Tekoälyjärjestelmien koulutuskurssi. Tekoälyjärjestelmät

1

Opastus « DBMS: SQL Language in examples and Tasks, kirjoittaja Astakhova I.F., Todstobrova A.P., Melnikova V.M., Fertikova V.V., FIZMATLITin vuonna 2007 julkaisema ja opetus- ja tiedeministeriön sertifioima, sisältää valikoiman esimerkkejä ja eri monimutkaisia ​​harjoituksia järjestää käytännön ja laboratoriotunteja SQL-kielen perusteiden oppimisesta tietojärjestelmille ja tietokantoille omistetun koulutuskurssin puitteissa koulutussuuntaan ja "Soveltava matematiikka ja informatiikka" erikoisalalla. Tietokantoja käyttävät tietojärjestelmät ovat tällä hetkellä yksi modernin tietotekniikan tärkeimmistä alueista. Suuri osa nykyaikaisista ohjelmistomarkkinoista liittyy tähän alueeseen. Ottaen huomioon SQL-kielen paikan nykyaikaisessa tietotekniikassa, sen tuntemus on välttämätöntä kaikille tällä alalla työskenteleville asiantuntijoille. Siksi sen käytännön kehittäminen on olennainen osa koulutusta, jonka tarkoituksena on tutkia tietojärjestelmiä tietokantoilla. Tällä hetkellä tällaiset kurssit sisältyvät useiden yliopistojen erikoisalojen opetussuunnitelmiin. Jotta opiskelijoille olisi mahdollisuus hankkia vakaat SQL-kielen taidot, vastaavan koulutuskurssin tulee ehdottomasti sisältää kielen teorian perusteisiin perehtymisen lisäksi riittävän suuri määrä laboratoriotunteja kielen käytännön käytöstä. . Ehdotettu oppikirja on suunnattu ensisijaisesti juuri tällaisten luokkien metodologiseen tukemiseen. Tältä osin se keskittyy käytännön esimerkkien, tehtävien ja eri vaikeusasteisten harjoitusten valintaan SQL-kyselyjen laatimisessa, jotka mahdollistavat käytännön kieltenoppimisen tuntien pitämisen lukukauden aikana.

Oppikirja "Tekoälyjärjestelmät. Käytännön kurssi”, Astakhova I.F., Chulyukov V.A., Potapov A.S., Milovskoy L.S., Kashirina I.L., Bogdanova M.V., Prosvetova Yu.V. klassinen yliopistokoulutus ja julkaisijat BINOM-kustantamot. KNOWLEDGE LABORATORY ja FIZMATLIT vuonna 2008, valmisteltu luennoille ja laboratoriotunneille aloilla "Tietopankit ja asiantuntijajärjestelmät", "Tietokannat ja asiantuntijajärjestelmät", "Tekoälyjärjestelmät", "Tietoälyjärjestelmät". Tämä kirja on omistettu informatiikan suunnalle, jossa kotimaista oppikirjallisuutta korkeakouluille on viime vuosina ollut hyvin vähän. Käännetyt kirjat ovat enemmän tieteellisiä julkaisuja kuin oppikirjoja. Piti keksiä paljon esimerkkejä, laboratoriotehtäviä, joita opiskelijat tekisivät tietokoneella ja hankkisivat tietoa, taitoja ja kykyjä (kompetenssiperusteisen koulutuksen näkökulmasta).

Tämän oppikirjan tärkein etu ja merkittävä ero samankaltaisiin julkaisuihin on se, että siinä on noin 100 esimerkkiä, 235 harjoitusta, 79 kysymystä käsitellyn materiaalin toistamiseksi, 11 laboratoriotyötä, joissa tutkitaan 6 erilaista ohjelmistotuotetta.

Bibliografinen linkki

Astakhova I.F., Tolstobrov A.P., Chuljukov V.A., Potapov A.S. OHJEET "DBMS: SQL-KIELI ESIMERKEISSÄ JA TEHTÄVÄSTÄ", "TEKOÄLYKSI. KÄYTÄNNÖN KURSSI” // Tieteen ja koulutuksen nykyaikaiset ongelmat. - 2009. - Nro 1.;
URL-osoite: http://science-education.ru/ru/article/view?id=901 (käyttöpäivä: 17.09.2019). Tuomme huomionne "Academy of Natural History" -kustantamon julkaisemat lehdet

LIITTOVALTION KOULUTUSVIRASTO

VALTION OPETUSLAITOS

KORKEA AMMATILLINEN KOULUTUS

"VOLGOGRADIN VALTION TEKNINEN YLIOPISTO"

KAMYSHINSKIN TEKNOLOGISET INSTITUUTTI (SIRASTO)

SEI HPE "VOLGOGRAD STATE TECHNICAL UNIVERSITY"

KÄYTÄNNÖN KURSSI KURIIN "TEKOÄLYN JÄRJESTELMÄT"

Koulutuksellinen sähköinen painos

Volgograd

NL - luonnollinen kieli

AI - tekoäly

LP - predikaattien logiikka

päätöksentekijä - päätöksentekijä

MT - Turingin kone

PGA - yksinkertainen geneettinen algoritmi

PPF on hyvin muotoiltu kaava

PRO - primitiivinen rekursiivinen operaattori

PRF - primitiivinen rekursiivinen funktio

RF - rekursiivinen funktio

SNI - tekoälyjärjestelmä

FP - kuntotoiminto

TF - tavoitefunktio

ES - asiantuntijajärjestelmä

JOHDANTO

Alun perin tekoälyä pidettiin tieteenä ajattelukoneiden luomisesta. Tätä aluetta pidettiin tietojenkäsittelytieteen pyhänä graalina. Ajan myötä tekoäly on kehittynyt pragmaattisemmaksi kurinalaiseksi. Tälle alueelle kuuluu edelleen ajattelun mekanismien tutkimus. Tekoälyn puitteissa tarkastellaan erilaisia ​​strategioita monimutkaisten käytännön ongelmien tietokoneratkaisuun. Lisäksi nykyään on käynyt selväksi, että äly itsessään on liian monimutkainen kokonaisuus, jota ei voida kuvata yhden teorian puitteissa. Useat teoriat kuvaavat sitä eri abstraktiotasoilla. Alimmalla tasolla oppimista tarjoavat hermoverkot, jotka tunnistavat koneita, geneettisiä algoritmeja ja muita laskentamuotoja, jotka mallintavat kykyä mukautua, havaita ja olla vuorovaikutuksessa fyysisen maailman kanssa. Asiantuntijajärjestelmien, älykkäiden agenttien, stokastisten mallien ja luonnollisen kielen ymmärtämisjärjestelmien luojat työskentelevät korkeammalla abstraktiolla. Tämä taso ottaa huomioon sosiaalisten prosessien roolin tiedon luomisessa, siirtämisessä ja poimimisessa. Abstraktion korkein taso sisältää loogiset lähestymistavat, mukaan lukien deduktiiviset, abduktiiviset mallit, totuuden tukijärjestelmät ja muut päättelyn muodot ja menetelmät.

