabb egyedet hozun létre. Ez oly módon történi, hogy az egyedeet reprezentáló araterlánc mentén véletlenszerűen eresztezési pontoat elölün i, és az így létreött ódszegmenseet icserélü a szülő özött (Ábra 15) Ábra 15. Keresztezés A mási genetius operátor az úgynevezett mutáció. Enne során egyetlen egyed ódát módosítu oly módon, hogy ugyancsa véletlenszerűen mutációs pontoat elölün i és ezen pontonál található romoszómá értéét megváltoztatu (Ábra 16.) Ábra 16. Mutáció A genetius algoritmuso általában a övetező műödésűe (Ábra 17.). Először véletlenszerűen létrehozun egy életépes egyedeből álló ezdeti populációt, mad meghatározzu az egyede életépességét és e szerint sorbarendezzü őet. Ezt övetően létrehozzu az ú életépes egyedeet a iválasztás, eresztezés és mutáció eláráso segítségével. Az ú egyede rátermettségéne meghatározása és úabb sorbarendezés után a populáció méretét az eredeti méretre csöentü, eltávolítva a evésbé ó tuladonságoat mutató egyedeet. A populáció felődése addig tart, amíg a populáció nem homogenizálódi, vagyis valamennyi egyed egyenértéűvé nem váli.

17 17 Paramétere beállítása Kezdeti populáció generálása mutációval létrehozott egyede aránya, az úgynevezett mutációs ráta, a eresztezési ponto száma, a mutációs ponto száma. Kiértéelés, Sorbarendezés Kiválasztás 6. Felészülést segítő érdése Keresztezés Kiértéelés, Sorbarendezés Leállási feltétel STOP Mutáció Ábra 17. Genetius algoritmus felépítése Ezen algoritmus tömören a övetező módon írható le: program genetius algoritmus; begin Állítsd be a folyamat fő paramétereit; Töltsd fel a iindulási populációt; Értéeld i a populáció egyedeine rátermettségét; Rendezd sorba az egyedeet csöenő rátermettség szerint; while leállási feltétel nincs ielégítve do begin Válaszd i az átereszteződésre szánt egyedeet; Végezd el az átereszteződést; Válaszd i a mutációra szánt egyedeet; Végezd el a mutációt; Értéeld i az ú egyede rátermettségét; Rendezd az ú és régi egyedeet csöenő rátermettség szerint; A legisebb rátermettségű egyede eltávolításával csöentsd a populációt eredeti méretére; end; end. A genetius algoritmus műödését a övetező paramétere határozzá meg: a populáció mérete, a iválasztás stratégiáa, eresztezéssel létrehozott egyede aránya, az úgynevezett eresztezési ráta, 1. Mi a mesterséges intelligencia? 2. Milyen irányzatai vanna a mesterséges intelligencia utatásona? 3. Mi a mesterséges intelligencia utatáso céla? 4. Mi az intelligencia? 5. Mi a szaértői rendszer? 6. Mi a szaértői rendszere alalmazásána özös vonásai? 7. Ismertesse a szaértői rendszere alalmazásána előnyeit és hátrányait! 8. Ismertesse a szaértői rendszere ét típusát! 9. Milyen ellemzői vanna egy szaértői rendszerrel támogatható problématerületne? 10. Ismertesse a szaértői rendszer általános felépítését! 11. Mi a szaértői eretrendszer? 12. Ismertesse az alapvető szaértői rendszer problématípusoat! 13. Ismertesse a frame fogalmát! 14. Ismertesse a szabály alapú rendszere ellemzőit! 15. Ismertesse a szabály alapú öveteztetési cilust! 16. Mi a ülönbség az adat és a célvezérelt öveteztetés özött? 17. Mi az eset alapú öveteztetés? 18. Ismertesse az eset alapú öveteztetés folyamatát! 19. Mi a mesterséges neurális háló? 20. Osztályozza a neurális hálóat, íron példáat! 21. Ismertesse a perceptron felépítését és műödését! 22. Milyen feladato megoldására alalmasa a neurális háló? 23. Mi a ereső eláráso ét fő csoporta? Íron példáat! 24. Ismertesse a genetius algoritmuso alapfogalmait! 25. Ismertesse a genetius algoritmus műödési folyamatát! 26. Milyen paramétere befolyásolá a genetius algoritmus műödését?

18 18 7. Függelé 7.1 Neurális háló A csomóponto imeneti értée: Si wi, o J O w, p J P O P = 1, o o ( J 0 ) 1 o J = Si wi + e i J, = 1 p p ( J 0 ) 1 J + e, p = O w J, 7.2 A neurális háló tanítása - bac propagation A tanítási folyamat során meghatározzu az egyes súlyo értéét. A háló tanításához többe özött a bac propagation elárást alalmazhatu Bac propagation A tanítás során mintáat mutatun a hálóna, amelye tartalmazzá a bemenõ és imenõ adatoat. A súlyo ezdeti értéeit oly módon változtatu, hogy az atuális imenet és a minta alapán megívánt imenet eltérése a lehetõ legisebb legyen. Ez alapán a övetezõéppen ell módosítani a súlyoat: E wi, ( n) = η * + α * wi, ( n 1) w i, E w, ( n) = η * + α * w, ( n 1) w J J o o p o, E o ( n) = η * + α * Jo ( n 1) o J o E p ( n) = η * + α * Jo ( n 1) p J o, ahol (n) : az n-edi lépésben a paraméter változtatása (n-1) : az (n-1)-edi lépésben a paraméter változtatása η : tanulási ráta, 0 < η< 1, onstans (0.9) α : momentum, 0 <= α < 1, onstans (0.4) 1 t 2 P E : hiba, E = * ( ) 2 t : megivánt érté P : atuális érté

