Искусственный интеллект (стр. 3 )

37

способность к распознаванию не только уже знакомых объектов (объектов из обучающей последовательности), но и тех, которые ранее не предъяв­лялись. Процессом самообучения некоторой системы называется такой про­цесс, в результате которого эта система без подсказки учителя приобре­тает способность к выработке одинаковых реакций на изображения объек­тов одного и того же образа и различных реакций на изображения различ­ных образов. Роль учителя при этом состоит лишь в подсказке системе неко­торого объективного свойства, одинакового для всех образов и определяю­щего способность к разделению множества объектов на образы. Таким объ­ективным свойством является свойство компактности образов. Взаимное расположение точек в выбранном пространстве уже содержит информа­цию о том, как следует разделить множество точек. Эта информация и оп­ределяет то свойство разделимости образов, которое оказывается достаточ­ным для самообучения системы распознаванию образов.

Обучением обычно называют процесс выработки в некоторой системе той или иной реакции на группы внешних идентичных сигналов путем многократного воздействия на систему внешней корректировки. Такую внешнюю корректировку в обучении принято называть " поощрениями" и " наказаниями". Механизм генерации этой корректировки практически полностью определяет алгоритм обучения. Самообучение отличается от обучения тем, что здесь дополнительная информация о верности реак­ции системе не сообщается.

Адаптация - это процесс изменения параметров и структуры системы, а возможно, и управляющих воздействий на основе текущей информации с целью достижения определенного состояния системы при начальной не­определенности и изменяющихся условиях работы.

Возможен способ построения распознающих машин, основанный на различении каких-либо признаков подлежащих распознаванию фигур. В ка­честве признаков могут быть выбраны различные особенности фигур, на­пример, их геометрические свойства (характеристики составляющих фи-

38

гуры кривых), топологические свойства ( взаимное расположение элемен­тов фигуры) и т. п. Известны распознающие машины, в которых разли­чение букв или цифр производится, по так называемому "методу зондов" (рис. 6.), т. е. по числу пересечений контура фигуры с несколькими осо­бым образом расположенными прямыми.

Рис. 6. Схема расположения зондов для распознавания цифр Если проектировать цифры на поле с зондами, то окажется, что каждая из цифр пересекает вполне определенные зонды, причем комбина­ции пересекаемых зондов различны для всех десяти цифр. Эти комбинации и используются в качестве признаков, по которым производится различение цифр. Такие машины успешно справляются, например, с чтением машино­писного текста, но их возможности ограничены тем шрифтом (или группой сходных шрифтов), для которого была разработана система признаков. Работа по созданию набора эталонных фигур или системы признаков долж­на производиться человеком. Качество работы машины, т. е. надежность "уз­навания" предъявляемых фигур определяется качеством этой предваритель­ной подготовки и без участия человека не может быть повышено. Опи­санная машина не являются обучающейся машиной.

Моделирование процесса обучения подразумевает обучение, кото­рому не предшествует сообщение машине каких-либо сведений о тех образах, распознаванию которых она должна научиться; само обучение заключается в предъявлении машине некоторого конечного числа объектов каждого образа. В результате обучения машина должна оказаться способ­ной узнавать сколь угодно большое число новых объектов, относящихся к тем же образам. Таким образом, имеется в виду следующая схема экспериментов:

39

•  никакие сведения о подлежащих классификации образах в машину заранее не вводятся;

•  в ходе обучения машине предъявляется некоторое количество объектов каждого из подлежащих классификации образов и (при моделировании процесса обучения "с учителем") сообщается, к какому образу относится каждый объект;

•  машина автоматически обрабатывает полученную информацию, после чего с достаточной надежностью различает сколь угодно большое число но­вых, ранее ей не предъявлявшихся объектов из образов.

Машины, работающие по такой схеме, называются узнающими маши­нами.