Tässä käsikirjassa hahmotellaan joidenkin matalan tason teorioiden perusteita ja käytännön tehtäviä algoritmien tutkimiseksi näiden teorioiden perusteella. Erityisesti tarkastellaan hahmontunnistuksen teorian perusteita, joiden tehtävänä on tutkia lineaarisia erottelufunktioita ja samankaltaisuusfunktioita; keinotekoisten hermoverkkojen teoria, jossa muotoillaan keinotekoisten hermoverkkojen ominaisuuksien tutkimisen ongelma hahmontunnistuksen ongelmasta; geneettiset algoritmit, joissa on muotoiltu ongelma niiden ominaisuuksien tutkimisesta haettaessa funktion ääripäätä. Tutkimustehtävien suorittaminen edellyttää ohjelmointikykyä millä tahansa ohjelmointikielellä, mieluiten oliokielillä.

1.1. Tekoälyteorian alkuperä

1.1.1. Tekoälyn käsite

Termi älykkyyttä(äly) tulee latinan sanasta intellectus, joka tarkoittaa ihmisen mieltä, järkeä, mieltä, henkisiä kykyjä. Vastaavasti tekoäly(AI, englanniksi vastineeksi: keinoäly, AI) on automaattisten järjestelmien ominaisuus ottaa yksittäisiä ihmisälyn toimintoja.

Mikä tahansa tekoäly on malli päätöksenteosta, jonka tekee ihmisen luonnollinen äly. Tekoälyä voidaan verrata luonnolliseen älykkyyteen edellyttäen, että syntyneiden ratkaisujen laatu ei ole huonompi kuin keskimääräinen luonnollinen älykkyys.

1.1.2. Tekoäly automaatiosilmukassa

Tällaisissa järjestelmissä ohjaussilmukka otetaan käyttöön päätöksentekijä(LPR).

Päättäjällä on oma preferenssijärjestelmänsä kohteen hallinnan kriteerin ja jopa kohteen olemassaolon tarkoituksen suhteen. Päätöksentekijä ei useimmiten ole ainakaan osittain samaa mieltä perinteisen ACS:n tarjoamista järjestelmistä. Päättäjä hallitsee pääsääntöisesti järjestelmän pääparametreja, kun taas loput ohjataan paikallisilla ohjausjärjestelmillä. Päätöksentekijöiden toiminnan automatisointi ohjaussilmukassa on ongelma.

Tekoäly on tutkimussuunta, joka luo malleja ja vastaavia ohjelmistotyökaluja, joiden avulla tietokoneiden avulla voidaan ratkaista luovia, ei-laskennallisia ongelmia, joiden ratkaisuprosessissa on vedottava semantiikkaan (merkitysongelma).

AI on ohjelmistojärjestelmä, joka simuloi ihmisen ajattelua tietokoneella. Tällaisen järjestelmän luomiseksi on tarpeen tutkia päätöksentekijän ajatteluprosessia, tuoda esiin tämän prosessin päävaiheet, kehittää ohjelmisto, joka toistaa nämä vaiheet tietokoneella.

1.1.3. Älyllisen tehtävän ja toiminnan käsite

Ihmisen älykkyyden ominaisuus on kyky ratkaista älyllisiä ongelmia hankkimalla, muistamalla ja tarkoituksellisesti muuntamalla tietoa kokemuksesta oppimisen ja erilaisiin olosuhteisiin sopeutumisen prosessissa.

Älylliset tehtävät- ongelmat, ratkaisun etsintäprosessin muodollinen jakaminen erillisiin perusvaiheisiin osoittautuu usein erittäin vaikeaksi, vaikka niiden ratkaisu itsessään ei olisikaan vaikeaa.

Aivojen toimintaa, jonka tarkoituksena on ratkaista älyllisiä ongelmia, kutsumme ajatteluksi tai älylliseksi toiminnaksi.

Älyllinen toiminta tarkoittaa kykyä päätellä, generoida, suunnitella ratkaisu, joka ei ole eksplisiittisesti ja valmiina järjestelmässä. Ratkaisujen johtaminen on mahdollista vain, jos järjestelmässä on sisäinen tiedon esitys ( ulkomaailman malleja) - ulkomaailman tiedon muodollinen esitys (automatisoitu aihealue).

1.1.4. Ensimmäiset askeleet tekoälyn historiassa

Ensimmäiset ohjelmat, jotka toteuttavat henkisen toiminnan ominaisuuksia:

1. Konekäännös (1947). Neuvostoliitossa vuodesta 1955 lähtien konekäännösalan työ on liittynyt . Konekäännöstyö vaati tiedon erottamista koodista. Välittäjäkielen ilmaantuminen merkitsi ensimmäistä yritystä luoda kieli tiedon sisäiselle esittämiselle.

2. Automaattinen viittaus ja tiedonhaku (1957, USA). Ajatus yksittäisten tosiasioiden välisten yhteyksien ja suhteiden järjestelmän eristämisestä, joka sisältyy tesaurusten käsitteeseen.

3. Lauseiden todistus (1956, USA). Propositiologiikan lauseiden todistamiseen tarkoitetun ohjelman syntyminen: "Logiikkateoreetikko". Vuonna 1965 ilmestyi resoluutiomenetelmä (J. Robinson, USA), vuonna 1967 käänteinen menetelmä (, Neuvostoliitto). Menetelmät toteuttavat idean käyttää heuristinen– kokeelliset säännöt vaihtoehtojen lukumäärän vähentämiseksi ratkaisua johdettaessa.

4. Kuvioiden tunnistus (60-luvun alku). Tunnustusteorian ideoita liittyen oppimiseen löytää päätössääntö positiivisten ja negatiivisten esimerkkien perusteella.

Vuonna 1956 K. Shannon, M. Minsky ja J. McCarthy järjestivät konferenssin Dartmouthissa (USA) tiivistämään käytännön kokemuksia älyllisten ohjelmien kehittämisestä.

1.1.5. Teoreettisen pohjan luominen

Vuonna 1969 ensimmäinen kansainvälinen tekoälyn konferenssi (IJCAI) pidettiin Washington DC:ssä. Vuonna 1976 kansainvälistä "Artificial Intelligence" -lehteä alettiin julkaista. 70-luvulla muodostuivat älykkäiden järjestelmien tutkimuksen teoreettiset pääsuuntaukset:

− tiedon edustus, ulkoista ympäristöä koskevan tiedon virallistaminen, ulkoisen maailman sisäisen mallin luominen;

− viestintä, vuorovaikutuskielten luominen järjestelmän ja käyttäjän välillä;

− päättely ja suunnittelu, päätöksenteko vaihtoehtoisissa tilanteissa;

− havainto (konenäkö), tiedon saaminen ulkoisesta ympäristöstä;

− koulutus, tiedon kerääminen järjestelmän toiminnasta saaduista kokemuksista;

- aktiivisuus, järjestelmän aktiivinen käyttäytyminen sen omiin toimintatavoitteisiin perustuen.

1.1.6. Tekoälyteorian filosofiset ongelmat

Tässä alaosassa luetellaan tärkeimmät kysymykset ja kommentit niihin usein ja laajasti käsitellyistä ongelmista tekoälyn teoriassa.

Voiko älykkyyttä toistaa? Itsen lisääntyminen on teoriassa mahdollista. Perusmahdollisuuden automatisoida älyllisten ongelmien ratkaiseminen tietokoneen avulla on algoritmisen universaalisuuden ominaisuus. Ei kuitenkaan pidä ajatella, että tietokoneet ja robotit voivat periaatteessa ratkaista ongelmia. On algoritmisesti ratkaisemattomia ongelmia.

