CC BY
62
примеров, вовлекая в процесс обучения возможности человеческого мозга, в частности, слуховую и эмоциональную память, а также используя компьютерные объяснения. Именно поэтому для создания полноценного электронного учебника недостаточно взяв традиционный учебник, создать на его основе гипертекст, снабдить мультимедийными средствами.
Создание электронного учебника - процесс длительный и трудоемкий, несмотря на существующие программные приложения, которые автоматизируют оформление подготовленного материала в наглядном и удобном для восприятия с экрана монитора виде. Наиболее затратный по времени подготовительный “ручной'’ этап работы, на котором нужно найти и отобрать материал. Затем текст необходимо структурировать - представить в виде набора кадров. Здесь следует учитывать особенности восприятия человеком информации с экрана монитора. Так большой объем текста трудно считывается с экрана, в результате ухудшается понимание прочитанного, в то же время, слишком маленький по размеру текст не привлечет к себе должного внимания.
В завершении “ручного" этапа работы следует продумать систему связей-ссылок. Организация связей - важный этап, именно ссылки превращает текст в гипертекст. В гипертекстовой среде можно ввести такую систему связей, создав определенный маршрут, при котором читатель приходит к однозначному выводу. Это позволяет усилить восприятие представленного материала, и будет способствовать его более эффективному усвоению. Данный подход оправдан при первом прочтении учебника, но должна быть реализована возможность свободного перехода по ссылкам, чтобы можно было самим выбирать разделы для изучения.
Создание на основе современных компьютерных технологий электронных учебных пособий и их использование в учебном процессе позволит повысить самостоятельную познавательную активность студентов.
ЛИТЕРАТУРА
1. Купер И.Р. Гипертекст как способ коммуникации. - Социологический журнал. №1/2, 2000.
2. В. Никитаев Киберсознание //Вопросы философии. - 1998,- N5.
3. Патаракин Е. Гипертекст как основа взаимодействия, материалы региональной конференции 1АТР, Нижний Новгород, 2003.
Демин Д.С.,
Научный руководитель - Москаленко Ю.С.
РАЗРАБОТКА ИНТЕЛЛЕКТУАЛЬНОЙ СИСТЕМЫ ПОСТРОЕНИЯ НЕЙРОННОЙ СЕТИ С
ИСПОЛЬЗОВАНИЕМ ТЕХНОЛОГИИ МНОГОАГЕНТНЫХ СИСТЕМ.
В последнее время многих исследователей привлекают искусственные нейронные сети (ИНС), представляющие собой технологию, уходящую корнями во множество дисциплин: нейрофизиологию, математику, статистику, физику, компьютерные науки и технику. Адаптируемые и обучаемые, они представляют собой распараллеленные системы, способные к обучению путем анализа положительных и отрицательных воздействий. ИНС способны решить широкий круг задач распознавания образов, идентификации, прогнозирования, оптимизации, управления сложными объектами. Дальнейшее повышение производительности компьютеров все в большей мере связывают с ИНС, в частности с нейрокомпьютерами, основу которых составляют ИНС.
Возможности нейронных сетей во многом зависят от того, насколько полна и оптимальна их структура: количество слоев, количество нейронной в каждом из слоев, числа скрытых областей; насколько качественно она обучена и протестирована.
Маленькая сеть с небольшим числом скрытых частей и обрабатываемых элементов зачастую не в состоянии решить сложные задачи и может быть неадекватной комплексной проблеме, а сеть с большой и разветвленной структурой, имеющая большое количество слоев и элементов, часто является громоздкой и не способной к быстрой генерализации, а также требует больших вычислительных ресурсов.
Решение задач на основе нейронных сетей включает несколько этапов:
1) сбор данных для обучения;
2) подготовка и нормализация данных;
3) выбор топологии сети;
4) экспериментальный подбор характеристик сети;
5) экспериментальный подбор параметров обучения;
6) собственно обучение;
7) проверка адекватности обучения;
8) корректировка параметров, окончательное обучение.
В большинстве случаев, в том числе и при использовании нейроэммуляторов, каждый из этапов решения ложиться на плечи человека-эксперта в области нейронных сетей. Конечно, в настоящее время существует множество программных продуктов для работы с нейронными сетями. Но все они в основном предназначены для моделирования нейронных сетей, т.е. сетей с уже выбранной топологией и алгоритмом обучения, известным количеством слоев и количеством нейронной в каждом слое. Работа с ними, в общем, сводится к обучению сети соответствующими процедурами. Можно отметить, что в настоящее время не существует формального способа создания оптимальной сетевой архитектуры. В большинстве своем построение нейронной сети происходит методом «проб и ошибок», что в свою очередь отнимает немало времени. К тому же все это приходиться в основном делать человеку или группе экспертов, использующим свои знания и опыт.
В качестве подхода к решению данной проблемы в работе предлагается применение новых информационных систем, в частности использованием парадигмы агентно-ориентированных технологий, использующих интеллектуальных агентов как высокоуровневую абстракцию для формализации и структурирования предметной области и как мощное программное средство для разработки и реализации сложных информационных систем.
Согласно парадигме агента, программная система рассматривается как совокупность программных сущностей, называемых агентами. В отличие от обычных объектов в ООП, агенты являются автономным объектами. Это означает, что поведение агентов управляется их целями, и у агентов есть знания о том, как эти цели достичь. Агента нельзя вызвать как подпрограмму (или метод в ООП), поскольку у агентов есть свои состояния, и они постоянно работают над достижением целей -фактически, как сопрограммы, которые могут передавать управление друг другу в любой момент времени.
Агент может обладать определенным числом характеристик:
1) автономность — способность к действию без прямого внешнего вмешательства;
2) интерактивность - способность общаться с окружающей средой и другими агентами;
3) обучаемость - способность к обучению во время работы
4) проактивность — свойство целенаправленности, целеустремленности.
5) рациональность - способность выбирать действие, основанное на внутренних целях и знаниях, что приблизит агента к своим целям
6) мобильность - способность к перемещению в среде, и др.
С учетом специфики предметной области (нейронные сети), а также в соответствии с приведенными выше э]апами решения задачи этим механизмом - многоагентная система (МАС), призванная автоматизировать работу по выбору архитектуры сети и нормализации данных для решения задачи, поставленной пользователем, рассматривается как совокупность взаимосвязанных программных модулей (агентов). Совместная работы этих агентов, являющихся некоторым «решателем», а так же источником знаний (БЗ), доступного для других агентов, позволяет решить задачи, поставленные на каждом из соответствующих этапов.
В конечном итоге МАС должна удовлетворять различным информационным и вычислительным потребностям конечных пользователей - получение обученной и протестированной нейронной сети, наиболее качественно решающей поставленную задачу.
Используя данные от пользователя в виде постановки задачи, первоначального набора входных данных, и делегирование этих функций интеллектуальным агентам, позволяет полностью автоматизировать процесс построения нейронной сети, ее обучения и проверки адекватности работы. Пользователь же этой системы получит на выходе оптимальную обученную сетевую архитектуру, готовую к работе.