2.4 Преобразование изображений в цифровой код

Для того чтобы ввести изображение в машину, нужно перевести его на машинный язык, т. е. закодировать, представить в виде некоторой комбинации символов, которыми может оперировать машина. Кодирова­ние плоских фигур можно осуществить самым различным образом. Луч­ше стремиться к наиболее " естественному" кодированию изображений. Будем рисовать фигуры на некотором поле, разбитом вертикальными и горизонтальными прямыми на одинаковые элементы - квадратики. Эле­менты, на которые упало изображение, будем сплошь зачернять, осталь­ные - оставлять белыми. Условимся обозначать черные элементы едини­цей, белые - нулем. Введем последовательную нумерацию всех элементов поля, например, в каждой строке слева направо и по строкам сверху вниз. Тогда каждая фигура, нарисованная на таком поле, будет одно­значно отображаться кодом, состоящим из стольких цифр (единиц и ну­лей), сколько элементов содержит поле.

40

Рис. 7. Примеры проецирования и кодирования изображений.

Такое кодирование (рис. 7). считается " естественным" потому, что разбиение изображения на элементы лежит в основе работы нашего зри­тельного аппарата. Действительно, сетчатка глаза состоит из большого числа отдельных чувствительных элементов (так называемых палочек и колбочек), связанных нервными волокнами со зрительными отделами го­ловного мозга. Чувствительные элементы сетчатки передают по своим нервным волокнам в головной мозг сигналы, интенсивность которых за­висит от освещенности данного элемента. Таким образом, изображение, спроектированное оптической системой глаза на сетчатку, разбивается па­лочками и колбочками на отдельные участки, и по элементам в некотором коде передается в мозг. Отдельные элементы поля называются рецепторами, а само поле - полем рецепторов.

Совокупность всех плоских фигур, которые можно изобразить на поле рецепторов, составляет некое множество. Каждая конкретная фигура из этой совокупности есть объект этого множества. Любому их таких объек­тов соответствует определенный код. Точно также любому коду соответст­вует определенное изображение на поле рецепторов. Взаимно однознач-

41

ное соответствие между кодами и изображениями позволит оперировать только кодами, помня о том, что изображение всегда может быть воспроиз­ведено по его коду.

Емкость ИНС - число образов, предъявляемых на входы ИНС для рас­познавания. Для разделения множества входных образов, например, по двум классам достаточно всего одного выхода. При этом каждый логический уровень - "1" и "О" - будет обозначать отдельный класс. На двух выходах можно закодировать уже 4 класса и так далее. Для повышения достоверности классификации желательно ввести избыточность путем выделения каждому классу одного нейрона в выходном слое или, что еще лучше, нескольких, ка­ждый из которых обучается определять принадлежность образа к классу со своей степенью достоверности, например: высокой, средней и низкой. Такие ИНС позволяют проводить классификацию входных образов, объе­диненных в нечеткие (размытые или пересекающиеся) множества. Это свой­ство приближает подобные ИНС к условиям реальной жизни.

3. Нейронные сети

3.1 Понятие нейронной сети

Каждый нейрон получает сигналы от соседних нейронов по специаль­ным нервным волокнам. Эти сигналы могут быть возбуждающими или тор­мозящими. Их сумма составляет электрический потенциал внутри тела ней­рона. Когда потенциал превышает некоторый порог, нейрон переходит в воз­бужденное состояние и посылает сигнал по выходному нервному волокну. Отдельные искусственные нейроны соединяются друг с другом различными методами. Это позволяет создавать разнообразные нейронные сети с различ­ной архитектурой, правилами обучения и возможностями.

Термин "искусственные нейронные сети" у многих ассоциируется с фантазиями об андроидах и бунте роботов, о машинах, заменяющих и ими­тирующих человека. Это впечатление усиливают многие разработчики ней-росистем, рассуждая о том, как в недалеком будущем, роботы начнут осваи-

42

вать различные виды деятельности, просто наблюдая за человеком. Если пе­реключиться на уровень повседневной работы, то нейронные сети это всего-навсего сети, состоящие из связанных между собой простых элементов фор­мальных нейронов. Большая часть работ по нейроинформатике посвящена переносу различных алгоритмов решения задач на такие сети.