Mikä on tekoälyn luomisen tarkoitus? Oletetaan, että henkilö on onnistunut luomaan älyn, joka ylittää hänen oman älynsä (jos ei laadultaan, niin määrältään). Mitä ihmiskunnalle tapahtuu nyt? Mikä rooli henkilö tulee olemaan? Miksi häntä tarvitaan nyt? Ja ylipäätään, onko tekoälyn luominen periaatteessa välttämätöntä? Ilmeisesti hyväksyttävin vastaus näihin kysymyksiin on "älyvahvistimen" käsite.

Onko tekoälyn luominen turvallista? Älykkyys ja kommunikaatiokyky on monta kertaa suurempi kuin ihmisillä, ja teknologiasta tulee voimakas itsenäinen voima, joka pystyy vastustamaan luojaansa.

1.1.7. Käyttöalueet

1. Luonnollisten kielten käsittely, kuvien, puheen, signaalien tunnistus sekä älykkäiden rajapintamallien luominen, talousennuste, tiedon poimiminen, järjestelmädiagnostiikka, verkon valvonta, tiedon salaus (suunta - hermoverkot).

2. Nanoteknologiat, useista samanaikaisesti toimivista solmuista koostuvien järjestelmien itsekokoamisen, itsekonfiguroinnin ja itsekorjauksen ongelmat, moniagenttijärjestelmät ja robotiikka (suunta - evolutionaarinen laskenta).

3. Hybridiohjausjärjestelmät, kuvankäsittely, työkalut kuvien merkityksen etsimiseen, indeksointiin ja analysointiin, kuvien tunnistus ja luokittelu (suunta - sumea logiikka).

4. Lääketieteellinen diagnostiikka, koulutus, konsultointi, automaattinen ohjelmointi, ohjelmien laadun tarkistus ja analysointi, erittäin suurten integroitujen piirien suunnittelu, tekninen diagnostiikka ja laitekorjaussuositusten tekeminen, suunnittelu eri aihealueilla ja data-analyysi (suunta - asiantuntijajärjestelmät (ES) )).

5. Kuljetusongelmat, hajautettu laskenta, optimaalinen resurssien kuormitus (suunta - laskennan vähentämismenetelmät).

6. Suurten ohjelmistosuunnittelujärjestelmien kehittäminen, koodin generointi, verifiointi, testaus, laadun arviointi, uudelleenkäytön mahdollisuuksien tunnistaminen, ongelmien ratkaiseminen rinnakkaisissa järjestelmissä (suunta - älyllinen suunnittelu).

7. Täysin automatisoitujen kybertehtaiden luominen.

8. Pelit, ihmisten tunteiden sosiaalinen käyttäytyminen, luovuus.

9. Sotilastekniikka.

1.2. Tekoälyjärjestelmien arkkitehtuuri

1.2.1. AIS-arkkitehtuurin elementit

Tekoälyjärjestelmän arkkitehtuuri(SII) - sen rakenteen organisaatio, jossa päätökset tehdään ja tietoa sovelletaan tietyllä alueella. SII:n yleisin kaavio on esitetty kuvassa. 1. Tässä muodossa ei ole yhtä todellista AIS:ää, tietyt lohkot saattavat puuttua. SII:ssä on aina vain kaksi lohkoa: tietokanta ja päättelymoottori.

Harkitse AIS:n päätyyppejä automaattisissa tietojenkäsittely- ja ohjausjärjestelmissä:

− SII-prosessin ohjaus;

− IIS diagnosointiin;

− AIS suunnittelua ja lähettämistä varten;

− älykkäät robotit.

https://pandia.ru/text/78/057/images/image005_133.gif" width="357" height="360 src=">

Riisi. 1. Yleinen SII-järjestelmä

1.2.2. Prosessinhallinta ISIS

Prosessinohjauksen ISIS-arkkitehtuuri on esitetty kuvassa. 2.

Tämän järjestelmän ominaisuudet:

− teknisten tietojen käyttö ohjaukseen (tuotteen mitatut ominaisuudet laitteen parametreista ja rakenteesta);

− johtopäätösmekanismia käytetään tietojen muokkaamiseen sekä suositusten ja valvontapäätösten laatimiseen;

− tarve työskennellä reaaliajassa;

− tarve toteuttaa ajallista päättelyä (muuttuvat olosuhteet huomioon ottaen).

Järjestelmän työ on organisoitu kolmelle tasolle:

- tietokanta (KB) sisältää säännöt ongelmien ratkaisemiseksi, menettelyt ongelmien ratkaisemiseksi, tiedot ongelma-alueesta, eli tietopohjan tasolla itse tekniikka ja koko prosessin ohjausstrategia on järjestetty;

− työmuisti sisältää tietoa määritellyistä ominaisuuksista ja tietoja tarkasteltavasta prosessista (DB);

− päättelymekanismi (perinteisessä järjestelmässä tämä on säädin) sisältää yleisen ohjausmekanismin lopullisen tavoitteen saavuttamiseksi (hyväksyttävä ratkaisu).

Tärkeä osa on tietokannan ja tietokannan välisen teknologisen prosessin ja tietokannan väliset viestintälohkot (lohkot "Data-analyysi" ja "Process data"). Ne tarjoavat käyttäjälle ylemmän tason pääsyn alemman tason kohteista tulevaan tuotantotietoon teknologisesta prosessista, eli pitävät tietokannan sisällön ja tietokannan ajan tasalla päivittämällä. Lohkot tarjoavat myös valvontatoimintoja kriittisten tilanteiden estämiseksi.

Järjestelmän reaktion tasapainoa ja riittävyyttä tuotantotilanteen kehitykseen perustelevat ja selittävät lohkot "Dialog interface" ja "Control data".

https://pandia.ru/text/78/057/images/image007_118.gif" width="357" height="149 src=">

Riisi. 2. Prosessiohjauksen FIS:n rakenne

1.2.3. AIS diagnosointiin

Tämä järjestelmä ei pohjimmiltaan eroa edellisestä järjestelmästä. Ja koska erilaisten vikojen merkit voivat suurelta osin olla samat ja niiden ilmenemismuodot voivat olla epäjohdonmukaisia, näissä järjestelmissä on yksityiskohtaisempia diagnoosin perusteluja ja selityksiä. Siksi ne usein tällaisissa järjestelmissä ottavat käyttöön päätösten arvioinnin subjektiivisen todennäköisyyden perusteella.

1.2.4. Robottilinjojen ja joustavien tuotantojärjestelmien AIS

Tällaisten järjestelmien ominaisuus on maailmanmallin läsnäolo. Robottijärjestelmä toimii omissa erityisolosuhteissaan, ja periaatteessa tämän ympäristön yksityiskohtainen kuvaus on mahdollista. Tätä ympäristön matemaattista mallia kutsutaan ulkomaailman malli. Se on AI-robotin KB:n pääsisältö, ja toinen osa KB:stä on tieto järjestelmän tavoitteista (kuva 3).

https://pandia.ru/text/78/057/images/image009_112.gif" width="294" height="100 src=">

Riisi. 3. Robottilinjojen ja joustavien tuotantojärjestelmien AIS

Ympäristötilan havaintojärjestelmä sisältää:

− suoraan ulkoiseen ympäristöön liitetyt anturit;

− esikäsittelyosajärjestelmä;

− ominaisuuden segmentointilohko;

− symbolinen kuvaus ympäristön tilasta;

− ympäristön tilan semanttinen kuvaus;

− ympäristötilamallin muodostumislohko.

