- •Введение
- •1. Искусственный интеллект в роботах
- •1.1. Обеспечение взаимодействия системы управления с человеком
- •1.2. Схема интеллектуального управления в робототехнических комплексах
- •1.3. Интеллектуальное программирование и интеллектуальный интерфейс
- •1.4. Организация интеллектуальных систем
- •2. Экспертные системы
- •2.1. Структура экспертных систем
- •2.2. Технология разработки экспертных систем
- •2.3. Механизм вывода в экспертных системах
- •2.4. Методы поиска решений в экспертных системах
- •2.5. Поиск в одном пространстве состояний
- •2.6. Поиск решения методом редукции
- •2.7. Поиск решения во множестве факторизованных пространств
- •2.8. Поиск в фиксированном множестве пространств
- •2.9. Поиск в изменяющемся множестве пространств (метод нисходящего уточнения)
- •2.10. Поиск в альтернативных пространствах
- •2.11. Поиск с использованием нескольких моделей
- •3. Представление знаний в системах
- •3.1. Продукционные системы
- •3.2. Системы поиска на основе классической логики
- •3.3. Использование логики предикатов первого порядка при представлении знаний
- •3.4. Использование фреймов при представлении данных
- •3.5. Семантические сети
- •4. Нейронные сети в системах искусственного интеллекта
- •4.1. Области применения нейронных сетей
- •4.2. Персептронные нейронные сети
- •4.3. Обучение персептронных сетей
- •4.4. Сети встречного распространения
- •4.5. Обучение нейронных сетей методом обратного распространения ошибки
- •4.6. Обучение без учителя
- •4.7. Сети без обучения
- •4.8. Нейронные сети с радиальными базисными функциями (вероятностные сети)
- •4.9. Коллективы нейронных сетей
- •4.10. Аппаратно-программные средства реализации нейронных сетей для задач робототехники
- •2. Использование сетей для распознавания речи
- •3. Использование сетей для формирования законов управления
- •5. Методы нечеткой логики в интеллектуальных системах
- •5.1. Логические операции над нечеткими множествами
- •5.2. Получение выводов в нечеткой логике
- •5.3. Алгоритмы поиска решения в нечеткой логике
- •Заключение
- •Библиографический список
- •394026 Воронеж, Московский просп., 14
4.1. Области применения нейронных сетей
1. Распознавание образов. При этой операции нейронная сеть должна из набора входных данных сделать вывод о принадлежности этого набора конкретному объекту. Соответственно такая сеть должна иметь число входов, равное разрядности представления входной информации и число выходов, равное количеству объектов.
Кластеризация. Эта операция заключается в разбиении области признаков на отдельное подмножество – классы со схожими признаками (кластеры). Сети для этой цели не обуча-
37
по образцам. Для них применяются алгоритмы самообучения (обучение без учителя). При работе такой сети набор входных данных, находящихся в определенном диапазоне, вызывают одинаковые состояния выходов сети. Набор данных из другого диапазона приводит сеть в другое, отличное от первого состояние и т. д.
3. Использование сетей в задачах управления. Цель такого использования – на основании входной информации сформулировать управляющие воздействия для объекта. Такие сети могут обучаться на основании образцов, а могут быть необучаемыми, реализующими выбор решения в силу своей архитектуры.
В большинстве своем нейронные сети обучаются с использованием образцов. При обучении для каждого образца выбирается выходное состояние сети, и далее в процессе обучения параметры сети подстраиваются таким образом, чтобы на ее выходах при заданном образце получилось выбранное
значение с некоторой погрешностью. Настройка сети под образец выполняется изменением синаптических весов. Для следующего образца процесс обучения аналогичен. После каждого переобучения сеть проверяется на правильность работы по ранее проведенным циклам обучения.
4.2. Персептронные нейронные сети
Xi
Рис.14. Схема персептрона
Персептрон – нейрон с несколькими входами и пороговой функцией активации (Рис.14). В зависимости от количества входов персептрон может реализовать различные функции
38
по разделению входных признаков.
П1
П3
П2
П р. 0 1 0
а б
Рис.15. Примеры построения границ разделов в одномерном (а) пространстве признаков с использованием персептрнонной сети (б).
Одновходовый персептрон позволяет разделить одномерное пространство признаков на две области. Граница раздела области признаков задается величиной порога сумматоров и весом входа: S=Wx+b.
Для того, чтобы в одномерном пространстве выделить
внутреннюю область (рис.15а), нужно использовать два персе- птрона П1 и П2, каждый из которых задает свою границу разделения пространства (рис.15б). Объединив их выходы на персептроне П3, получаем двухслойную сеть, выход которой y. Одним состоянием сеть указывает на принадлежность входного признака внутренней области пространства, а противоположным состоянием - внешней.
П1
П2
Рис.16. Персептронная сеть для разделения двумерного пространства
С увеличением размерности пространства (увеличением
39
количества входов) персептронная сеть конструируется по принципу: все входы соединяются со всеми входами персептронов решающего (скрытого) слоя.
В пространстве X1, X2 отдельный персептрон (Рис.16) устанавливает границу раздела, по одну сторону которой выделяются признаки, соответствующие значению y=1, а по другую: =0 (Рис.17).
Второй персептрон сети устанавливает вторую границу раздела и таким образом, пространство признаков разделяется на 2 области с границей раздела более сложной конфигурации. Если в решающий слой добавить третий персептрон, то организуется третья граница раздела, которая в сочетании с первыми двумя может организовать замкнутую область.
Если взять n-мерное пространство, то персептронная сеть, имеющая n-входов, разделяет это пространство гиперповерхностями соответствующей размерности. В частности, для трехмерного пространства границы выделяемых областей – гипершары
X2
y=1
X1
y=0
Рис. 17. Границы раздела в двумерном пространстве признаков с использованием сети с тремя персепртронами в решающем слое.