Материалы представленные на сайте исключительно с целью ознакомления пользователям Интернета и не преследуют коммерческих целей или нарушение авторских прав.
© 2018 - 2024
Естественный язык — в лингвистике и философии языка язык, используемый для общения людей (в отличие от формальных языков и других типов знаковых систем, также называемых языками в семиотике) и не созданный искусственно (в отличие от искусственных языков).
Словарь и грамматические правила естественного языка определяются практикой применения и не всегда бывают формально зафиксированы.
Функции естественного языка
Естественный язык как система знаков
В настоящее время системность считается важнейшей характеристикой языка[1]. Семиотическая сущность естественного языка состоит в установлении соответствия между универсумом значений и универсумом звучаний[2].
По основанию природы плана выражения в своей устной форме человеческий язык относится к слуховым знаковым системам, а в письменной – к зрительным[3].
По типу генезиса естественный язык относят к культурным системам, таким образом он противопоставляется как природным, так и искусственным знаковым системам[4]. Для человеческого языка как знаковой системы характерно сочетание черт как естественных, так и искусственных знаковых систем[5].
Система естественного языка относится к многоуровневым системам, т.к. состоит из качественно разных элементов – фонем, морфем, слов, предложений, отношения между которыми сложны и многогранны[6].
Что касается структурной сложности естественного языка, то язык называют самой сложной из знаковых систем[7].
По структурному основанию различают также детерминированные и вероятностные семиотические системы. Естественный язык принадлежит к вероятностным системам, в которых порядок следования элементов не является жёстким, а носит вероятностный характер[6].
Семиотические системы разделяют также на динамические, подвижные и статические, неподвижные. Элементы динамических систем меняют своё положение по отношению друг к другу, тогда как состояние элементов в статических системах неподвижно, устойчиво. Естественный язык относят к динамическим системам, хотя в нём присутствует и статические признаки[8].
Ещё одной структурной характеристикой знаковых систем является их полнота. Полную систему можно определить как систему со знаками, представляющими все теоретически возможные комбинации определённой длины из элементов заданного множества. Соответственно, неполную систему можно охарактеризовать как обладающую определённой степенью избыточности систему, в которой для выражения знаков используются не все из возможных комбинаций заданных элементов. Естественный язык является неполной системой, обладающей высокой степенью избыточности[9][10].
Различия между системами знаков в их способности меняться делают возможным их классификацию на открытые и закрытые системы. Открытые системы в процессе своего функционирования могут включать в себя новые знаки и характеризуются более высокой адаптивностью по сравнению с закрытыми системами, не способными к изменению. Способность изменяться присуща и человеческому языку[11].
Согласно В. В. Налимову, естественный язык занимает срединное положение между «мягкими» и «жёсткими» системами. К мягким системам относятся неоднозначно кодирующие и неоднозначно интерпретируемые знаковые системы, например, язык музыки, к жёстким – язык научных символов[12].
Основная функция языка — конструирование суждений, возможность определения смысла деятельных реакций, организации понятий, которые представляют собой некоторые симметрические формы, организующие пространство отношений «коммуникаторов»: [источник не указан 1041 день]
коммуникативная:
констатирующая (для нейтрального сообщения о факте),
вопросительная (для запроса о факте),
апеллятивная (для побуждения к действию),
экспрессивная (для выражения настроения и эмоций говорящего),
контактоустанавливающая (для создания и поддержания контакта между собеседниками);
метаязыковая (для толкования языковых фактов);
эстетическая (для эстетического воздействия);
функция индикатора принадлежности к определённой группе людей (нации, народности, профессии);
информационная;
познавательная;
эмоциональная.
Искусственные языки — специальные языки, которые, в отличие от естественных, сконструированы целенаправленно. Таких языков существует уже более тысячи, и постоянно создаются всё новые и новые.
Классификация
Различают следующие виды искусственных языков:
Языки программирования и компьютерные языки — языки для автоматической обработки информации с помощью ЭВМ.
Информационные языки — языки, используемые в различных системах обработки информации.
Формализованные языки науки — языки, предназначенные для символической записи научных фактов и теорий математики, логики, химии и других наук.
Языки несуществующих народов, созданные в беллетристических или развлекательных целях, например: эльфийский язык, придуманный Дж. Толкином, клингонский язык, придуманный Марком Окрандом для фантастического сериала «StarTrek» (см. Вымышленные языки), язык На'ви, созданный для фильма «Аватар».