Päätelmämekanismi eli käyttäytymisen suunnittelujärjestelmä määrittää robotin toiminnan ulkoisessa ympäristössä vallitsevan tilanteen seurauksena ja globaalin tavoitteen mukaisesti. Sisältää:

− päätöksentekojärjestelmät;

− toimilaitteiden liikesuunnittelun lohko.

Toiminnan suoritusjärjestelmä sisältää:

− taajuusmuuttajan ohjausosajärjestelmä;

− ajaa;

− toimeenpanolaitteet.

1.2.5. AIS-suunnittelu ja lähetys

Tarkoitus: ratkaista operatiivisen hallinnan ongelmat, kohteen toiminnan seurannan tulosten vertailu suunniteltujen tavoitteiden suhteen sekä seuranta (kuva 4).

Valvonta– signaalien jatkuva tai jaksollinen tulkinta ja viestien antaminen puuttumista vaativissa tilanteissa.

Näiden järjestelmien ominaisuus on reaaliaikainen toiminta, viestintä integroidun ohjausjärjestelmän hajautetun tietokannan kanssa. Tällainen järjestelmä on välttämätön, koska IS-tiedot ovat osa ohjausjärjestelmiä.

https://pandia.ru/text/78/057/images/image011_89.gif" width="365" height="167 src=">

Riisi. 4. AIS-suunnittelu ja -lähetys

1.3. Tiedon edustamisen ongelma AIS:ssä

1.3.1. Tieto ja tiedot

Tiedon edustamisen ongelma nousi yhdeksi tekoälyn ongelmista. Se liittyy käytännöllisesti hyödyllisten järjestelmien, pääasiassa ES:n, luomiseen, joita käytetään lääketieteessä, geologiassa ja kemiassa. Tällaisten järjestelmien luominen vaatii intensiivistä työtä asianomaiseen tieteeseen kertyneen tiedon virallistamiseksi.

Termi "tiedon esitys" liittyy tiettyyn tietokoneohjelmiston kehitysvaiheeseen. Jos ensimmäisessä vaiheessa ohjelmat hallitsivat ja data toimi eräänlaisena "ruokana" "nälkäisille" ohjelmille, niin myöhemmissä vaiheissa datan rooli kasvoi tasaisesti. Niiden rakenteesta tuli monimutkaisempi: yhdessä tietokoneen muistisolussa sijaitsevasta konesanasta siirryttiin vektoreihin, taulukoihin, tiedostoihin, listoihin. Tämän kehityksen kruunu oli abstraktit tietotyypit - luokat. Tietorakenteiden johdonmukainen kehitys on johtanut niiden laadulliseen muutokseen ja siirtymiseen tiedon esittämisestä tiedon esittämiseen.

tiedon hankkiminen

Tiedon esitystaso eroaa datan esityksen tasosta paitsi monimutkaisemmalla rakenteella, myös olennaisilla ominaisuuksilla: tulkittavuus, luokiteltujen suhteiden olemassaolo, läsnäolo. tilannesuhteet(samanaikaisuus, samassa pisteessä oleminen avaruudessa jne. nämä suhteet määräävät tietyn muistiin tallennetun tiedon tilanneyhteensopivuuden). Lisäksi tiedon tasolle on ominaista sellaiset ominaisuudet kuin erityisten yleistysmenettelyjen olemassaolo, järjestelmässä olevan tiedon täydentäminen ja monet muut menettelyt.

Tiedon esittämisessä on passiivinen puoli: kirja, taulukko, muisti täynnä tietoa. Tekoälyteoria korostaa tiedon edustamisen aktiivista puolta: tiedon hankkiminen tulee olla aktiivinen toiminta, joka mahdollistaa paitsi muistamisen, myös havaitun (hankitun, assimiloidun) tiedon soveltamisen siihen perustuvaan päättelyyn.

1.3.2. Itsekehittyvien koneiden idea

Tekoälyn alan tutkimus syntyi kybernetiikan ajatusten vaikutuksesta - ensisijaisesti ajatus elävien organismien, yhteiskunnan ja tekniikan, erityisesti tietokoneiden, hallinta- ja tiedonsiirtoprosessien yhteisyydestä.

Tekoälyongelman filosofinen hyväksyttävyys perinteisessä muodossaan johtui taustalla olevasta käsityksestä, että ideoiden järjestys ja yhteys on sama kuin asioiden järjestys ja yhteys. Näin ollen "ideoiden maailmaa" toistavan rakenteen luominen tietokoneeseen merkitsi yksinkertaisesti aineellisen maailman rakenteen kanssa isomorfisen rakenteen luomista, eli "elektronisen maailmanmallin" rakentamista. Tätä mallia pidettiin tietokonemallina - mallina ihmisten tietämyksestä maailmasta. Ihmisen ajattelun prosessi tulkittiin tietokoneessa koneellisesti etsimään sellaisia ​​mallin muunnoksia, joiden oli tarkoitus siirtää tietokonemalli johonkin lopputilaan. AIS:n täytyi osata suorittaa mallitilamuunnoksia, jotka johtavat ennalta määrättyyn päämäärään - tilaan, jolla on tietyt ominaisuudet. Aluksi uskottiin laajalti tietokoneen perustavanlaatuiseen kykyyn tutkia itsenäisesti siihen tallennettua mallia, eli itse oppia strategia asetetun tavoitteen saavuttamiseksi.

Tämä hypoteettinen kyky tulkittiin koneen luovuuden mahdollisuudeksi, perustaksi tulevaisuuden "ajattelukoneiden" luomiselle. Ja vaikka todella kehitetyissä järjestelmissä tavoitteen saavuttaminen tapahtui ihmisen kokemuksen perusteella algoritmien avulla, jotka perustuivat luotujen mallien teoreettiseen analyysiin ja niillä tehtyjen kokeiden tuloksiin, itsensä rakentamisen ideoihin. -Oppimisjärjestelmät tuntuivat monien mielestä lupaavimmilta. Vasta 1980-luvulla ymmärrettiin inhimillisen tiedon käyttämisen todellisuudesta älyllisissä järjestelmissä ongelman merkitys, mikä johti tietopohjan ja menetelmien vakavaan kehittämiseen asiantuntijoiden henkilökohtaisen tiedon poimimiseksi.

1.3.3. Heijastus osana älyllistä toimintaa

Tämän suunnan kehittyessä syntyi ajatus refleksiohjauksesta. Tähän asti kybernetiikassa ohjauksena pidettiin signaalien välittämistä esineeseen, joka vaikuttaa suoraan sen käyttäytymiseen, ja ohjauksen tehokkuus saavutettiin takaisinkytkennän avulla - tiedon hankkimiseksi ohjattavan kohteen reaktioista. refleksiivinen sama ohjata- tapahtuu tiedon siirtoa, joka vaikuttaa kohteen maailmakuvaan. Siten palaute osoittautuu redundantiksi - kohteen tila on lähettävän tiedon eli kohteen tiedossa.