В основу концепции положена идея о том, что нейроны можно модели­ровать довольно простыми автоматами, а вся сложность мозга, гибкость его функционирования и другие важнейшие качества определяются связями ме­жду нейронами. Каждая связь представляется как совсем простой элемент, служащий для передачи сигнала. Коротко эту мысль можно выразить так: "структура связей все, свойства элементов ничто".

Совокупность идей и научно-техническое направление, определяемое описанным представлением о мозге, называется коннекционизмом (connection связь). С реальным мозгом все это соотносится примерно так же, как карикатура или шарж со своим прототипом. Важно не буквальное соот­ветствие оригиналу, а продуктивность технической идеи. С коннекциониз­мом тесно связан следующий блок идей:

•  однородность системы (элементы одинаковы и чрезвычайно просты, все определяется структурой связей);

•  надежные системы из ненадежных элементов и "аналоговый ренес­санс" использование простых аналоговых элементов;

•  "голографические" системы при разрушении случайно выбранной час­ти система сохраняет свои свойства.

Предполагается, что широкие возможности систем связей компенси­руют бедность выбора элементов, их ненадежность и возможные разрушения части связей.

Для описания алгоритмов и устройств в нейроинформатике выработана специальная "схемотехника", в которой элементарные устройства (суммато­ры, синапсы, нейроны и т. п.) объединяются в сети, предназначенные для ре­шения задач. Для многих начинающих кажется неожиданным, что ни в аппа-

43

ратной реализации нейронных сетей, ни в профессиональном программном обеспечении эти элементы вовсе не обязательно реализуются как отдельные части или блоки. Используемая в нейроинформатике идеальная схемотехника представляет собой особый язык описания нейронных сетей и их обучения. При программной и аппаратной реализации выполненные на этом языке опи­сания переводятся на более подходящие языки другого уровня.

Нейрон (нервная клетка) является особой биологической клеткой, ко­торая обрабатывает информацию (рис. 8). Она состоит из тела клетки (cell body), или сомы (soma), и двух типов внешних древоподобных ветвей: аксона (axon) и дендритов (dendrites). Тело клетки включает ядро (nucleus), которое содержит информацию о наследственных свойствах, и плазму, обладающую молекулярными средствами для производства необходимых нейрону мате­риалов. Нейрон получает сигналы (импульсы) от других нейронов через ден-дриты (приемники) и передает сигналы, сгенерированные телом клетки, вдоль аксона (передатчик), который в конце разветвляется на волокна (strands). На окончаниях этих волокон находятся синапсы (synapses).

Рис.8. Биологический нейрон Синапс является элементарной структурой и функциональным узлом между двумя нейронами (волокно аксона одного нейрона и дендрит другого). Когда импульс достигает синаптического окончания, высвобождаются опре­деленные химические вещества, называемые нейротрансмиттерами. Ней-ротрансмиттеры диффундируют через синаптическую щель, возбуждая или

44

затормаживая, в зависимости от типа синапса, способность нейрона-приемника генерировать электрические импульсы. Результативность синапса может настраиваться проходящими через него сигналами, так что синапсы могут обучаться в зависимости от активности процессов, в которых они уча­ствуют. Эта зависимость от предыстории действует как память, которая, воз­можно, ответственна за память человека.

Кора головного мозга человека является протяженной, образованной нейронами поверхностью толщиной от 2 до 3 мм с площадью около 2200 см2. Кора головного мозга содержит около 1011 нейронов.

Нейроны взаимодействуют посредством короткой серии импульсов, как правило, продолжительностью несколько мсек. Сообщение передается посредством частотно-импульсной модуляции. Частота может изменяться от нескольких единиц до сотен герц, что в миллион раз медленнее, чем самые быстродействующие переключательные электронные схемы. Тем не менее сложные решения по восприятию информации, как, например, распознавание лица, человек принимает за несколько сотен мс. Эти решения контролируют­ся сетью нейронов, которые имеют скорость выполнения операций всего не­сколько мс. Это означает, что вычисления требуют не более 100 последова­тельных стадий. Другими словами, для таких сложных задач мозг "запускает" параллельные программы, содержащие около 100 шагов. Это известно как правило ста шагов. Рассуждая аналогичным образом, можно обнаружить, что количество информации, посылаемое от одного нейрона другому, должно быть очень маленьким (несколько бит). Отсюда следует, что основная ин­формация не передается непосредственно, а захватывается и распределяется в связях между нейронами.

