| Головна |
| « Попередня | Наступна » | |
1. Моделювання ітеративного навчання: завдання і проблеми |
||
|
Справжня робота присвячена опису і дослідженню математичних моделей ітеративного навчання, тому насамперед необхідно визначити, що розуміється під "моделлю" і "ітеративним научением". Термін "модель" ми будемо використовувати в найширшому його розумінні як "аналог певного фрагмента природної чи соціальної реальності, ... заступник оригіналу в пізнанні і практиці", математична (абстрактна) модель - "інтерпретація систем логіко-математичних положень "(ФЕС, М.: Радянська енциклопедія, 1983. с. 382). Научение у загальному випадку - "процес і результат придбання індивідуального досвіду" (Короткий психологічний словник, М.: ІПЛ, 1985. С. 201). Ми будемо докладно розглядати лише один з видів навчання, а саме итеративное научение (iterative від лат. Iterativus - повторюваний) - багаторазове повторення навченою системою (живий або неживий - технічної або кібернетичної) дій, проб, спроб і т.д. для досягнення фіксованої мети при постійних зовнішніх умовах. Ітеративне научение (ІН) лежить в основі формування навичок у людини, умовних рефлексів у тварин, навчання багатьох технічних (матеріалізованих) і кібернетичних (абстрактно-логічних) систем і є перед-метом дослідження педагогічної та інженерної психології, психофізіології, педагогіки, теорії управління та т.д. ІН відноситься до порівняно нескладним видам навчення і його дослідження розширює уявлення про механізми навчання в цілому. Сталість зовнішніх умов дозволяє проводити кількісне опис ІН у вигляді графіків - кривих навчання (КН), що представляють собою залежність критерію рівня навчення від часу або від числа повторень (ітерацій). Численні експериментальні дані свідчать, що найважливішою загальною закономірністю ітеративного навчання в живих системах (людина, групи людей, тварини) і неживих системах (системи розпізнавання образів, імовірнісні автомати із змінною структурою, нейронні мережі та ін.) є уповільнено-асимптотичний характер кривих научения: вони монотонні, швидкість зміни критерію рівня научения з часом зменшується, а сама крива асимптотично прагне до деякого межі. У більшості випадків криві ітеративного навчання аппроксимируются експоненціальними кривими (див. більш докладно розділ 2 цієї роботи). Нас цікавитиме, в основному, наступне питання - чим зумовлена загальна для итеративно научайтесь систем самої різної природи закономірність, що полягає в уповільнено-асимптотичному характері КН? Існують різні підходи до одержання відповіді на це питання: вивчення експериментальних даних (феноменологічний опис); аналіз психофізіологічних або технічних характеристик тих, кого навчають систем, їх структури, принципів взаємодії складових їх елементів; створення і дослідження математичних, імітаційних та ін моделей ІН і т.д. Ми спробуємо розглянути загальні закономірності ІН допомогою дослідження його моделей. Таким чином, об'єктом дослідження в даній роботі виступає итеративное научение, а предметом дослідження - його загальні для систем живої і неживої природи кількісні закономірності, причому основним методом дослідження є математичне моделювання. Метою роботи є теоретичне обгрунтування та пояснення загальних закономірностей ІН і, відповідно, завданнями - аналіз відомих і побудова ряду нових математичних моделей ітеративного навчання; встановлення адекватності моделей реальним системам; розгляд можливості пояснення відомих і передбачення нових властивостей итеративно научайтесь систем та процесу ІН допомогою моделювання. Розрізняють два методи побудови моделей взагалі і, відповідно, вони можуть використовуватися для побудови моделей ітеративного навчання - прямий і зворотний. При використанні прямого методу робляться ті чи інші припущення про функції, склад та структуру навченою системи і механізми взаємодії складових її елементів. Далі, на підставі введених припущень і "закладених" в модель закономірностей, досліджується поведінка моделі і проводиться аналіз відповідності поведінки моделі і модельованої Другий, зворотний метод побудови моделей полягає в пошуку тих вихідних припущень і припущень, які призводять до необхідних властивостям моделі [2, 3]. Наприклад, якщо відома траєкторія руху деякої системи та її структура, то іноді, відповідно до зворотним методом, можна знайти клас законів взаємодії елементів системи між собою і з ок-ружа середовищем, що призводять до спостерігається поведінки. При цьому "внутрішній устрій" моделі може сильно відрізнятися від "пристрою" моделюється. Наприклад, якщо різні припущення про закони взаємодії приводять до одного і того ж результату, то, не маючи додаткової інформації, неможливо однозначно сказати, які з еквівалентних моделей відповідають реальній системі. Поділ на прямий і зворотний методи побудови моделей досить умовно - більшість відомих на сьогоднішній день моделей ІН використовують в тій чи іншій мірі обидва ці підходи. Процес побудови моделі (математичної, імітаційної і т.