Международные вспомогательные языки — языки, создаваемые из элементов естественных языков и предлагаемые в качестве вспомогательного средства межнационального общения.
Идея создания нового языка международного общения зародилась в XVII—XVIII веках в результате постепенного уменьшения международной роли латыни. Первоначально это были преимущественно проекты рационального языка, освобождённого от логических ошибок живых языков и основанного на логической классификации понятий. Позднее появляются проекты по образцу и материалам живых языков. Первым таким проектом был универсалглот, опубликованный в 1868 году в Париже Жаном Пирро. Проект Пирро, предвосхитивший многие детали позднейших проектов, остался незамеченным общественностью.
Следующим проектом международного языка стал волапюк, созданный в 1880 немецким языковедом И. Шлейером. Он вызвал весьма большой резонанс в обществе.
Наиболее известным искусственным языком стал эсперанто (Л. Заменгоф, 1887) — единственный искусственный язык, получивший широкое распространение и объединивший вокруг себя довольно многих сторонников международного языка.
Из искусственных языков наиболее известны:
бейсик-инглиш
эсперанто
Макатон
волапюк
идо
интерлингва
латино-сине-флексионе
логлан
ложбан
на'ви
новиаль
окциденталь
сольресоль
ифкуиль
клингонский язык
эльфийские языки
Также есть языки, которые специально были разработаны для общения с внеземным разумом. Например — линкос.
По цели создания искусственные языки можно разделить на следующие группы:
Философские и логические языки — языки, имеющие четкую логическую структуру словообразования и синтаксиса: ложбан, токипона, ифкуиль, илакш.
Вспомогательные языки — предназначены для практического общения: эсперанто, интерлингва, словио, словянски.
Артистические или эстетические языки — создаются для творческого и эстетического удовольствия: квенья.
Также язык создается для постановки эксперимента, например для проверки гипотезы Сепира-Уорфа (о том, что язык, на котором говорит человек, ограничивает сознание, загоняет его в определённые рамки).
По своей структуре проекты искусственного языка могут быть разделены на следующие группы:
Априорные языки — на основе логических или эмпирических классификаций понятий: логлан, ложбан, ро, сольресоль, ифкуиль, илакш.
Апостериорные языки — языки, построенные преимущественно на основе интернациональной лексики: интерлингва, окциденталь
Смешанные языки — слова и словообразование частично заимствованы из неискусственных языков, частично созданы на основе искусственно придуманных слов и словообразовательных элементов: волапюк, идо, эсперанто, нэо.
Число носителей искусственных языков можно назвать лишь приблизительно, ввиду того что систематического учета носителей не ведётся.
По степени практического употребления искусственные языки делят на проекты, получившие широкое распространение: идо, интерлингва, эсперанто. Такие языки, как и национальные языки, называют «социализованными», среди искусственных их объединяют под термином плановые языки. Промежуточное положение занимают такие проекты искусственного языка, которые имеют некоторое количество сторонников, например, логлан (и его потомок ложбан), словио и другие. Большинство искусственных языков имеет единственного носителя — автора языка (по этой причине их более корректно называть «лингвопроектами», а не языками).
20. Нейронная сеть и размытая логика (fuzzylogic). Их преимущества в обработке языковой информации.
Нейронные сети – это одно из направлений исследований в области искусственного интеллекта, основанное на попытках воспроизвести нервную систему человека. А именно: способность нервной системы обучаться и исправлять ошибки, что должно позволить смоделировать, хотя и достаточно грубо, работу человеческого мозга.
В 60-80 годах XX века приоритетным направлением исследований в области искусственного интеллекта были экспертные системы. Экспертные системы хорошо себя зарекомендовали, но только в узкоспециализированных областях. Для создания более универсальных интеллектуальных систем требовался другой подход. Наверное, это привело к тому, что исследователи искусственного интеллекта обратили внимание на биологические нейронные сети, которые лежат в основе человеческого мозга.
Нейронные сети в искусственном интеллекте – это упрощенные модели биологических нейронных сетей.
На этом сходство заканчивается. Структура человеческого мозга гораздо более сложная, чем описанная выше, и поэтому воспроизвести ее хотя бы более менее точно не представляется возможным.