Рис.9. Искусственный нейрон

45

История создания искусственных нейронов уходит своими корнями в 1943 год, когда шотландец МакКаллок и англичанин Питтс создали теорию формальных нейросетей, а через пятнадцать лет Розенблатт изобрел искусст­венный нейрон (персептрон), который, впоследствии, и лег в основу нейро­компьютера.

Искусственный нейрон имитирует в первом приближении свойства биологического нейрона. На вход искусственного нейрона поступает некото­рое множество сигналов, каждый из которых является выходом другого ней­рона. Каждый вход умножается на соответствующий вес, аналогичный си-наптической силе, и все произведения суммируются, определяя уровень ак­тивации нейрона. На (рис.9), представлена модель реализующая эту идею. Хотя сетевые парадигмы весьма разнообразны, в основе почти всех их лежит эта конфигурация. Здесь множество входных сигналов, обозначенных xl, х2, х3...хп, поступает на искусственный нейрон. Эти входные сигналы, в сово­купности обозначаемые вектором X, соответствуют сигналам, приходящим в синапсы биологического нейрона. Каждый сигнал умножается на соответст­вующий вес wl, w2, w3...wn, и поступает на суммирующий блок, обозначен­ный СУМ (адаптивный сумматор). Каждый вес соответствует "силе" одной биологической синаптической связи. (Множество весов в совокупности обо­значается вектором W ) Суммирующий блок, соответствующий телу биоло­гического элемента, складывает взвешенные входы алгебраически, создавая выход, который мы будем называть NET. В векторных обозначениях это мо­жет быть компактно записано следующим образом. NET=XW

3.2 Базовые архитектуры нейронных сетей

Каждый нейрон получает сигналы от соседних нейронов по специаль­ным нервным волокнам. Эти сигналы могут быть возбуждающими или тор­мозящими. Их сумма составляет электрический потенциал внутри тела ней­рона. Когда потенциал превышает некоторый порог, нейрон переходит в воз­бужденное состояние и посылает сигнал по выходному нервному волокну. Отдельные искусственные нейроны соединяются друг с другом различными

46

методами. Это позволяет создавать разнообразные нейронные сети (рис.10), с различной архитектурой, правилами обучения и возможностями.

Рис. 10. Базовые архитектуры нейронных сетей ИНС (Искусственные Нейронные Сеть) может рассматриваться как на­правленный граф со взвешенными связями, в котором искусственные нейро­ны являются узлами. По архитектуре связей ИНС могут быть сгруппированы в два класса: сети прямого распространения, в которых графы не имеют пе­тель, и рекуррентные сети, или сети с обратными связями. В наиболее рас­пространенном семействе сетей первого класса, называемых многослойным перцептроном, нейроны расположены слоями и имеют однонаправленные связи между слоями. На рисунке представлены типовые сети каждого класса. Сети прямого распространения являются статическими в том смысле, что на заданный вход они вырабатывают одну совокупность выходных значений, не зависящих от предыдущего состояния сети. Рекуррентные сети являются ди­намическими, так как в силу обратных связей в них модифицируются входы нейронов, что приводит к изменению состояния сети.

В полносвязные нейронные сети (рис.11), каждый нейрон передает свой выходной сигнал остальным нейронам, включая самого себя. Выходны­ми сигналами сети могут быть все или некоторые выходные сигналы нейро­нов после нескольких тактов функционирования сети. Все входные сигналы подаются всем нейронам. Элементы слоистых и полносвязных сетей могут выбираться по-разному.

