Лабораторный практикум по интеллектуальным информационным системам

Как видим, идентификация классов, один из которых является подмножеством других, осуществляется правильно. Это является важным достоинством семантической информационной модели системы «Эйдос», т.к. представляет собой проблему для многих типов нейронных сетей. Достаточно отметить, что возможность решения подобных задач считается одним из основных достоинств развитой модели нейронной сети, реализованной в неокогнитроне Фукушимы.

Пример решения задания 6: Оценить ценность букв для идентификации слов. Сравнить суммарную ценность для этой цели гласных и согласных букв
Для решения этой задачи запустим 2-й режим в 3-й подсистеме (рисунок 45). В этом режиме все признаки, которыми в данном примере являются буквы, выводятся системой «Эйдос» в порядке убывания среднего количества информации, которое в них содержится о принадлежности к словам. Если просуммировать ценность букв «нарастающим итогом» то получим накопительную кривую, представленную на рисунке 46. Эта кривая называется «Парето-диаграмма» по имени известного итальянского математика и экономиста XIX, Вильфредо Парето, впервые предложившего оценивать силу влияния факторов, исключать из рассмотрения незначимые факторы и впервые построившего подобные диаграммы.

Рисунок 45. Запуск режима системы «Эйдос» измерения ценности признаков для решения задач идентификации, прогнозирования и управления

Рисунок 46. Парето-диаграмма ценности букв
для идентификации слов
Характерная «полочка» на Парето-диаграмме соответствует цифрам и буквам латинского алфавита, которые не встретились в словах обучающей выборки. В таблице 35 приведены буквы, проранжированные в порядке убывания среднего количества информации в них, о принадлежности к словам.

Пример решения задания 7: «Выполнить кластерно-конструктивный анализ слов и букв, вывести информационные и семантические портреты слов и букв, построить их профили»
Кластерно-конструктивный анализ слов
Кластерно-конструктивный анализ выполняется в 5-й подсистеме «Типология» (рисунок 47). Сначала на основе матрицы информативностей рассчитывается матрица сходства классов (таблица 36), а затем на основе нее формируется таблица кластеров и конструктов классов (таблица 37).

Рисунок 47. Запуск режима кластерно-конструктивного
анализа классов (слов)

Аналогично в режиме кластерно-конструктивного анализа признаков (рисунок 48) получаем матрицу сходства букв и конструкты букв (таблицы 38 и 39).

Рисунок 48. Запуск режима кластерно-конструктивного
анализа признаков (букв)

Информационные портреты классов (слов)
Информационные портреты классов (слов) представляют собой списки признаков (букв), проранжированных в порядке убывания количества информации, содержащихся в них о принадлежности к данным классам.