У нейронных сетей много важных свойств, но ключевое из них – это способность к обучению. Обучение нейронной сети в первую очередь заключается в изменении «силы» синаптических связей между нейронами. Следующий пример наглядно это демонстрирует. В классическом опыте Павлова, каждый раз непосредственно перед кормлением собаки звонил колокольчик. Собака достаточно быстро научилась ассоциировать звонок колокольчика с приемом пищи. Это явилось следствием того, что синаптические связи между участками головного мозга, ответственными за слух и слюнные железы, усилились. И в последующем возбуждение нейронной сети звуком колокольчика, стало приводить к более сильному слюноотделению у собаки.
На сегодняшний день нейронные сети являются одним из приоритетных направлений исследований в области искусственного интеллекта.
Построение моделей приближенных размышлений человека и использование их в компьютерных системах представляет сегодня одну из важнейших проблем науки.
Основы нечеткой логики были заложены в конце 60-х лет в работах известного американского математика Латфи Заде. Исследования такого рода было вызвано возрастающим неудовольствием экспертными системами. Хваленый "искусственный интеллект", который легко справлялся с задачами управления сложными техническими комплексами, был беспомощным при простейших высказываниях повседневной жизни, типа "Если в машине перед тобой силит неопытный водитель - держись от нее подальше". Для создания действительно интеллектуальных систем, способных адекватно взаимодействовать с человеком, был необходим новый математический аппарат, который переводит неоднозначные жизненные утверждения в язык четких и формальных математических формул. Первым серьезным шагом в этом направлении стала теория нечетких множеств, разработанная Заде. Его работа "FuzzySets", опубликованная в 1965 году в журнале "InformationandControl", заложила основы моделирования интеллектуальной деятельности человека и стала начальным толчком к развитию новой математической теории. Он же дал и название для новой области науки - "fuzzylogic" (fuzzy - нечеткий, размытый, мягкий).
Чтобы стать классиком, надо немного опередить свое время. Существует легенда о том, каким образом была создана теория "нечетких множеств". Один раз Заде имел длинную дискуссию со своим другом относительно того, чья из жен более привлекательна. Термин "привлекательная" является неопределенным и в результате дискуссии они не смогли прийти к удовлетворительному итогу. Это заставило Загде сформулировать концепцию, которая выражает нечеткие понятия типа "привлекательная" в числовой форме.
Дальнейшие работы профессора Латфи Заде и его последователей заложили фундамент новой теории и создали предпосылки для внедрения методов нечеткого управления в инженерную практику.
Аппарат теории нечетких множеств, продемонстрировав ряд многообещающих возможностей применения - от систем управления летательными аппаратами до прогнозирования итогов выборов, оказался вместе с тем сложным для воплощения. Учитывая имеющийся уровень технологии, нечеткая логика заняла свое место среди других специальных научных дисциплин - где-то посредине между экспертными системами и нейронными сетями.
Свое второе рождение теория нечеткой логики пережила в начале восьмидесятых годов, когда несколько групп исследователей (в-основном в США и Япони) всерьез занялись созданием электронных систем различного применения, использующих нечеткие управляющие алгоритмы. Теоретические основы для этого были заложены в ранних работах Коско и других ученых.
Третий период начался с конца 80-х годов и до сих пор. Этот период характеризуется бумом практического применения теории нечеткой логики в разных сферах науки и техники. До 90-ого года появилось около 40 патентов, относящихся к нечеткой логике (30 - японских). Сорок восемь японских компаний создают лабораторию LIFE (LaboratoryforInternationalFuzzyEngineering), японское правительство финансирует 5-летнюю программу по нечеткой логике, которая включает 19 разных проектов - от систем оценки глобального загрязнения атмосферы и предвидения землетрясений до АСУ заводских цехов. Результатом выполнения этой программы было появление целого ряда новых массовых микрочипов, базирующихся на нечеткой логике. Сегодня их можно найти в стиральных машинах и видеокамерах, цехах заводов и моторных отсеках автомобилей, в системах управления складскими роботами и боевыми вертолетами.
В США развитие нечеткой логики идет по пути создания систем для большого бизнеса и военных. Нечеткая логика применяется при анализе новых рынков, биржевой игре, оценки политических рейтингов, выборе оптимальной ценовой стратегии и т.п. Появились и коммерческие системы массового применения.
