- •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
4.6. Обучение без учителя
Общий подход к этому методу обучения состоит в предположении того, что для каждого предъявленного образца сеть сама должна сформировать набор весов связей, при котором образцу будет соответствовать конкретное выходное состояние сети принимаемое за эталон.
Используются два подхода к модификации весов связей между нейронами, находящимися не в нулевом состоянии. При этом величина коррекции весов связей определяется как: . Функционирование сети выполняется по следующему алгоритму:
Сеть инициализируется случайным набором весов;
Вычисляются значения выходов всех нейронов;
Определяется величина для связей между нейронами, выход которых 0;
Определяются значения новых весов;
Вычисляются новые значения состояния нейронов и проверяется, изменилось ли выходное состояние сети. Если изменилось, то выполняется новый цикл корректировки весов, если нет – обучение заканчивается.
При втором подходе величина корректировки весов определяется из значений весов связей и выходных состояний нейронов, т. е. При использовании этого метода выполняется нормирование значения y делением отдельных составляющих на сумму квадратов всех составляющих.
4.7. Сети без обучения
Существуют некоторые разновидности сетей, которые могут выполнять поставленные задачи без обучения, а в силу конструктивного исполнения /4/.
Сеть Хопфилда
Для данной сети предъявляются образцы размерностью m (Рис.19). Количество нейронов сети и число ее выходов равно размерности образца. Если набор входных сигналов несколько отличается от данных, описывающих образцы, то сеть
46
выполняет задачу восстановления данных, то есть если набор входных сигналов примерно соответствует некоторому образцу, то на выходах сети устанавливается набор данных, описывающих образец. Для того, чтобы сеть правильно функционировала, перед началом распознавания выполняется инициализация весов по принципу:
= Σ если ij
0 если i=j
где k – номер образца.
После инициализации сети подается неизвестный образец, и его значениями инициализируются выходы сети. Далее определяются выходы сети с учетом обратных связей. При каждой такой итерации сеть смещается в сторону образца, максимально совпадающего с входным.
x 1 y1
x 2 y2
.
.
x m ym
Рис. 19. Сеть Хопфилда
Сеть нормально функционирует, если входные сигналы принимают значение 1 и количество распознаваемых образ-
цов не превышает значения 0,15m, т. е. k0,15m.
47
Сеть Хэмминга
+1
x1 y1
. - .
. .
xk yk
. .
. .
xn yn
Р ис. 20. Сеть Хэмминга
С еть Хемминга для выделения классов входных признаков, т. е. она относит к определенному классу группу входных воздействий несколько отличающихся по значениям (рис.20). Каждому классу соответствует единичное состояние одного выходного нейрона. Такая возможность (классификация) достигается введением обратных связей всех нейронов выходного слоя между собой. Причем обратная связь каждого нейрона для самого себя положительна (+1), для всех остальных отрицательна (-).
Перед началом работы сеть инициализируется. Инициализация выполняется для входного слоя, выполняется по конкретным образцам. Для каждого нейрона входного слоя устанавливается порог и вес входа .
Для выходного слоя устанавливаются значения обратной связи. После инициализации на вход сети подается неизвестный образец. В первом такте выполняется взвешивание предъявленного образца нейронами первого слоя. На втором такте работы выходной слой инициализируется выходами входного, т. е. на выходах сети устанавливаются значения, равные вы-
48
ходам первого слоя. Следующий такт – включение обратных связей. В результате на выходах сети появляются значения
, ik.
Далее проверяется, изменилось ли состояние сети. Если да, то классификация заканчивается; если нет, то выполняется еще 1 такт работы выходного слоя, и так до стабилизации сети. Если предъявленный образец входит в зону действия класса, то на выходах сети будет одна единица при остальных нулях. Если образец не относится к классу, то на выходах нули. Входной слой используется при инициализации только 1 раз, в дальнейших итерациях используются только нейроны второго слоя.