学习智慧的训练系统,本文主要内容关键词为:智慧论文,系统论文,此文献不代表本站观点,内容供学术参考,文章仅供参考阅读下载。
一、引言
在资本主义国家里,资本主义社会后的今天已被称作知识社会。知识的学习及积累是必要的,但是简单的套用知识是不能解决复杂问题的,它还需要人的智慧。人的智慧因人而异,获有同样的知识而人的解决问题的能力却是不同的。智慧的获取不是知识的简单累加。1+1=2是人人都知道的数学知识,但是两件事物相加或合成却可以1+1>2而大于2的程度是多少却又因人而异。这与人们的聪明才智有关。人们解决问题的聪明才智就是本文所说的智慧。如何使人更聪明些,解决问题的能力更大些,这就是本文要讨论的学习智慧的训练系统。
二、学习智慧的过程
学习智慧与学习知识是不同的。学习知识是把科学分门别类地加以分解,然后进行学习及训练。科学的进步使得学科越分越细,更加专门化。学习智慧是把所学到的各种知识通过综合运用进行学习及训练。在当今学科越分越细更加专门化的同时强调多学科的交叉是完全必要的。没有知识当然不可能产生智慧,即知识能给人以智慧,但是只有知识的简单积累并不能产生智慧。
综合分析必须理论与实际相结合。所谓实际就是实例分析。有些教学运用案例分析培养人的解决复杂实际问题的能力,其实质就是学习智慧。
综合分析是根据各种信息进行推理计算,然后做出决策,这个过程及技术叫做信息综合/融合,它包括近似推理及近似计算以及它们的集成。信息不只是不确定的而且常常是不完整的。信息的获得常有时间滞后,获取信息既费时又耗资,因而获得完整而又确切的信息是不现实的。人们往往只能在不确定不完整信息的条件下做出决策,有时还有时间限制,即在一定的时间内做出决策。
实践越多会使人更聪明更有才能,这个过程是进步、进化到跃变的过程,即量变到质变。实践的累积而又不是简单的重复,从而得到进步、进化。有足够的量的积累将得到飞跃,即从经验的累积达到规则或规律的总结。从数据到规则的提炼,也是认识的一种飞跃,这也是定性物理学的一个内容。总结经验除了多次的实践及探索外,还需要效果评价。
效果评估也是一个复杂问题,有短期效果及长期效果之分,即眼前利益与长远利益之分,还有局部与整体之分,还有看问题的角度不同,评价标准的不同,不过重要的是要知道if……what,how.
三、学习智慧的训练系统的设计
训练系统就是利用计算机模拟技术提供一种学习环境进行各种仿真实验,例如作战指挥训练系统,股票交易训练系统,电站运行训练系统等。不同专业领域的训练系统有各自不同的仿真模型。模型的建立首先要符合物理系统的定性关系,即定性物理学的关系,然后进一步确定它们的定量、半定量关系。如果还包括人的社会活动,则模型中将包含许多不确定因素。
为了协助人们的学习,即总结经验及规律,应研究学习算法以及用人工神经网络的实现方法,其中确定神经元的功能是组成神经元网络的核心问题。
这里还存在着人与训练系统的关系问题。训练系统可以帮助人的推理及计算分析,但是认识上的飞跃还是通过人的大脑完成的。一旦人的认识得到提高,反过来可以训练训练系统使它得到进化,也就是系统也更聪明了。
四、应用实例:股票交易学习训练系统
股票交易学习训练系统借助于计算机模拟仿真技术为即将进入股票市场的投资者提供了一种学习训练手段。它采用了模糊推理、人工神经网络专家系统等先进技术,它不仅能帮助使用者学习包括股票、股票市场及股票交易的基本知识,同时它提供了一个近似于实际的模拟环境,供使用者进行股票交易实际操作训练,更为重要的是它可以帮助使用者学习如何利用已有知识进行市场分析、判断推理,做出合理的投资决策,以达到其学习有关股票交易知识和智慧的目的。
系统基本结构如图一所示。
图一 股票交易学习训练系统基本结构图