Perinteinen AIS perustuu tavoitteellisen käyttäytymisen ideologiaan, kuten shakkipeliin, jossa molempien kumppanien tavoitteena on mattia uhrausten kustannuksella. Ei ole sattumaa, että shakkiohjelmat ovat osoittautuneet niin tärkeiksi tekoälymenetelmien kehittämisen kannalta.

Oman mallin tai "koko ympäröivän todellisuuden" mallin toiminnan analysointi (tehtävän puitteissa), sen tilan hallinta, tilan ennustaminen ei ole muuta kuin reflektoinnin toteuttamista. Heijastus on tietty metataso. Käyttämällä korkean tason ohjelmointikieliä, kuten Prologia, jonka avulla voit muotoilla tavoitteita ja tehdä loogisia johtopäätöksiä näiden tavoitteiden saavutettavuudesta, reflektoinnin toteuttamistehtävä voidaan jo osittain ratkaista. Heidän avullaan voit rakentaa eräänlaisen ylärakenteen, eräänlaisen metatason, jonka avulla voit arvioida edellisen käyttäytymistä. Kuitenkin, kun tarkastellaan termiä "syvä heijastus" tai "monitasoheijastus", ongelmana on mallien rakentaminen itse järjestelmällä. Tässä abstraktit tietotyypit tulevat apuun. Niiden avulla voit käyttää minkä tahansa rajallisen monimutkaisuuden tietorakenteita. Siten voimme olettaa, että tekoälyjärjestelmät voivat sisältää heijastusmallin.

Näin ollen on mahdotonta pitää älyllistä järjestelmää täydellisenä ilman kykyä arvioida, "ymmärtää" tekojaan, toisin sanoen reflektoida. Lisäksi reflektiota tulisi pitää yhtenä tärkeimmistä työkaluista järjestelmien käyttäytymisen rakentamisessa. Matematiikan kielellä reflektio on välttämätön edellytys älyllisen järjestelmän olemassaololle.

1.3.4. Tiedonesityskielet

Tietyssä mielessä mikä tahansa tietokoneohjelma sisältää tietoa. Bubble sort -ohjelma sisältää ohjelmoijan tietämyksen listan elementtien järjestämisestä. Listojen lajitteluongelman ratkaisevan tietokoneohjelman olemuksen ymmärtäminen ei ole ollenkaan helppoa. Se sisältää ohjelmoijan tiedot ongelman ratkaisumenetelmästä, mutta tämän tiedon lisäksi se sisältää muita:

− kuinka käsitellä käytettävän ohjelmointikielen kielirakenteita;

− kuinka saavuttaa ohjelman korkea suorituskyky;

- miten valita sopivat menetelmät tiettyjen tietojenkäsittelyongelmien ratkaisemiseksi, joilla kuitenkin on tärkeä rooli lopputuloksen saavuttamisessa, ja miten prosessin ohjaus järjestetään.

Tiedon esityskielet ovat korkean tason kieliä, jotka on erityisesti suunniteltu koodaamaan eksplisiittisesti ihmisen tiedon fragmentteja, kuten vaikutussääntöjä ja tyypillisten objektien ominaisuuksia, ja kielen korkea taso ilmenee siinä, että tiedon esityksen tekniset yksityiskohdat mekanismi piilotetaan käyttäjältä niin pitkälle kuin mahdollista. Toisin kuin perinteiset ohjelmointikielet, tiedon esityskielet ovat koodikoon suhteen poikkeuksellisen taloudellisia. Tämä johtuu suurelta osin siitä, että kielen tulkki huolehtii monista pienistä asioista.

Huolimatta tällaisten kielten havaituista eduista, ei pidä unohtaa tiettyjä ongelmia niiden soveltamisessa.

Siirtyminen aihealueen tiedon kuvaamisesta kaikella ymmärrettävällä "inhimillisellä" kielellä niiden esittämiseen jonkinlaisena tietokoneen havaitseman formalismin muodossa vaatii tiettyä taitoa, koska on mahdotonta (ainakin nykyään) kuvata kuinka mekaanisesti. suorittaa tällainen muunnos. Koska ohjelman toteuttamat johtopäätökset liittyvät suoraan tiedon esitystavan valintaan, on ES-suunnittelun pullonkaula juuri tiedon esittäminen, ei niiden poimiminen.

Opetusohjelma tutustuttaa lukijat tekoälyn historiaan, tiedon esitysmalleihin, asiantuntijajärjestelmiin ja hermoverkkoihin. Selostetaan älykkäiden järjestelmien analysoinnissa, kehittämisessä ja toteutuksessa käytetyt pääsuunnat ja menetelmät. Tarkastellaan tiedon esittämisen malleja ja niiden kanssa työskentelytapoja, kehittämismenetelmiä ja asiantuntijajärjestelmien luomista. Kirja auttaa lukijaa hallitsemaan toimialuetietokantojen loogisen suunnittelun ja ohjelmoinnin taidot ProLog-kielellä.
Pedagogisten yliopistojen opiskelijoille ja opettajille, lukioiden, lukioiden, lyseomien opettajille.

Tekoälyn käsite.
Tekoälyjärjestelmä (AI) on ohjelmistojärjestelmä, joka simuloi ihmisen ajatteluprosessia tietokoneella. Tällaisen järjestelmän luomiseksi on tarpeen tutkia tiettyjä ongelmia ratkaisevan tai tietyllä alueella päätöksiä tekevän henkilön ajatteluprosessia, korostaa tämän prosessin päävaiheita ja kehittää ohjelmistotyökaluja, jotka toistavat ne tietokoneella. Näin ollen tekoälymenetelmät sisältävät yksinkertaisen rakenteellisen lähestymistavan monimutkaisten ohjelmistopäätöksentekojärjestelmien kehittämiseen.

Tekoäly on tietojenkäsittelytieteen ala, jonka tarkoituksena on kehittää laitteisto- ja ohjelmistotyökaluja, joiden avulla käyttäjä, joka ei ole ohjelmoija, voi asettaa ja ratkaista perinteisesti katsomiaan älyllisiä tehtäviä kommunikoimalla tietokoneen kanssa rajoitetulla luonnollisen kielen osajoukolla.