19 19 E w i, E w E J, o o E J p o = ( t P ) P (1 P ) w, O (1 O ) S = ( t P ) P (1 P ) O = ( t P ) P (1 P ) w, O (1 O ) = ( t P ) P ( P 1) A tanítási folyamat algoritmusa A háló tanítása során a övetezõ algoritmust használu: 1. Véletlenszerűen felvesszü a súlyo értéét. 2. Meghatározzu a háló hibáát (összhiba és/vagy legnagyobb egyedi hiba). 3. Beolvasun egy tanítási mintát. 4. Elvégzün egy iterációt a mintán. 5. Ha nincs vége a fálna Meghatározzu az összhibát és/vagy a legnagyobb egyedi hibát a teszt mintára. 7. Ha a hiba nagyobb a megengedettnél Ellenõrizzü az eredményeet a tesztmintáon. 9. Meghatározzu a háló hibáát (összhiba és/vagy legnagyobb egyedi hiba). 10. Ha a hiba nagyobb a megengedettnél felveszün egy úabb csomópontot a retett szinten Vége. 7.3 Jellemző válogatás - Feature selection Adott egy n elemű tanítási minta, melyne ellemzőit egy D elemű Y halmaz íra le. A feladat: iválasztani Y- ból egy olyan d elemszámú X halmazt, amelyre a J(.) ritériumfüggvény értée maximális ([Deviver 82]). Y={y = 1,2,..., D}; X={x i i = 1,2,..., d; x i εy}; D>d Generalized Sequential Forward Selection Algorithm (GSFS) 1. X halmaz üres 2. n=0 3. Létrehozun (D-n) számú, X' =X+y halmazt (=1...(D-n)). 4. Meghatározzu J =J(X' ), =1...D-n. 5. X=X' ha J =MAX 6. n=n Az algoritmus futása során cilusonént felírandó a iválasztott ellemző sorszáma illetve a ritériumfüggvény értée. [, ] R = J, MAX Kritérium függvény: J ξ l = = 1 δ 2 n l= 1 m= 1 [, x x ] n n ( ξ ξ ), 2 l x 1, l 2, l,..., d, l Euclidészi távolság: δ E = d = 1 ( ξ, ξ, ) l 2 m m i

20 20 8. Irodalom [Aamodt 96] A. Aamodt, E. Plaza: Case-Based Reasoning: Foundational Issues, Methodological Variations and System Approaches; Artificial Intelligence communications, Vol.7. No Internet doumentum: People/enric/AICom.html#RTFToC1 [Abu-Mostafa 85] Y.S. Abu-Mostafa,.StJacques: Information capacity of the Hopfield model; IEEE Transaction on Information Theory, 31(4) July pp [Albert 98] Albert János: Az idegrendszer orai evolúcióána számítógépes modellezése; Megismeréstudomány és mesterséges intelligencia, Szeresztette: Pléh Csaba, Aadémiai iadó, Budapest, [Anderson 83] J.A. Anderson: Cognitiv and psychological computation with neural models; IEEE Transaction on systems, man and cybernetics, 13(5) September/October, pp [Bahrami 88] A. Bahrami: Design artificial intelligence based software; Halsted Press, New Yor, [Beardon 89] C. Beardon: Artificial intelligence terminology, Ellis Horwood Ltd., [Berei 62] Ú magyar lexion, Szeresztette: Berei Andor; Aadémiai Kiadó, [Bielawsi 91] L. Bielawsi, R. Lewand: Intelligent systems design; John Wiley and Sons, New Yor, [Bounet 88] A. Bounet, J-P. Haton, J-M. Truoug-Ngoc: Expert systems: principles and practice; Prentice Hall, New Yor, [Camp 92] D. van Camp: Számítógép-neurono; Tudomány November, pp [Chien 92] Y-T Chien, J. Liebowitz: Artificial Intelligence, in Enciclopedia of physical science and technology Vol 2., Academic Press, [Deviver 82] P.D. Deviver, J. Kittler: Pattern recognition: a statistical approach; Prentice Hall [Diedrich 90] J. Diederich: Artificial neural networs: concept learning; IEEE Comp. Soc. Press, Washington, [Durin 94] J. Durin: Expert systems; Prentice Hall, [Erdélyi 97] A technológia management informatia eszözei, információ rendszere I-II.; Szeresztette Erdélyi Ferenc, Misolc, [Érdi 98] Érdi Péter: A isérleti episztemológia nagy ísérlete: a McCulloch-centenárium elé; Megismeréstudomány és mesterséges intelligencia, szeresztette: Pléh Csaba, Aadémiai iadó, Budapest, [Freeman 92] J.A. Freeman, D.M. Sapura: Neural networs: algorithms, applications and programming techniques; Addison-Wesley [Gottinger 90] H.W. Gottinger, H.P. Weimann: Artificial intelligence: a tool for industry and management; Ellis Hornwood Ltd., [Harmon 85] P. Harmon, D. King: Expert systems: artificial intelligence in bussiness; John Wiley and Sons, New Yor, [Harmon 88] P. Harmon, R. Maus, W. Morrissey: Expert systems: tools and applications; John Wiley and Sons, New Yor, [Harmon 90] P. Harmon, B. Sawyer: Creating expet systems for business and industry; John Wiley and Sons, New Yor, [Hecht-Nielsen 88] R. Hecht-Nilsen: Neurocomputing: Picing the human brain; IEEE Spectrum 25(3) pp (in [139]) [Hinton 89] G.E. Hinton: Connectionist learning procedures; Artificial Intelligence 40(1) pp [Hinton 92] G.E. Hinton: Hogyan tanulna az idegi hálózato?; Tudomány, November, pp