инфа в тех универе
.pdf6. Нейронные семиотические системы
|
JS^mmm ш |
|
|
|
|
|
|
|
|Д|.^.|| |
|
|
^ |
|
ш |
|
|
Ф |
Б-еяаро |
"И |
||
|
|
|
|
|
|
|
|
# |
5-еяаро |
|
|
|
|
|
^'^н^ишюй^! |
|
G |
|
Ф |
7'еяаро |
|
|
|
|
|
|
0.000 |
0 219 |
|
|
||
|
|
|
|
|
|
Ф |
В-еяаро |
|
||
|
|
|
|
|
0.414 |
0.016 |
|
|
||
|
|
|
|
|
|
Ф |
З-еедро |
|
||
|
|
|
|
|
-0..352 |
0.348 |
|
|
||
|
|
|
|
|
|
Ф |
10-еяаро |
|
||
|
|
|
|
|
0.426 |
-0.332 |
|
|
||
|
|
|
|
|
|
Р 3-й спой |
|
|||
|
|
|
|
|
-0.188 |
0.469 |
|
Ф |
^^e яарю |
|
|
|
|
|
^'^fHRfiWH |
|
|
|
Ф |
2-е!ЭД,ро |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Ф |
4-еяарс. |
|
|
|
|
|
"1шамгш«г |
|
|
|
JULT' |
||
|
|
|
|
|
|
|
|
|||
|
|
"3 |
'•,^!.fef.,^f |
|
|
zl |
|
|
||
leer |
^ ^~' |
|
|
tmt |
|
|
|
|
|
|
|
|
^~"*^^^'ь:/ |
|
ШЖ1±1 |
|
|
|
|
|
|
|
0.142 |
l^Ж:J^^\ |
|
|
0184 |
„ J ™ |
0 526 |
067 |
||
|
0.282 |
0.415 |
|
|
0.361 |
|||||
0,000 |
0.415 |
0.755 |
0.953 |
|
0.000 |
0 528 |
0 895 |
0.996 |
0 79 |
|
0.000 |
0.655 |
0.390 |
0-842 |
|
0.000 |
0,798 |
0 962 |
|
-0.52 I |
|
^ |
|
|
|
|
|
|
|
|
|
|
ы % Ч Ш ^ <lpl#H(!^iJ)r~~ |
|
|
1Ф#1(ШЩ!!(ф^Ш 4 ЩШ^0^1&$^ |
|
|
|
|
|
|
|
IWMSCtbi I |
|
Чртщ |
j 0 001 |
T©4H<x?M&f |
|
|
|
|
Зтщт> 1 |
|
|
|
|
|
|
|
|
|
|
Рис. 6.3. Режим обучения нейронной сети в системе NeuroEmulator
ется для решения прикладных задач. После накопления и обобщения опыта использования программных реализаций нейросети в рамках НП может соз даваться НК.
Аппаратной базой для НП служат рабочие станции или персональные ЭВМ, обладающие высокой производительностью.
Архитектура универсального НП представлена на рис. 6.4. Укрупнен ные структуры подсистемы формирования ИНС и подсистемы проведения экспериментов с ИНС изображены на рис. 6.5 и 6.6.
Из-за ограниченного объема пособия технологии создания НП под робно не рассматриваются. Остановимся на важном для пользователей во просе сравнения универсальных НП, Результаты подобного исследования приведены в [231]. Для анализа выбраны пять наиболее мощных на начало 2000 г. зарубежных НП:
•НП1 — NeuroSolutions (разработчик - NeuroDimension, Inc.);
•НП2 — NeuralWorks Professional II/Plus (разработчик — NeuralWare, Inc.);
•НПЗ — Process Advisor (разработчик — AI Ware, Inc.);
•НП4 — NeuroShell 2 (разработчик — Ward Systems Group);
240
6.2. Нейропакеты
Интерфейс начинающего пользователя нейропакета (в том числе средства визуального представления нейросети и результатов на всех этапах работы)
Подсистема |
|
БД |
Подсистема |
|
|
формирования |
|
о |
|||
нейросети |
проведения |
||||
нейросети |
о |
||||
|
|
экспериментов |
|||
|
|
|
ю |
||
|
|
|
с нейросетью |
ю |
|
о |
" |
о |
|
|
|
1 S 2 |
|
|
|||
|
|
X |
|
||
e-g,s |
ж |
2^ |
|
||
|
S |
|
|||
& « о |
|
|
|
|
|
|
|
д S |
О |
|
|
|
|
о |
|
|
|
ж |
|
р. |
|
ID |
|
|
|
|
|||
|
|
|
|
О |
Интерфейс опытного пользователя нейропакета (в том числе средства визуального представления нейросети и результатов на всех этапах работы)
Рис. 6.4. Архитектура универсального нейропакета
|
|
Визуальный интерфейс |
||
|
,1 |
к |
i1 |
|
|
'' |
|
|
|
|
Выбор параметров |
|
Библиотека типовых |
|
|
нейросети |
|
нейросетей |
|
БД |
|
Т |
Библиотека типовых |
|
Выбор типов |
||||
формируемой |
||||
нейронов |
|
нейронов |
||
нейросети |
|
|||
|
|
1 |
||
|
|
|
||
|
Выбор функций |
Библиотека функций |
||
|
активации нейронов |
активации |
Рис. 6.5. Укрупненная структура подсистемы формирования нейросети
• НП5 — BrainMaker Pro (разработчик — California Scientific Software). При тестировании НП использовались IBM-совместимые персональ
ные компьютеры. Все НП работали с моделью многослойной ИНС. Главным показателем эффективности функционирования НП служит
скорость обучения ИНС. Поскольку во всех рассматриваемых HIT механизм
241
6. Нейронные семиотические системы
БД нейросети Визуальный интерфейс
|
; |
к |
|
i 1 |
к |
i |
|
|
|
||
|
'г |
|
|
|
Выбор алгоритма |
|
Библиотека алгоритмов |
|
обучения нейросети |
|
обучения |
Синтезируемая |
Выбор критерия |