47

Рис. 11. Полносвязные нейронные сети

Существует, впрочем, стандартный выбор: нейрон с адаптивным неод­нородным линейным сумматором на входе. Для полносвязной сети входной сумматор нейрона фактически распадается на два: первый вычисляет линей­ную функцию от входных сигналов сети, второй линейную функцию от вы­ходных сигналов других нейронов, полученных на предыдущем шаге. Функ­ция активации нейронов (характеристическая функция) это нелинейный пре­образователь выходного сигнала сумматора. Если функция одна для всех нейронов сети, то сеть называют однородной (гомогенной). Если же характе­ристическая функция зависит еще от одного или нескольких параметров, значения которых меняются от нейрона к нейрону, то сеть называют неодно­родной (гетерогенной).

Составлять сеть из нейронов стандартного вида не обязательно. Слои­стая или полносвязная архитектуры не налагают существенных ограничений на участвующие в них элементы. Единственное жесткое требование, предъ­являемое архитектурой к элементам сети, это соответствие размерности век­тора входных сигналов элемента (она определяется архитектурой) числу его входов. Если полносвязная сеть функционирует до получения ответа задан­ное число тактов к, то ее можно представить как частный случай к-слойной сети, все слои которой одинаковы и каждый из них соответствует такту функционирования полносвязной сети.

Существенное различие между полносвязной и слоистой сетями стано­вится очевидным, когда число тактов функционирования заранее не ограни­чено слоистая сеть так работать не может.

48

Доказаны теоремы о полноте: для любой непрерывной функции не­скольких переменных можно построить нейронную сеть, которая вычисляет эту функцию с любой заданной точностью. Так что нейронные сети в каком-то смысле могут все.

3.3. Практическое применение нейрокомпьютеров

Несмотря на недостатки, нейрокомпьютеры могут быть успешно ис­пользованы в различных областях народного хозяйства. Управление в режи­ме реального времени: самолетами, ракетами и технологическими процесса­ми непрерывного производства (металлургического, химического и др.); Распознавание образов: человеческих лиц, букв и иероглифов, сигналов ра­дара и сонара, отпечатков пальцев в криминалистике, заболеваний по сим­птомам (в медицине) и местностей, где следует искать полезные ископаемые (в геологии, по косвенным признакам); Прогнозы: погоды, курса акций (и других финансовых показателей), исхода лечения, политических событий (в частности результатов выборов), поведения противников в военном кон­фликте и в экономической конкуренции; Оптимизация и поиск наилучших вариантов: при конструировании технических устройств, выборе экономиче­ской стратегии и при лечении больного.

Этот список можно продолжать, но и сказанного достаточно для того, чтобы понять, что нейрокомпьютеры могут занять достойное место в совре­менном обществе.

Что же представляет из себя нейрокомпьютер? Нейрокомпьютеры бы­вают двух типов: Большие универсальные компьютеры построенные на мно­жестве нейрочипов и нейроимитаторы, представляющие собой программы для обычных компьютеров, имитирующие работу нейронов. В основе такой программы заложен алгоритм работы нейрочипа с определенными внутрен­ними связями. Что - то типа "Черного ящика", по принципу которого он и ра­ботает. На вход такой программы подаются исходные данные и на основании закономерностей, связанных с принципом работы головного мозга, делаются выводы о правомерности полученных результатов.

49

Большинство сегодняшних; нейрокомпьютеров; представляют собой просто персональный компьютер или рабочую станцию, в состав которых входит дополнительная нейроплата. К их числу относятся, например, компь­ютеры серии FMR фирмы Fujitsu. Такие системы имеют бесспорное право на существование, поскольку их возможностей вполне достаточно для разра­ботки новых алгоритмов и решения большого числа прикладных задач мето­дами нейроматематики.