SISÄLLYSLUETTELO
Luku 1. Tekoäly
1.1. Johdatus tekoälyjärjestelmiin
1.1.1. Tekoälyn käsite
1.1.2. Tekoäly Venäjällä
1.1.3. Tekoälyjärjestelmän toiminnallinen rakenne
1.2. Ohjeet tekoälyn kehittämiseen
1.3. Tietoa ja tietoa. Tiedon esitys älykkäissä järjestelmissä
1.3.1. Tietoa ja tietoa. Perusmääritelmät
1.3.2. Tiedon esitysmallit
1.4. Asiantuntijajärjestelmät
1.4.1. Asiantuntijajärjestelmän rakenne
1.4.2. Asiantuntijajärjestelmien kehittäminen ja käyttö
1.4.3. Asiantuntijajärjestelmien luokittelu
1.4.4. Tiedon edustaminen asiantuntijajärjestelmissä
1.4.5. Työkaluja asiantuntijajärjestelmien rakentamiseen
1.4.6. Asiantunteva järjestelmäkehitystekniikka
Luvun 1 ohjauskysymykset ja tehtävät
Kirjallisuus luvulle 1
Luku 2 Logiikkaohjelmointi
2.1. Ohjelmointimenetelmät
2.1.1. Pakollisen ohjelmoinnin metodologia
2.1.2. Olio-ohjelmoinnin metodologia
2.1.3. Toiminnallisen ohjelmoinnin metodologia
2.1.4. Loogisen ohjelmoinnin metodologia
2.1.5. Rajoitusohjelmointimetodologia
2.1.6. Neuraaliverkkojen ohjelmointimenetelmät
2.2. Lyhyt johdatus predikaattilaskentaan ja lauseiden todistamiseen
2.3. Päättelyprosessi Prologissa
2.4. Ohjelmarakenne Prologissa
2.4.1. Yhdistelmäobjektien käyttö
2.4.2. Vaihtoehtoisten verkkotunnusten käyttö
2.5. Toistojen järjestäminen Prologissa
2.5.1. Palautusmenetelmä epäonnistumisen jälkeen
2.5.2. Leikkaus ja palautusmenetelmä
2.5.3. yksinkertainen rekursio
2.5.4. Generalized Recursion Rule Method (GRR)
2.6. Listat Prologissa
2.6.1. Toiminnot listoilla
2.7. Jouset Prologissa
2.7.1. Toiminnot jousille
2.8. Tiedostot Prologissa
2.8.1. Prolog-predikaatit tiedostojen käsittelyyn
2.8.2. Tiedoston verkkotunnuksen kuvaus
2.8.3. Kirjoita tiedostoon
2.8.4. Lukeminen tiedostosta
2.8.5. Olemassa olevan tiedoston muokkaaminen
2.8.6. Lisätään olemassa olevan tiedoston loppuun
2.9. Dynaamisten tietokantojen luominen Prologissa
2.9.1. Tietokannat Prologissa
2.9.2. Dynaamiset tietokantapredikaatit Prologissa
2.10. Asiantuntijajärjestelmien luominen
2.10.1. Asiantuntijajärjestelmän rakenne
2.10.2. Tiedon edustus
2.10.3. Tulostusmenetelmät
2.10.4. UI-järjestelmä
2.10.5. Sääntöihin perustuva asiantuntijajärjestelmä
Kontrollikysymykset ja tehtävät luvulle 2
Kirjallisuutta luvulle 2
Luku 3 Neuraaliverkot
3.1. Johdatus hermoverkkoihin
3.2. Keinotekoinen neuronimalli
3.3. Neuroverkkojen sovellus
3.4. Neuroverkkokoulutus
Kontrollikysymykset ja tehtävät luvulle 3
Kirjallisuutta luvulle 3.

Lataa ilmainen e-kirja kätevässä muodossa, katso ja lue:
Lataa kirja Tekoälyn perusteet, Borovskaya E.V., Davydova N.A., 2016 - fileskachat.com, nopea ja ilmainen lataus.

S.G. TOLMACHEV

TEKOÄLY.

NEURAALIVERKKOMALLIT

Venäjän federaation opetus- ja tiedeministeriö Baltian valtion tekninen yliopisto "Voenmeh"

Tietojenkäsittely- ja ohjausjärjestelmien laitos

S.G. TOLMACHEV

TEKOÄLY.

NEURAALIVERKKOMALLIT

Opastus

Pietari

UDC 004.8(075.8) Т52

Tolmachev, S.G.

T52 Tekoälyjärjestelmät. Hermoverkkomallit: oppikirja / S.G. Tolmachev; Balt. osavaltio tekniikka. un-t. - Pietari, 2011. 132 s.

ISBN 978-5-85546-633-1

Siinä annetaan perustiedot keinotekoisten hermoverkkojen rakenteesta ja toiminnan periaatteista. Tarkastellaan muodollisen neuronin toimintaa, hermoverkkojen luokittelua niiden arkkitehtuurin ja oppimistyyppien mukaan, erilaisten hermoverkkoongelmien tyypillisiä formulaatioita ja menetelmiä niiden ratkaisemiseksi.

Se on tarkoitettu erikoisalalla "Tietojärjestelmät ja -tekniikat" ja "Automaattiset tietojenkäsittelyn ja hallinnan järjestelmät" opiskeleville seniori-opiskelijoille.

UDC 004.8(075.8)

Vertaisarvioijat: Dr. tech. tieteiden prof., johtaja. tieteellinen OJSC "Concern "Granit-Electron"" työntekijä S.N. Pallot; cand. tekniikka. tieteet, prof., johtaja. kahvila I5 BSTU N.N. Smirnova

Yliopiston toimitus- ja julkaisulautakunnan hyväksymä

JOHDANTO

Yksi tehokkaimmista työkaluista älykkäiden järjestelmien luomiseen ovat keinotekoiset hermoverkot (ANN:t), jotka mallintavat ihmisen aivojen perustiedonkäsittelymekanismeja. Tiedetään, että aivot toimivat pohjimmiltaan eri tavalla ja usein tehokkaammin kuin mikään ihmisen valmistama tietokone. Juuri tämä tosiasia on motivoinut tutkijoita monien vuosien ajan työskentelemään keinotekoisten hermoverkkojen luomisen ja tutkimuksen parissa.

Aivot ovat erittäin monimutkainen tiedonkäsittelyjärjestelmä. Sillä on kyky järjestää rakenteelliset osansa, joita kutsutaan neuroneiksi, niin, että ne voivat suorittaa tiettyjä tehtäviä (kuviontunnistus, sensorinen käsittely, motoriset toiminnot) monta kertaa nopeammin kuin nykypäivän nopeimmat tietokoneet. Esimerkki tällaisesta tehtävästä on tavallinen visio. Visuaalisen järjestelmän tehtävänä on luoda esitys maailmasta sellaisella tavalla, joka tarjoaa mahdollisuuden vuorovaikutukseen sen kanssa. Aivot suorittavat peräkkäin tunnistustehtäviä (esimerkiksi tuttujen kasvojen tunnistaminen vieraassa ympäristössä) ja käyttävät siihen 100–200 ms. Samanlaisten, vähemmän monimutkaisten tehtävien suorittaminen tietokoneella voi kestää useita tunteja.

Ymmärtääksemme valtavan haasteen rakentaa kone, joka toimii yhtä täydellisesti kuin aivomme, riittää, kun ajattelemme joitain rutiinitehtäviä, joita suoritamme päivittäin. Oletetaan, että istut työpöytäsi ääressä ja tällä hetkellä huoneeseen tulee lomalta palannut kollegasi. Hänellä on yllään uusi T-paita, aurinkolasit rusketetuilla kasvoillaan ja hän näyttää hieman nuoremmalta, koska hän on ajeltu partaltaan. Tunnistatko hänet? Epäilemättä, koska naamiointi ei kuulu hänen suunnitelmiinsa. Keskustelun aikana hän kysyy sinulta: "Missä on kirja, jonka annoin sinulle luettavaksi?". Sinä tulkitset kysymyksen pyynnöksi palauttaa kirja. Katso sitten pöytääsi ja

näet kirjojen ja paperipinojen joukossa kyseisen kirjan, ojenna kätesi sille, ota se asiakirjapinosta ja anna kollegallesi. Tällaiset jokapäiväiset tehtävät eivät vaadi meiltä paljoa älyllistä ponnistelua, mutta jokaisen ratkaisuun sisältyy monia tarkasti laskettuja vaiheita. Tällaisten ongelmien ratkaisemisen monimutkaisuus voi tuntua, kun tietokonejärjestelmää yritetään ohjelmoida tunnistamaan esineet ulkonäön tai muiden ominaisuuksien perusteella, tekemään päätöksiä kontekstin mukaan jne.