股票交易模拟环境模拟了股票交易市场,主要提供两种数据,股票种类与股价时间序列数据。股票种类与交易所里的上市股票类完全一致,在训练系统的数据库里存贮有大量的股市历史行情数据。在作案例分析与交易操作训练时,只要取出有关时间段的行情数据,或将人工神经网络股价变动模型输出数据,显示给学习者即完成了交易市场模拟。
股票基本知识学习以课程的方式向学习者提供有关股票、股票市场、股票交易的基本知识。
股票交易案例分析向学习者提供各种典型市场状态下,股票交易应考虑的因素及如何进行分析作出决策。案例分析在模糊规则的基础上,以模糊推理的方式进行。
股票交易操作训练,在股票交易模拟环境下,让学习者独立进行实际操作,通过不断地实践,总结经验教训,提高交易能力。
训练评估,既可对每次具体交易操作进行评估,也可通过对学习者的学习档案进行分析,给出学习者股票交易能力的综合评价。训练评估首先建立了一个模糊神经网络股票交易系统,将与学习者同样的条件下所得到的结果与学习者给出的结果进行比较,分析其决策过程各环节,给出对学习者决策的评价。
训练能力自我改进,通过与学习者的结果进行比较,若发现学习者比系统中模糊神经网络交易系统还高明,则将此次的的训练作为案例加入系统案例库,同时通过模糊神经网的学习将知识转换为模糊规则加到系统模糊规则库中。
综合信息库供使用者随时查询各数据库,包括政策法规库、上市股票档案库、证券公司库、历史行情数据库、学习者的学习档案等。
系统与学习者之间的信息流向可用图二来表示。
图二 学习者与系统之间的信息流向图
系统设计利用面向对象设计方法将人工神经网络、模糊推理、数据库技术、图形人机界面技术集成在一起,系统的核心是模糊推理与人工神经网络的应用。
首先建立基于神经网络的股票交易系统,但这种系统第一对网络节点缺乏解释能力;第二无法体现股票市场的结构化知识;第三对神经网络为何得到这种输出无法解释。为此在股票交易训练系统里引入模糊逻辑及模糊规则库。模糊逻辑建立在Zedeh的可能性理论上,其基础是带有隶属函数的模糊集合,它和神经网络一样在不精确、不确定及不完备知识的表达及推理方面具有很强的适用性,它最有价值的应用体现在模糊规则If-Then的使用上,在股票训练系统里我们采用参考文献(5)中模糊规则生成算法从经过训练的神经网络里产生If-Then规则,加入到模糊规则库,从而克服了神经网络知识的不可表达性及结果的不可解释性。
有股票学习训练系统里,模糊规则库中模糊规则的来源主要有两个方面,一方面是股票交易专家,另一方面来自经过训练的人工神经网络。
在股票交易模糊规则库里尤其要注意的一点是,由于股票市场的不断变化,模糊规则的适用性也将发生变化,对过去市场适用的规则可能对现在的市场已不适用,随着股价时序数据的不断增加,每隔一段时间需要对模糊规则库中的规则重新进行检验,神经网络也需要用新的样本数据重新学习,以更新分布于神经网络的知识。
下面是利用模糊推理技术选择具有交易价值的股票的推理过程[文献(7)]。股票交易模糊规则采用Granville法则。如图三所示,8种市场形态图用来代表“买”与“卖”信号。Granville法则利用模糊语言变量“Small”、“Slightly large”等来描述市场形态。这些规则由模糊逻辑来形成。
如图四所示,在市场状态为(a)的情况下,利用模糊推理得到(b),将(b)中的每一个推理结果加起来得到最后的结果(c),(b)中的属性函数必须用样本数据进行调整,以便使每条规则的推理结果合理。图五为最后得到的买卖信号。
股票交易过程当中含有许多不确定性不精确性的因素,股票训练系统采用神经网络及模糊推理技术力求使学习者从系统中学到足够的知识和智慧,学习者从股票基本知识学习里学到知识,从案例分析、交易操作训练及训练评估当中学到智慧。
以上只是学习智慧训练系统的一个概要,已有博士生在进行这方面的研究。本篇论文是为清华大学经管学院成立十周年而写,也是为了抛砖引玉,希望引起兴趣及讨论。
图三 股票价格形态中的Granville法则
图四 模糊推理例示
图五 由模糊推理得到的买卖信号