- •Федеральное агентство по образованию
- •Оглавление
- •Глава 1. Основные понятия искусственного интеллекта
- •§ 1.1. Основные термины и определения
- •§ 1.2. История развития систем ии
- •§ 1.3. Направления развития искусственного интеллекта
- •§ 1.4. Основные направления развития и применения
- •Вопросы для самоконтроля
- •Глава 2. Положения теории нечетких множеств
- •§ 2.1. Нечеткое множество. Операции над нечеткими множествами
- •§ 2.1.1. Основные операции над нечеткими множествами.
- •§ 2.2. Построение функции принадлежности
- •§ 2.2.1. Некоторые методы построения функции принадлежности.
- •§ 2.3. Нечеткие числа
- •§ 2.4. Операции с нечеткими числами (l-r)-типа
- •§ 2.5. Нечеткая и лингвистическая переменные
- •§ 2.6. Нечеткие отношения
- •§ 2.7. Нечеткая логика
- •§ 2.8. Нечеткие выводы
- •§ 2.9. Автоматизация обработки информации с использованием
- •Вопросы для самоконтроля
- •Глава 3. Основные интеллектуальные системы
- •§ 3.1. Данные и знания
- •§ 3.2. Модели представления знаний
- •Представление знаний
- •Классификация знаний
- •§ 3.3.1. Продукционные правила.
- •§ 3.3.2. Фреймы.
- •§ 3.3.3. Семантические сети.
- •Вопросы для самоконтроля
- •§ 3.4. Экспертные системы. Предметные области
- •§ 3.5. Назначение и область применения экспертных систем
- •§ 3.6. Методология разработки экспертных систем
- •§ 3.7. Основные экспертные системы
- •§ 3.8. Трудности в разработке экспертных систем и пути их
- •Вопросы для самоконтроля
- •§ 3.9. Назначение, классификация роботов
- •§ 3.10. Примеры роботов и робототехнических систем
- •§ 3.10.1. Домашние (бытовые) роботы.
- •§ 3.10.2. Роботы спасатели и исследовательские роботы.
- •§ 3.10.3. Роботы для промышленности и медицины.
- •§ 3.10.4. Военные роботы и робототехнические системы.
- •§ 3.10.5. Мозг как аналого-цифровое устройство.
- •§ 3.10.6. Роботы – игрушки.
- •§ 3.11. Проблемы технической реализации роботов
- •Вопросы для самоконтроля
- •§ 3.12. Адаптивные промышленные роботы
- •§ 3.12.1. Адаптация и обучение.
- •§ 3.12.2. Классификация адаптивных систем управления
- •§ 3.12.3. Примеры адаптивных систем управления роботами.
- •§ 3.12.4. Проблемы в создании промышленных роботов.
- •Вопросы для самоконтроля
- •§ 3.13. Нейросетевые и нейрокомпьютерные технологии
- •§ 3.13.1. Общая характеристика направления.
- •§ 3.13.2. Нейропакеты.
- •Вопросы для самоконтроля
- •§ 3.14. Нейронные сети
- •§ 3.14.1. Персептрон и его развитие.
- •3.14.1.1. Математический нейрон Мак-Каллока-Питтса.
- •3.14.1.2. Персептрон Розенблатта и правило Хебба.
- •3.14.1.3. Дельта-правило и распознавание букв.
- •3.14.1.4. Адалайн, мадалайн и обобщенное дельта-правило.
- •§ 3.14.2. Многослойный персептрон и алгоритм обратного
- •§ 3.14.3. Виды активационных функций.
- •Вопросы для самоконтроля
- •Список литературы
- •Основы искусственного интеллекта
Вопросы для самоконтроля
1. Расскажите о нейронных сетях и нейрокомпьютерах.
2. Расскажите о парадигме нейрокомпъютинга.
3. Расскажите о структуре работ в области нейрокибернетики.
4. Расскажите о нейропакетах.
5. Приведите примеры нейропакетов.
6. Расскажите о критериях эффективности нейропакетов.
§ 3.14. Нейронные сети
§ 3.14.1. Персептрон и его развитие.
3.14.1.1. Математический нейрон Мак-Каллока-Питтса.
Исторически первой работой, заложившей теоретический фундамент для создания интеллектуальных устройств, не только функционально, но и структурно моделирующих человеческий мозг, принято считать опубликованную в 1943 г. статью Уоррена Мак-Каллока и Вальтера Питтса. Ее авторы выдвинули гипотезу математического нейрона — устройства, моделирующего нейрон мозга человека. Математический нейрон тоже имеет несколько входов и один выход. Через входы, число которых обозначим J, математический нейрон принимает входные сигналы хj которые суммирует, умножая каждый входной сигнал на некоторый весовой коэффициент wj:
(3.1)
Выходной сигнал нейрона у может принимать одно из двух значений — нуль или единицу, которые формируются следующим образом:
у=1, если Sθ; (3.2)
у= 0, если S<θ, (3.3)
где θ - порог чувствительности нейрона.
Таким образом, математический нейрон, как и его биологический прототип, существует в двух состояниях. Если взвешенная сумма входных сигналов S не достигает некоторой пороговой величины θ, то математический нейрон не возбужден и его выходной сигнал равен нулю. Если же входные сигналы достаточно интенсивны и их сумма достигает порога чувствительности, то нейрон переходит в возбужденное состояние и на его выходе образуется сигнал у=1. Весовые коэффициенты wj имитируют электропроводность нервных волокон — силу синаптических связей между нейронами. Чем они выше, тем больше вероятность перехода нейрона в возбужденное состояние. Логическая функция (3.2), (3.3), называемая активационной функцией нейрона, графически изображена на рис.3.20. Таким образом, математический нейрон представляет собой пороговый элемент с несколькими входами и одним выходом. Одни из входов математического нейрона оказывают возбуждающее действие, другие — тормозящее. Каждый математический нейрон имеет свое определенное значение порога. На рис.3.21 приведены схематические представления математических нейронов, связанных между собой в нейронную сеть.
Рис.3.20. Пороговая активационная функция нейрона
Математический нейрон обычно изображают кружочком, возбуждающий вход — стрелкой, а тормозящий — маленьким кружочком. Рядом может записываться число, показывающее значение порога θ.
Рис.3.21. Схематическое изображение участка нейронной сети
Как показано на рис.3.22, математические нейроны могут реализовывать различные логические функции. Так, математический нейрон, имеющий два входа с единичными силами синаптических связей w1 = w2 = 1, согласно формулам (1)-(3) реализует функцию логического умножения «И» при θ=2 и функцию логического сложения «ИЛИ» при θ=1. Нейрон с одним входом, у которого w=-1, реализует логическую функцию «НЕТ» при θ= 0.
Рис. 3.22. Математические нейроны, реализующие логические функции