Yksinkertaisempi esimerkki on lepakalaikuluotain, joka on aktiivinen kaikuluotainjärjestelmä. Sen lisäksi, että tämä paikannus antaa tietoja etäisyydestä haluttuun kohteeseen, sen avulla voit laskea kohteen parametreja, kuten suhteellisen nopeuden, yksittäisten elementtien koon ja liikkeen suunnan. Tämän tiedon poimimiseksi vastaanotetusta signaalista lepakkon pienet aivot suorittavat monimutkaisia ​​hermolaskutoimituksia.

Mikä sallii ihmisen tai lepakon aivot saavuttaa tällaisia ​​tuloksia? Aivoilla on jo syntyessään täydellinen rakenne, jonka avulla ne voivat rakentaa omat sääntönsä perustuen siihen, mitä yleensä kutsutaan kokemukseksi. Kokemus kertyy ajan myötä ihmisen viimeisiin elämänpäiviin asti, ja erityisen suuria muutoksia tapahtuu kahden ensimmäisen elinvuoden aikana.

Hermosolujen kehittyminen liittyy aivojen plastisuuden käsitteeseen - kykyyn säätää hermostoa ympäristöolosuhteiden mukaisesti. Plastisuus on tärkein rooli neuronien toiminnassa ihmisen aivojen perusinformaationkäsittelyyksiköinä. Samalla tavalla keinotekoiset neuronit viritetään ANN:ssa. Yleisesti ottaen ANN on kone, joka simuloi kuinka aivot ratkaisevat tietyn ongelman. Tämä verkko on toteutettu käyttämällä elektronisia komponentteja (neuroprosessoreita) tai mallinnettu digitaalisella tietokoneella toimivalla ohjelmalla. Korkean suorituskyvyn saavuttamiseksi ANN:t käyttävät paljon yhteyksiä laskelmien alkeissolujen - neuronien - välillä. Monien neuroverkkojen määritelmien joukossa tarkin on ANN:n määritelmä mukautuvaksi koneeksi: keinotekoinen hermoverkkose on jaettu

rinnakkaisprosessori, joka koostuu tyypillisistä tiedonkäsittelyelementeistä, jotka keräävät kokeellista tietoa ja tarjoavat sen jatkokäsittelyä varten. Hermoverkko on samanlainen kuin aivot kahdella tavalla:

1) tieto tulee hermoverkkoon ympäristöstä

ja verkosto käyttää oppimisprosessissa;

2) tiedon keräämiseen käytetään interneuronaalisia yhteyksiä, joita kutsutaan myös synaptisiksi painoiksi.

Oppimisprosessin suorittamiseen käytettyä menettelyä kutsutaan oppimisalgoritmiksi. Sen tehtävänä on muokata ANN:n synaptisia painoja tietyllä tavalla niin, että verkko saa tarvittavat ominaisuudet.

Painon muokkaaminen on perinteinen tapa oppia ANN:ia. Tämä lähestymistapa on lähellä ohjauksessa käytettävien adaptiivisten lineaaristen suodattimien teoriaa. ANN:lla on kuitenkin myös mahdollisuus muokata omaa topologiansa perustuen siihen, että elävissä aivoissa hermosolut voivat kuolla ja uusia synaptisia yhteyksiä voidaan luoda.

Siten ANN:t ymmärtävät laskentatehonsa kahdesta pääominaisuudestaan ​​johtuen: rinnakkain hajautetusta rakenteesta ja kyvystä oppia ja yleistää hankittua tietoa. Yleistysominaisuus ymmärretään ANN:n kyvyksi generoida oikeat ulostulot tulosignaaleille, joita ei otettu huomioon oppimisprosessissa (koulutuksessa). Nämä kaksi ominaisuutta tekevät ANN:sta tiedonkäsittelyjärjestelmän, joka pystyy ratkaisemaan monimutkaisia ​​moniulotteisia ongelmia, jotka ovat tällä hetkellä vaikeasti ratkaistavissa.

On huomattava, että käytännössä autonominen INS ei useinkaan pysty tarjoamaan valmiita ratkaisuja. Ne on integroitava monimutkaisiin järjestelmiin. Monimutkainen tehtävä voidaan jakaa useisiin yksinkertaisempiin tehtäviin, joista osa voidaan ratkaista hermoverkkojen avulla.

ANN:ien käyttöalueet ovat hyvin monipuoliset: tekstin ja puheen tunnistus ja analysointi, semanttinen haku, asiantuntijajärjestelmät ja päätöksentekojärjestelmät, osakekurssien ennustaminen, turvajärjestelmät. On olemassa useita esimerkkejä ANN:ien käytöstä eri alueilla.

1. Kuljetuksen turvajärjestelmät. Amerikkalainen yritys

Science Application International Corporation on käyttänyt ANN:tä vuonna

hänen projektinsa TNA. Kehitetty laite on suunniteltu havaitsemaan muoviräjähteitä pakatuissa matkatavaroissa. Matkatavarat pommitetaan sekundaarista säteilyä aiheuttavilla hiukkasilla, joiden spektrin analysoidaan hermoverkko. Laite tarjoaa yli 97 %:n todennäköisyyden havaita räjähteitä ja pystyy katsomaan 10 matkatavaraa minuutissa.

2. Neuroverkkoohjelmistopaketit rahoitusmarkkinoilla. American Chemical Bank käyttää Neural Datan hermoverkkojärjestelmää valuuttapörsseissä tapahtuvien tapahtumien esikäsittelyyn suodattaen pois "epäilyttävät" tapahtumat. Citibank on käyttänyt hermoverkkoennusteita vuodesta 1990 lähtien. Automaattinen kaupankäynti näyttää tuotot, jotka ovat korkeampia kuin useimpien välittäjien. Voidaan todeta, että seminaarin "Tekoäly on Wall Street" muodostaa useita valtavia määriä.

3. Uutisten seuranta ja automaattinen otsikko. Sijainti

tekstiviestien aiheen tuntemus on toinen esimerkki ANN:ien käytöstä. Convectis-uutispalvelin (Aptex Software Inc:n tuote) mahdollistaa viestien automaattisen luokittelun. Vertaamalla sanojen merkityksiä kontekstin mukaan, Convectis pystyy tunnistamaan aiheet reaaliajassa ja luokittelemaan valtavat tekstiviestivirrat, jotka välitetään Reutersin, NBC:n, CBS:n jne. verkkojen kautta. Viestin jäsentämisen jälkeen tiivistelmä, luettelo avainsanat ja luettelo otsikoista, joihin viesti kuuluu.