Однако наибольший интерес представляют специализированные ней­рокомпьютеры, непосредственно реализующие принципы НС. Типичными представителями таких систем являются компьютеры семейства Mark фирмы TRW (первая реализация перцептрона, разработанная Розенблатом, называ­лась Mark I). Модель Mark III фирмы TRW представляют собой рабочую станцию, содержащую до 15 процессоров семейства Motorola 68000 с мате­матическими сопроцессорами. Все процессоры объединены шиной VME. Архитектура системы, поддерживающая довиртуальных процессор­ных элементов с более чем 1 млн. настраиваемых соединений, позволяет об­рабатывать до 450 тыс. меж - соединений. Mark IV - это однопроцессорный суперкомпьютер с конвейерной архитектурой. Он поддерживает до 236 тыс. виртуальных процессорных элементов, что позволяет обрабатывать до 5 млн. меж - соединений. Компьютеры семейства Mark имеют общую программную оболочку ANSE (Artificial Neural System Environment), обеспечивающую про­граммную совместимость моделей. Помимо указанных моделей фирмы TRW предлагает также пакет Mark II - программный эмулятор НС.

Другой интересной моделью является нейрокомпьютер NETSIM, соз­данный фирмой Texas Instruments на базе разработок Кембриджского уни­верситета. Его топология представляет собой трехмерную решетку стандарт­ных вычислительных узлов на базе процессоров 80188. Компьютер NETSIM используется для моделирования таких моделей НС, как сеть Хопфилда - Ко-хонена и НС с обратным распространением. Его производительность дости­гает 450 млн. межсоединений/с.

50

Фирма Computer Recognitiion Systems (CRS) продает серию нейроком­пьютеров WIZARD/CRS 1000, предназначенных для обработки видеоизоб­ражений. Размер входной изображения 512 х 512 пиксел. Модель CRS 1000 уже нашла применение в промышленных системах автоматического контро­ля.

3.4 Обучение искусственных нейронных сетей

Способность к обучению является фундаментальным свойством мозга. В контексте ИНС процесс обучения может рассматриваться как настройка архитектуры сети и весов связей для эффективного выполнения специальной задачи. Обычно нейронная сеть должна настроить веса связей по имеющейся обучающей выборке. Функционирование сети улучшается по мере итератив­ной настройки весовых коэффициентов. Свойство сети обучаться на приме­рах делает их более привлекательными по сравнению с системами, которые следуют определенной системе правил функционирования, сформулирован­ной экспертами.

Для конструирования процесса обучения, прежде всего, необходимо иметь модель внешней среды, в которой функционирует нейронная сеть - знать доступную для сети информацию. Эта модель определяет парадигму обучения. Во-вторых, необходимо понять, как модифицировать весовые па­раметры сети - какие правила обучения управляют процессом настройки. Ал­горитм обучения означает процедуру, в которой используются правила обу­чения для настройки весов.

Существуют три парадигмы обучения: "с учителем", "без учителя" (са­мообучение) и смешанная. В первом случае нейронная сеть располагает пра­вильными ответами (выходами сети) на каждый входной пример. Веса на­страиваются так, чтобы сеть производила ответы как можно более близкие к известным правильным ответам. Усиленный вариант обучения с учителем предполагает, что известна только критическая оценка правильности выхода нейронной сети, но не сами правильные значения выхода. Обучение без учи­теля не требует знания правильных ответов на каждый пример обучающей

51

выборки. В этом случае раскрывается внутренняя структура данных или кор­реляции между образцами в системе данных, что позволяет распределить об­разцы по категориям. При смешанном обучении часть весов определяется посредством обучения с учителем, в то время как остальная получается с по­мощью самообучения.

Теория обучения рассматривает три фундаментальных свойства, свя­занных с обучением по примерам: емкость, сложность образцов и вычисли­тельная сложность. Под емкостью понимается, сколько образцов может за­помнить сеть, и какие функции и границы принятия решений могут быть на ней сформированы. Сложность образцов определяет число обучающих при­меров, необходимых для достижения способности сети к обобщению. Слиш­ком малое число примеров может вызвать "переобученность" сети, когда она хорошо функционирует на примерах обучающей выборки, но плохо - на тес­товых примерах, подчиненных тому же статистическому распределению. Из­вестны 4 основных типа правил обучения: коррекция по ошибке, машина Больцмана, правило Хебба и обучение методом соревнования.

