- •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
4.8. Нейронные сети с радиальными базисными функциями (вероятностные сети)
С С . . .
С П . . . . . . . . . . . . . . . .
ВС
Рис. 21. Нейронная сеть с радиальными базисными функциями
49
Вероятностные сети состоят их трех слоев: входного ВС, слоя примеров СП, суммирующего СС (рис.21).
Все нейроны ВС связаны со всеми нейронами СП (показано для нейрона 1 и К). В слое примера каждый нейрон соответствует одному примеру, т. е. набору входных значений. Если имеется набор примеров относящихся к одному классу, то выходы нейронов соответствующих примерам объединяются на одном нейроне суммирующего слоя СС. И таким образом выход этого нейрона является выходом соответствующим классу.
Алгоритм работы сети состоит в определении разности входных значений и весов связей между нейронами входного слоя и слоя примеров. Для отдельного нейрона слоя примеров эта разность представляется в виде
При определении принадлежности примеров к классу устанавливается оценочная функция . Эта функция используется как функция активации нейронов слоя примеров. Таким образом, для нейронов, характеризующих определенный класс при произвольном входном значении формируются наборы значений W, сумма которых есть вероятность отнесения входного набора к определенному классу.
Здесь m – количество нейронов слоя примера, которые характеризуют класс Ср.
Если функцию активации слоя примера заменить на пороговую, то сеть с достаточно высокой достоверностью осуществляет классификацию входных признаков, если величина неопределенности (погрешности) представления входных данных не превышает 5%.
50
4.9. Коллективы нейронных сетей
Коллективы нейронных сетей применяются для сокращений аппаратных и программных ресурсов поддерживающих работу сети. Для реализации коллектива пространство признаков X (X1, X2,...Xn) разбиваются на подмножества, каждое из которых имеет схожие или логические признаки. Для каждого подмножества конструируется своя сеть, которая выполняет отображение F обозначающее x в пространстве y (где y – выходное состояние сети) F : xy.
Для коллектива сетей решение представляется некоторым функционалом, который определяет правила объединения решений полученных отдельными сетями. Сети, работающие с подмножествами, называются экспертами, а их объединение через функционал F коллективом сетей (рис.22).
Э1
F1
Ф(F)
. Э2
Fi
.
.
FN
XN
Рис. 21. Коллектив нейронных сетей с взвешенным суммированием решений
или
В пределах одного эксперта, в свою очередь, может быть реализован коллектив сетей, т. е. появляются эксперты нижнего уровня, и формируется иерархическая структура коллектива сетей.
51
4.10. Аппаратно-программные средства реализации нейронных сетей для задач робототехники
Нейронные сети реализуются:
В виде программных моделей.
Аппаратным способом с использованием специальных чипов-нейронов.
Созданием аппаратных средств, моделирующих фрагменты нейронной сети на ПЛИС.
Созданием многопроцессорных систем с повышенным быстродействием на основе процессоров обработки сигналов.
В перечисленных исполнениях сети применяются в различных приложениях, относящихся к робототехнике.
Использование нейронных сетей при обработке изображения
При распознавании изображений производится предварительная их обработка, которая реализуется методом маски. Этот метод заключается в сканировании изображения небольшим по размеру растром, размером 3x3 или 4x4.
Задачей обработки является сглаживание контура изображения и удаление случайных помех. Задача обработки сигналов от маски состоит в присвоении всему растру сканирования значения белое или черное в зависимости от составляющих белого и черного в сканирующем растре. Решение такой задачи может быть выполнено с использованием нейронной сети, число входов которой равен размеру маски с одним выходом. Нейронная сеть может быть реализована или в виде однослойного персептрона, или в виде сети Хемминга. Результат обработки каждого отдельного сканирования в виде единичного бита записывается в буферную память, которая заполняется последовательно данными обработки всего изображения. Полученный кодовый набор в дальнейшем используется для распознавания всего изображения. Эта операция выполняется на многослойной многовходовой сети, обученной методом обратного распространения ошибки для всех объектов.
52