4. Miehittämättömien ilma-alusten automaattiohjaus. LoFLYTE (Low-Observable Flight Test Experiment) hypersonic tiedustelukone, 2,5 metriä pitkä suihkukone miehittämätön lentokone, kehitti NASA:lle ja Yhdysvaltain ilmavoimille Accurate Automation Corp.:n toimesta. innovatiivisen pienyritysten tukiohjelman puitteissa. Tämä on kokeellinen kehitystyö uusien pilotoinnin periaatteiden tutkimiseen. Se sisältää hermoverkkoja, joiden avulla autopilotti voi oppia kopioimalla ohjaajan pilottitekniikoita. Ajan myötä hermoverkot omaksuvat hallintakokemuksen, ja tiedonkäsittelyn nopeus mahdollistaa nopean ratkaisun ääri- ja hätätilanteissa. LoFLYTE on tarkoitettu yliäänilennolle, jossa ohjaajan reaktioaika ei välttämättä riitä reagoimaan riittävästi lentojärjestelmän muutoksiin.

Tällä hetkellä ANN:t ovat laskennan käsitteen tärkeä laajennus. He ovat jo tehneet mahdolliseksi selviytyä useista vaikeista ongelmista ja lupaavat luoda uusia ohjelmia ja laitteita, jotka pystyvät ratkaisemaan ongelmia, joita toistaiseksi vain henkilö voi tehdä. Nykyaikaisia ​​neurotietokoneita käytetään pääasiassa ohjelmistotuotteina, ja siksi ne käyttävät harvoin "rinnakkaiskykyään". Todellisen rinnakkaisneurotietokoneen aikakausi alkaa, kun markkinoille ilmestyvät erikoistuneiden neurosirujen ja laajennuslevyjen laitteistototeutukset, jotka on suunniteltu käsittelemään puhetta, videota, staattisia kuvia ja muun tyyppistä kuvaannollista tietoa.

Toinen ANN:ien sovellusalue on niiden käyttö

sisään erikoistunut ohjelmisto robottiagentit, jotka on suunniteltu käsittelemään tietoa, ei fyysistä työtä varten. Älykkäiden avustajien pitäisi helpottaa käyttäjien vuorovaikutusta tietokoneen kanssa. Heidän tunnusmerkkinsä on halu ymmärtää mahdollisimman hyvin, mitä heiltä vaaditaan tarkkailemalla ja analysoimalla "isäntänsä" käyttäytymistä. Yritetään löytää

sisään Tässä käyttäytymisessä on tiettyjä malleja, älykkäiden agenttien on tarjottava palveluitaan ajoissa tiettyjen toimintojen suorittamiseksi, kuten uutisviestien suodattaminen, käyttäjän työstämien asiakirjojen varmuuskopiointi jne. Siksi ANN:t, jotka pystyvät yleistämään dataa ja löytämään niistä malleja, ovat tällaisten ohjelmistoagenttien luonnollinen osa.

1. TIETOKONEET JA AIVOT

1.1. biologinen neuroni

Ihmisen hermosto voidaan yksinkertaistaa kolmivaiheiseksi rakenteeksi. Tämän järjestelmän keskus on aivot, jotka koostuvat neuronien verkostosta (kuva 1.1). Se vastaanottaa tietoa, analysoi sitä ja tekee tarvittavat päätökset. Reseptorit muuttavat ympäristöstä ja sisäelimistä tulevat signaalit sähköimpulsseiksi, jotka hermoverkko (aivot) havaitsee. Reseptorit tarjoavat aivoillemme yhteyden ulkomaailmaan ja ymmärtävät visuaalisen, kuulo-, maku-, haju- ja tuntoinformaation virtauksen siihen. ef-

Fektorit muuttavat aivojen tuottamat sähköimpulssit ulostulosignaaleiksi, jotka ohjaavat lihaksia, sisäelimiä ja verisuonten seinämiä. Siten aivot säätelevät sydämen työtä, hengitystä, verenpainetta, lämpötilaa, ylläpitävät haluttua happipitoisuutta veressä jne. Välihermosolut käsittelevät aistihermosoluilta saatua tietoa ja välittävät sen efektorihermosoluille.

Riisi. 1.1. Yksinkertaistettu kaavio hermostosta

On huomattava, että aivot on rakennettu kahdentyyppisistä soluista: gliasoluista ja hermosoluista. Ja vaikka gliasolujen rooli näyttää olevan varsin merkittävä, useimmat tutkijat uskovat, että tärkein tapa ymmärtää aivojen toiminta on tutkia neuroneja, jotka yhdistyvät yhdeksi yhdistetyksi verkkoksi. Tätä lähestymistapaa käytetään keinotekoisten hermoverkkojen (ANNs) rakentamisessa.

On huomattava, että on muitakin mielipiteitä. Jotkut tutkijat uskovat, että pääprosessit eivät tapahdu hermoverkossa, vaan itse soluissa, nimittäin niiden sytoskeletossa, niin sanotuissa mikrotubuluksissa. Tämän näkökulman mukaan sekä muisti että jopa tietoisuus määräytyvät solunsisäisten rakenteiden proteiinien muutoksista ja niihin liittyvistä kvanttivaikutuksista.

Aivojen neuronien lukumääräksi arvioidaan 1010...1011. Biologisessa neuronissa voidaan erottaa seuraavat rakenneyksiköt (kuva 1.2):

solurunko (soma);

dendriitit ovat monia haarautuvia lyhyitä (enintään 1 mm) hermosäikeitä, jotka keräävät tietoa muista hermosoluista;

aksoni on ainoa ohut pitkä (joskus yli metrin) hermosäike. Aksoni johtaa impulssin ja välittää iskun muille hermosoluille tai lihassäikeille. Lopussa aksoni myös haarautuu ja muodostaa kontakteja muiden hermosolujen dendriittien kanssa;

Tämä opetusohjelma sisältää ohjelmoinnin perusteet Prolog-kielellä, ongelmanratkaisun hakumenetelmällä, todennäköisyyslaskentamenetelmiä, hermoverkkojen perusteet sekä semanttisten verkkojen avulla tapahtuvan tiedon esittämisen periaatteet. Jokainen käsikirjan osio sisältää käytännön ja laboratoriotyöt. Liitteet sisältävät lyhyet kuvaukset SWI-Prolog-ympäristöstä, hermoverkkoohjelmasta

Tämä opetusohjelma sisältää ohjelmoinnin perusteet Prolog-kielellä, ongelmanratkaisun hakumenetelmällä, todennäköisyyslaskentamenetelmiä, hermoverkkojen perusteet sekä semanttisten verkkojen avulla tapahtuvan tiedon esittämisen periaatteet. Jokainen käsikirjan osio sisältää käytännön ja laboratoriotyöt. Liitteet sisältävät lyhyet kuvaukset SWI-Prolog-ympäristöstä, NeuroGenetic Optimizer -hermoverkkomallinnusohjelmasta ja semanttisen tiedon visualisointiohjelmasta Vastaa Federal State Educational Standard for Higher Educationin nykyisiä vaatimuksia Korkeakoulujen opiskelijoille, jotka opiskelevat tekniikan ja tekniikan aloilla.

kirja" Tekoälyjärjestelmät. Opastus» kirjoittaja Bessmertny Igor Aleksandrovich sai KnigoGuiden vierailijoiden arvion ja hänen lukija-arvionsa oli 0.00/10.
Ilmaista katselua varten tarjotaan: huomautus, julkaisu, arvostelut sekä ladattavat tiedostot.