При обучении с учителем для каждого входного примера задан желае­мый выход d. Реальный выход сети у может не совпадать с желаемым. Прин­цип коррекции по ошибке при обучении состоит в использовании сигнала (d-у) для модификации весов, обеспечивающей постепенное уменьшение ошиб­ки. Обучение имеет место только в случае, когда перцептрон ошибается. Из­вестны различные модификации этого алгоритма обучения.

Представляет собой стохастическое правило обучения, которое следует из информационных теоретических и термодинамических принципов. Целью обучения Больцмана является такая настройка весовых коэффициентов, при которой состояния видимых нейронов удовлетворяют желаемому распреде­лению вероятностей. Обучение Больцмана может рассматриваться как спе­циальный случай коррекции по ошибке, в котором под ошибкой понимается расхождение корреляций состояний в двух режимах.

52

Самым старым обучающим правилом является постулат обучения Хеб-ба. Хебб опирался на следующие нейрофизиологические наблюдения: если нейроны с обеих сторон синапса активизируются одновременно и регулярно, то сила синаптической связи возрастает. Важной особенностью этого прави­ла является то, что изменение синаптического веса зависит только от актив­ности нейронов, которые связаны данным синапсом. Это существенно упро­щает цепи обучения в реализации VLSI.

В отличие от обучения Хебба, в котором множество выходных нейро­нов могут возбуждаться одновременно, при соревновательном обучении вы­ходные нейроны соревнуются между собой за активизацию. Это явление из­вестно как правило "победитель берет все". Подобное обучение имеет место в биологических нейронных сетях. Обучение посредством соревнования по­зволяет кластеризовать входные данные: подобные примеры группируются сетью в соответствии с корреляциями и представляются одним элементом. При обучении модифицируются только веса "победившего" нейрона. Эффект этого правила достигается за счет такого изменения сохраненного в сети об­разца (вектора весов связей победившего нейрона), при котором он становит­ся чуть ближе ко входному примеру.

Одной из особенностей нейросетевых методов обработки информации является высокая параллельность вычислений и, следовательно, целесооб­разность использования специальных средств аппаратной поддержки. В зна­чительной мере успех в решении рассмотренных задач обусловлен использо­ванием оригинальных ускорительных плат. Такие платы работают парал­лельно с процессором обыкновенного ПК и несут на себе основную вычис­лительную нагрузку, превращая основной процессор компьютера в устройст­во управления и обслуживания мощных вычислительных средств, располо­женных на ускорительной плате.

Например в НТЦ "Модуль" разработаны многопроцессорные ускори­тельные платы МЦ5.001 и МЦ5.002. Первая из них имеет в своем составе 4 микропроцессора TMS320C40 с тактовой частотой 50 МГц и пиковой произ-

53

водительностью 275 MIPS. Каждый процессор имеет свою локальную стати­ческую память объемом 1 Мбайт. К 2 процессорам дополнительно подклю­чены 2 блока динамической памяти объемом 16 Мбайт каждый. К одному из процессоров подключена также статическая память объемом 1 Мбайт, ис­пользуемая для обмена данными с ПК. Процессоры соединены друг с другом специальными высокоскоростными каналами с пропускной способностью 20 Мбайт/с каждый. Наращивание и комплексирование плат осуществляется на материнской плате ПК с помощью шины ISA.

Ускорительная плата МЦ5.002 содержит 6 процессоров TMS320C40 и выполнена в конструктиве VME, что позволяет использовать ее в бортовых системах, расположенных на летательном аппарате.

54

Заключение

Интеллектом называется способность мозга решать (интеллектуаль­ные) задачи путем приобретения, запоминания и целенаправленного преоб­разования знаний в процессе обучения на опыте и адаптации к разнообраз­ным обстоятельствам.

В Искусственном интеллекте основная цель — научиться хранить зна­ния таким образом, чтобы программы могли обрабатывать их и достигнуть подобия человеческого интеллекта.

