Моделирование поведения сложных динамических систем презентация

Содержание

Постановка задачи Цель – создать систему генерации связного текста на естественном языке по динамически поступающей информации из некоторой системы. То есть, универсальный комментатор для определенного класса компьютерных игр: -

Слайд 1Моделирование поведения сложных динамических систем
Докладчик:
Юданов А.А.
Научный руководитель:
Бордаченкова Е.А
Москва, 2009

Слайд 2Постановка задачи
Цель – создать систему генерации связного текста на естественном языке

по динамически поступающей информации из некоторой системы.

То есть, универсальный комментатор для определенного класса компьютерных игр:
- игроки управляют агентами в игровом мире.
- игровой мир – разнородный объем, содержащий агентов и другие предметы.

Слайд 3Структура системы
Игра генерирует некоторые события
Их надо оценить и прокомментировать


переводчик
Система
генерации текста
ИГРА

Система

комментирования

Слайд 4Структура системы
Игра генерирует некоторые события
Их надо оценить и прокомментировать

Проблема: широкий класс

предметных областей вынуждает использовать адаптирующийся к конкретной задаче алгоритм.


переводчик

Система
генерации текста

ИГРА


Система комментирования

Слайд 5Структура
Игра генерирует некоторые события
Их надо оценить и прокомментировать

Система работы
с моделью
Модель
Решено

было строить модель поведения предметной области.


переводчик

Система
генерации текста

ИГРА

Система комментирования

Слайд 6Что такое модель поведения?
Внутреннее поведение
скрыто
Вход
Выход
Наблюдаемое поведение

Слайд 7Что такое модель поведения?
Внутреннее поведение
скрыто
Вход

модель
Выход
Выход

Слайд 8Что такое модель поведения?

Оценки качества модели
Ошибка обучения
– Суммированная по обучающей выборке

норма невязки модели
Ошибка обобщения
– Норма невязки модели на каких-либо новых данных


Как измеряют качество модели?

Основной целью при обучении является уменьшение ошибки обобщения.

Точно смоделировать систему невозможно.

Слайд 9Адекватно оценивать настоящее



Предсказывать будущее


Зачем нужна модель поведения?
предсказывать следующий выход системы на

основе входа и наблюдаемого поведения системы.

выход моделируемой системы
=
выход модели

Слайд 10Особенности нашей задачи
Входные данные системы не должны участвовать как в алгоритмах

обучения, так и работы.
Обязательна возможность динамического обучения без учителя.
Желательно, получать в предсказательном алгоритме распределение вероятностей.
Желательно иметь возможность дообучать модель по ходу работы.
Чем проще и быстрее работа с моделью – тем лучше.

Слайд 11Особенности нашей задачи
Внутреннее поведение
скрыто
Вход

модель
Выход
Выход
?

Слайд 12Обзор некоторых моделей
Нейронные сети
Самоорганизующиеся карты Кохонена.


Статистические модели
Скрытые Марковские модели.
Synapse [http://www.peltarion.com/products/synapse/]
WEBSOM [http://websom.hut.fi/websom/]
TreeAge

Pro Healthcare [http://www.treeage.com]
HTS [http://hts.sp.nitech.ac.jp/]

Слайд 13Нейронные сети
Модель представляет из себя сеть, сплетенную из одинаковых по функциям

элементам с помощью синаптических связей.

Каждый элемент (нейрон) выполняет одну функцию – обрабатывая определенным образом входные сигналы x1,…,xn генерирует выходной y:

y = F(x1,…,xn)

Слайд 14Карты Кохонена
Разновидность нейронных сетей.
Топология – регулярная решетка.
Каждый нейрон содержит вектор весов

и свои координаты на решетке.
Обучение итерационное, до достижения определенной погрешности

Общие сведения

Слайд 15Карты Кохонена
Отображение набора входных векторов высокой размерности в карту кластеров меньшей

размерности, причем, таким образом что близким кластерам на карте отвечают близкие друг к другу входные вектора в исходном пространстве.



Задачи

- Наглядное упорядочивание многопараметрической информации.
- Группировка близких входных сигналов для другой нейросети.

Слайд 16Карты Кохонена
Наглядное упорядочивание многопараметрической информации.
- Выявление различий в режимах

поведения системы.

Задачи

- Нахождение взаимосвязей в многопараметрических данных.

Слайд 17Карты Кохонена
Карта Кохонена группирует близкие входные сигналы X, а

требуемая функция Y=G(X) строится на основе применения обычной нейросети.