д.) носить, як правило, ітеративний характер. Спочатку дослідник робить припущення про структуру моделі та законах взаємодії елементів, узгоджені з наявною інформацією про моделюється системі (використання прямого методу). Потім поведінку моделі порівнюється з поведінкою оригіналу і на підставі цього порівняння вносяться зміни до прийнятих гіпо- тези і припущення, "мінімізуються" допущення (використання зворотного методу), після чого знову досліджується поведінка моделі і т. д. Умовно можна вважати, що успішне застосування прямого методу призводить до знаходження достатніх умов (тією чи іншою мірою спільності) адекватності. Метою ж зворотного методу є пошук необхідних умов адекватності. Тому слід визнати, що зворотний метод є більш конструктивним, так як побудована з його використанням модель дозволяє зробити більш обгрунтовані висновки про внутрішній устрій, механізми і процесах в реальних модельованих системах. Водночас, зрозуміло, що при цьому дослідник, безсумнівно, стикається з великими труднощами. З вищесказаного випливає, що можна побудувати безліч прямих моделей однієї і тієї ж реальної системи або процесу. Однак дуже рідко вдається створити модель, адекватну оригіналу не тільки з поведінки, але і за структурою, механізмам функціонування і т. д. Ті рідкісні випадки, в яких структура і властивості моделі можуть бути однозначно (з необхідністю) виведені та ідентифіковані за інформацією про модельованої системі, слід визнати вдалими винятками із загальної закономірності. При моделюванні більшості складних (особливо біологічних і соціально-економічних) систем, в тому числі - при моделюванні ітеративного навчання, мову слід вести про гармонійний поєднанні прямого і зворотного методів. Наведемо одне з існуючих на сьогоднішній день думок про можливість створення загальної моделі ітеративного навчання (E. Guthrie): "Протягом багатьох років дослідники надихалися надією відкриття кривої навчання. Існує загальна угода, що крива змінюється більш швидко після початку вправи, у міру продовження вправи ця швидкість поступово зменшується, поки не досягається фізіологічну межу, поставлений природою навчають ... Звичайно, не існує ідеальної стандартної кривої навчання або кривої забування. Все залежить від попереднього досвіду відпрацювання компонент дій і вже сформованих навичок ... Іншими словами, не існує загальної кривої навчання. " [102, с. 179]. "спільністю" моделі. Якщо "загальна" - це універсальна модель, що пояснює і узагальнююча всі відомі моделі та апріорі здатна пояснити всі можливі, ще невідомі сьогодні, ефекти, які спостерігаються при итеративном научении, і адекватна при будь-якому рівні деталізації розгляду довільної системи, то, мабуть, можливість створення такої моделі сьогодні здається проблематичною. В даний час відомо велика кількість досліджень, що пояснюють при тих чи інших припущеннях і припущеннях закономірності ІН для конкретних систем (цікаво відзначити, що протягом кількох останніх десятиліть спостерігається спад інтенсивності досліджень загальних моделей ітеративного навчання; тому не дивно, що більшість робіт, наведених нижче у списку літератури, відносяться до 60-70-мгодам - періоду бурхливого розвитку кібернетики). Проте, з нашої точки зору, більшість з існуючих моделей не володіє достатньою спільністю. Тому має сенс вести мову про створення максимально більш загальної моделі ІН (або комплексу таких моделей), з використанням мінімальних припущень і припущень про структуру навченою системи, властивості складових її елементів і характер їх взаємодії, а також про виділення тих загальних припущень, гіпотез і т . д., які використовуються у відомих і повинні бути використані в будь-яких математичних моделях ІН. Цікавлять нас системи живої природи є великими і складними, як з точки зору числа складових їх елементів, так і з точки зору різноманіття зв'язків між ними [19, 28, 29, 45]. У технічних системах і моделях живих систем дослідник може штучно обмежувати складність, роблячи систему піддається аналізу. Наприклад, на даний момент можуть бути приблизно описані властивості лише окремих елементів цих живих систем - нейронів, синергій і т.д., з тим або іншим ступенем деталізації виміряні їх характеристики і описані зв'язки між ними. Однак, як це не сумно, до цих пір не отриманий досить повну відповідь на запитання: як функціонує мозок, і як властивості окремих нейронів призводять до тих властивостей їх груп, окремих підсистем і мозку в цілому, які ми спостерігаємо. Обмеженість сучасного наукового знання в розумінні механізмів функціонування біологічних і соціальних систем ще більш ускладнює завдання моделювання ітеративного навчання - якщо ми не маємо чіткого уявлення про властивості реальної системи, то неясно, що розуміти під адекватністю моделі та системи на рівні "внутрішнього устрою". Напевно тому більшість моделей ІН носить феноменологічний характер, описуючи агрегированную динаміку результативних характеристик навчення, але не "заглядаючи всередину" моделюється. Спробуємо сформулювати, в загальному вигляді, якого роду висновок ми хотіли б отримати в цій роботі. Навряд чи можна сподіватися, що для итеративно научайтесь систем вдасться (коли-небудь) отримати універсальний закон на рівні основних законів природи або довести відповідний спільний формальний результат, так як для цього необхідно ввести систему аксіом - постулатів, очевидність яких може виявитися (і виявляється в існуючих моделях) далеко небеззаперечної. Отже, бажано сформулювати та обгрунтувати закономірність, яка, по-перше, пояснювала б експериментально спостерігається поведінка итеративно научайтесь систем, і, по-друге, мала б по можливості максимальної спільністю (тобто була б застосована для максимально широкого класу научайтесь систем і вимагала б введення мінімальних припущень і припущень). Відзначимо, що більшість відомих і використовуваних принципів і законів функціонування біосистем носить саме характер закономірностей або гіпотез. Для ілюстрації цього твердження, не претендуючи на повноту опису, перерахуємо коротко деякі відомі принципи функціонування біологічних систем. |
||
| « Попередня | Наступна » | |
|
|
||
Інформація, релевантна " 1. Моделювання ітеративного навчання: завдання і проблеми " |
||
|
||