К признакам искусственного интеллекта можно отнести: ИС способны из имеющихся фактов и знаний сделать выводы не только с использованием дедукции, но и с помощью аналогии, индукции, кроме того, ИС должны быть способны к самооценке - обладать рефлексией, то есть средствами для оцен­ки результатов собственной работы. С помощью подсистем объяснения ИС может ответить на вопрос, почему получен тот или иной результат. Наконец, ИС должна уметь обобщать, улавливая сходство между имеющимися факта­ми.

Успех ИС будет зависеть от того, смогут ли программисты ввести в свои системы необходимый исходный материал: огромные базы знаний, за­ключающие в себе факты и разнообразный опыт, на основе которых рассуж­дают люди. Однако машины не смогут достичь человеческого уровня при решении наиболее интересных задач до тех пор, пока программы не станут похожими на людей в двух очень важных отношениях: в способности накап­ливать собственный опыт на протяжении длительного времени, так сказать "жизненный опыт", и способности общаться друг с другом, обучаясь таким образом. Способность приспосабливаться к изменяющейся среде требует ин­теллекта. И я считаю, что средства искусственного интеллекта все больше будут рассматриваться как необходимость, а не как "предметы роскоши" в программном обеспечении.

Цели и задачи, поставленные в рамках технического задания были вы­полнены в полном объеме. В результате выполнения учебно-исследователь-

55

ской работы были рассмотрены интеллектуальные системы, классификация ИС, этапы разработки ИС и области их применения.

Выполнение данной учебно-исследовательской работы способствовало расширению моих знаний в области БД и применения их в ИС. В процессе создания был получен опыт поиска и систематизации информации, работа с Internet, приложениями Microsoft Office, поисковыми системами, а также на­выки создания, редактирования, оформления текстовых документов и пре­зентаций по установленным государственным стандартам в рамках выбран­ной тематики. Полученные навыки будут с пользой применены в моей даль­нейшей практической деятельности.

57

Список литературы

1.  , Макушкин исследования искусственного интеллекта. Сайт "Интернет университет". [Электронный ресурс]. - Режим доступа: URL: http://mb. *****/cgi-bin/iframe/intuit-240x400? 10299&options=T

2.  , Макушкин робототехнические системы. - М. : Интернет-университет информационных технологий - ИНТУИТ. ру, 20с.

3.  , Хорошевский знаний интеллектуальных систем: Учебник для вузов. Сайт "Введение в интеллектуальные систе­мы". [Электронный ресурс]. - Режим доступа: UIlL:http://www. w3c. org/TR/1999/REC-html4/loose. dtd

4.  Минаев финансовых рисков. Сайт "Интеллектуальные системы обработки данных и проблемы информационой безопасности в интернет". [Электронный ресурс]. Режим доступа: URL:http://www. *****/security/l 647.html

5.  A. COD:NET все для программиста. Сайт "Системы рас­познавания образов (идентификации)". [Электронный ресурс]. - Режим доступа: URL: http://*****/openx/www/delivery/ajs. php

6.  , Искусственный интеллект. Сайт "Системы распознава­ния образов (идентификации)". [Электронный ресурс]. - Режим досту­па: URL:http:// http:// www. *****/?xid=books/sotnik/

7.  С, Лекции по теории и приложениям искусственных ней­ронных сетей. Сайт "Биологический нейрон и его кибернетическая мо­дель." [Электронный ресурс]. - Режим доступа: URL: http:// /localhost/K:/

8.  , Конспект лекций. Сайт "Тема 13. Интеллектуальные системы управления". [Электронный ресурс]. - Режим доступа: URL:http://abitur. /eumk/smssu/lecture/theme_l 3 .html

9. Эндрю интеллект. - М.: Мир, 19с.

58

10.Винер .- М.: Наука, электронная версия, 199с.

11., Вайткявичус : от нейрона к нейро­компьютеру. - М.: Наука, 19с.

12. Люгер интеллект. - М. : Мир, 20с.

59