Входной слой

Слой Кохонена

Другая нейросеть

Задачи

Слайд 18Нейронные сети
Моделируемая система – игра.
Нейронные сети должны получать вход системы, который

недоступен. Значит, простой подстановки НС в задачу не получится
Можно рассматривать выход системы как вход для НС, т.е. НС читает предыдущий выход и пытается предсказать следующий.

Приложение к нашей задаче

Слайд 19Нейронные сети
Внутреннее поведение
скрыто
Вход

Нейросеть
Выход
Выход
?
Вход

Слайд 20Нейронные сети
+ Даже малая обучающая выборка не дает большой ошибки обобщения

Неэффективная

реализация на ПК.
Сложный процесс проектирования топологии

Плюсы и минусы

Слайд 21Скрытые Марковские модели
Имеет набор скрытых внутренних состояний (скрытая переменная) x(t)
Имеет набор

наблюдаемых состояний (наблюдаемая переменная) y(t)
x(t) зависит только от x(t-1)
y(t) зависит только от x(t)

Общие сведения

Слайд 22Скрытые Марковские модели

На каждом шаге система может перейти в новое скрытое

состояние и как-то поменять значение наблюдаемой переменной (сменить наблюдаемое состояние)

Время – дискретное.

Общие сведения

Слайд 23Скрытые Марковские модели

-Имеется матрица А[NxN]




-Имеется матрица В[NxM]
Скрытые состояния
вероятностей возникновения каждого

из наблюдаемых событий на каждом из скрытых состояний.

вероятностей переходов между скрытыми состояниями.

N

M

Наблюдаемые состояния

Общие сведения

Слайд 24Скрытые Марковские модели
Наиболее вероятная скрытая последовательность погоды ['Sunny', 'Rainy', 'Rainy', 'Sunny',

'Sunny']
Вероятность наблюдения при этом - 4%

Пусть Аня знает, что Ваня сначала гулял, потом ходил за покупками, потом убирался.

['walk', 'shop', 'clean‘,‘walk’,’walk’]

пример

Слайд 25Скрытые Марковские модели

Для заданной модели вычислить вероятность появления некоторой наблюдаемой последовательности.




2. Для модели и наблюдаемой последовательности определить наиболее вероятную последовательность скрытых состояний.

3. Для набора наблюдаемых последовательностей требуется скорректировать матрицы переходов некоторой модели, чтобы эти последовательности были наиболее вероятны в ней.

Задачи

[алгоритм вперёд-назад]

[алгоритм Витерби]

[алгоритм Баума-Уэлша]

Слайд 26Скрытые Марковские модели
Внутреннее поведение
скрыто
Вход

СММ
Выход
Выход
?
Приложение к нашей задаче

Слайд 27Скрытые Марковские модели

+ Имитирует внутреннюю жизнь моделируемой системы.
+ Простые итерационные алгоритмы

обучения.
+ Простота и быстрота работы.
+ Соответствие большинству наших требований
+ Хорошие результаты применения в схожих задачах

Не учитывается время, прошедшее между сменой состояний.
Зависимость вероятности перехода лишь от текущего состояний.

Плюсы и минусы

Слайд 28Модификации
Фильтр Калмана
Алгоритм для работы СММ с непрерывными зашумленными наблюдаемыми состояниями.
Многоуровневые СММ
Строится

каскад СММ, где каждый следующий уровень генерирует наблюдаемые последовательности для предыдущего.
Иерархические СММ
СММ, где каждое состояние может само являться ИСММ

Что мы хотим, возможно, применить

Слайд 29End of file
Вопросы?
Спасибо за внимание!

Похожие презентации

Презентация о химическом элементе Железо (Fe). 287
МОЛИТВА 409
Творчество. Успехи. Достижения.( Работы учащихся 5 А и 5 Б классов в области русского языка и литературы). 2011 – 2012 учебный год. 190
Фазиль Искандер Тринадцатый подвиг Геракла. Юмор и его роль в рассказе. 712
Шаблон 234
Схемы разделения рисков: международный опыт государственного финансирования дорогостоящих лекарств 233

Обратная связь

Если не удалось найти и скачать 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 ThePresentation.ru?

Это сайт презентаций, докладов, проектов, шаблонов в формате PowerPoint. Мы помогаем школьникам, студентам, учителям, преподавателям хранить и обмениваться учебными материалами с другими пользователями.

Для правообладателей

Яндекс.Метрика