Смещение центра исследований нечетких систем в сторону практических применений привело к постановке целого ряда проблем, в частности:
· новые архитектуры компьютеров для нечетких вычислений;
· элементная база нечетких компьютеров и контроллеров;
· инструментальные средства разработки;
· инженерные методы расчета и разработки нечетких систем управления, и т.п..
Нейронечеткие или гибридные системы, включающие в себя нечеткую логику, нейронные сети, генетические алгоритмы и экспертные системы, являются эффективным средством при решении большого круга задач реального, мира.
Каждый интеллектуальный метод обладает своими индивидуальными особенностями (например, возможностью к обучению, способностью объяснения решений), которые делают его пригодным только для решения конкретных специфических задач.
Например, нейронные сети успешно применяются в распознавании моделей, они неэффективны в объяснении способов достижения своих решений.
Системы нечеткой логики, которые связаны с неточной информацией, устно применяются при объяснении своих решений, но не могут автоматически пополнять систему правил, которые необходимы для принятия этих решений.
Эти ограничения послужили толчком для создания интеллектуальных гибридных систем, где два или более методов объединяются для того, чтобы преодолеть ограничения каждого метода в отдельности.
Гибридные системы играют важную роль при решении задач в различных приикладных областях. Во многих сложных областях существуют проблемы, связанные с отдельными компонентами, каждый из которых может требовать своих методов обработки.
Пусть в сложной прикладной области имеется две отдельные подзадачи, например задача обработки сигнала и задача вывода решения, тогда нейронная сеть и экспертная система будут использованы соответственно для ре этих отдельных задач.
Интеллектуальные гибридные системы успешно применяются во многих областях, таких как управление, техническое проектирование, торговля, о кредита, медицинская диагностика и когнитивное моделирование. Кроме того, диапазон приложения данных систем непрерывно растет.
В то время, как нечеткая логика обеспечивает механизм логического вывода из когнитивной неопределенности, вычислительные нейронные сети обладают такими заметными преимуществами, как обучение, адаптация, отказоустойчивость, параллелизм и обобщение.
Для того чтобы система могла обрабатывать когнитивные неопределенности так, как это делают люди, нужно применить концепцию нечеткой логики в нейронных сетях. Такие гибридные системы называются нечеткими нейронными или нечетко-нейронными сетями.
Нейронные сети используются для настройки функций принадлежи нечетких системах, которые применяются в качестве систем принятия решений.
Нечеткая логика может описывать научные знания напрямую, используя правила лингвистических меток, однако много времени обычно занимает процесс проектирования и настройки функций принадлежности, которые определяют эти метки.
Обучающие методы нейронных сетей автоматизируют этот процесс, существенно сокращая время разработки и затраты на получение данных функций.
Теоретически нейронные сети и системы нечеткой логики равноценны, поскольку они взаимно трансформируемы, тем не менее на практике каждая из них имеет свои преимущества и недостатки.
В нейронных сетях знания автоматически приобретаются за счет применения алгоритма вывода с обратным ходом, но процесс обучения выполняется относительно медленно, а анализ обученной сети сложен ("черный ящик").
Невозможно извлечь структурированные знания (правила) из обученной нейронной сети, а также собрать особую информацию о проблеме для того, чтобы упростить процедуру обучения.
Нечеткие системы находят большое применение, поскольку их поведение может быть описано с помощью правил нечеткой логики, таким образом, можно управлять, регулируя эти правила. Следует отметить, что приобретение знаний — процесс достаточно сложный, при этом область измене каждого входного параметра необходимо разбивать на несколько интервалов; применение систем нечеткой логики ограничено областями, в которых допустимы знания эксперта и набор входных параметров достаточно мал.
Для решения проблемы приобретения знаний нейронные сети дополняются свойством автоматического получения правил нечеткой логики из числовых данных.
Вычислительный процесс представляет собой использование следующих нечетких нейронных сетей. Процесс начинается с разработки "нечеткого нейрона", который основан на распознавании биологических нейронных морфологии согласно механизму обучения. При этом можно выделить следующие три этапа вычислительного процесса нечеткой нейронной сети:
· разработка нечетких нейронных моделей на основе биологических нейронов;
· модели синоптических соединений, которые вносят неопределенность в нейронные сети;
· разработка алгоритмов обучения (метод регулирования синоптических весовых коэффициентов)
Дата: 2019-03-06, просмотров: 262.