Т |
Библиотека крите |
программа |
|
||
обучения |
обученности |
|
риев обученности |
нейросети |
|
|
\ |
|
Выбор типа |
|
|
|
|
Библиотека |
|
|
задаваемого шума |
генераторов шумов |
Рис. 6.6. Укрупненная структура подсистемы проведения экспериментов с нейросетью
обучения реализован на основе алгоритма обратного распространения ошибки, данный показатель у них принимает близкие значения. С учетом сказанного были выделены 11 дополнительных критериев, оцениваемых по 10-балльной шкале:
1) простота формирования и обучения ИНС при использовании ин туитивно понятного графического интерфейса НП;
2)простота подготовки обучающей выборки;
3)наглядность и полнота представления информации в процессе фор мирования и обучения ИНС;
4)состав поддерживаемых нейронных моделей, критериев и алгорит мов обучения;
5)возможность создания собственных (т. е. нетиповых) нейронных структур;
6)возможность использования собственных критериев оптимизации;
7)возможность использования собственных алгоритмов обучения ИНС;
8)простота обмена информацией между НП и другими приложениями;
9)открытая архитектура пакета (возможность его расширения за счет внешних программных модулей);
10)наличие генератора исходного кода;
11)наличие макроязыка для ускорения работы с НП.
Названные критерии можно разделить на три класса:
•первые три критерия оценивают НП с точки зрения начинающих пользователей;
•критерии с четвертого по восьмой оценивают НП с точки зрения опытных пользователей;
•последние три критерия оценивают НП с точки зрения профессио нальных разработчиков НП.
242
6.2. Нейропакеты
Экспертная оценка НП на основе перечисленных критериев приведена втабл. 6.2[231].
|
|
|
|
|
Таблица 6.2 |
|
Критерии |
|
|
Нейропакеты |
|
|
|
сравнения |
НП1 |
НП2 |
НПЗ |
НП4 |
НП5 |
|
1 |
9 |
9 |
8 |
10 |
6 |
|
2 |
9 |
9 |
7 |
8 |
7 |
|
3 |
10 |
9 |
7 |
6 |
4 |
|
4 |
8 |
10 |
5 |
8 |
6 |
|
5 |
10 |
8 |
5 |
5 |
5 |
|
6 |
8 |
7 |
0 |
0 |
0 |
|
7 |
10 |
7 |
3 |
0 |
0 |
|
8 |
10 |
8 |
5 |
8 |
5 |
|
9 |
10 |
10 |
3 |
2 |
0 |
|
10 |
10 |
10 |
0 |
10 |
0 |
|
11 |
10 |
0 |
0 |
0 |
0 |
|
Суммарная |
104 |
87 |
43 |
57 |
33 |
|
оценка |
||||||
|
|
|
|
|
Отметим достоинства лучшего пакета НП1:
•поддержка традиционно используемых моделей — полносвязных многослойных ИНС и самоорганизующихся карт Кохонена [233];
•наличие мощного редактора визуального проектирования ИНС;
•возможность простого задания собственного алгоритма обучения и критериев обученности ИНС;
•наличие хорошо продуманных средств визуализации (НП1 позволя ет визуализировать множество моделей и характеристик — структуру ИНС, процесс и результаты обучения и т. д.).
Нейропакет НП1 функционирует на базе операционных систем се мейств Win9x и WinNT, поддерживает OLE2, содержит генератор про граммного кода на СН-+. Он имеет открытую архиггектуру: можно реализо вать надстройку над пакетом с помощью макроязыка и подключать внешние модули при проектировании и обучении ИНС.
Нейропакет HUl поддерживает три типа нейронов:
•взвешенный сумматор (нейрон 1-го порядка);
•нейроны высших порядков с перемножением кодов;
•интегрирующие нейроны.
Для активации нейронов используются пять функций: 1) стандартная функция знака; 2) кусочно-линейная функция; 3) три сигмоидальных функ ции произвольного вида.
243
6. Нейронные семиотические системы
Искусственная нейтронная сеть, с которой работает НП1, может со держать прямые, перекрестные и обратные связи между нейронами. При организации связей в многослойной ИНС используются так называемые векторные связи. Они задаются матрицей весов, а не набором скалярных связей с весовыми коэффициентами. Это значительно увеличивает произво дительность при подготовке данных для обучения ИНС и повышает нагляд ность визуального представления ИНС, так как вместо множества скаляр ных связей отображается одна обобщенная, соответствующая векторной связи.
При формировании обучающих выборок, благодаря наличию встро енных конвертеров данных, НП1 позволяет предъявлять ИНС как графиче ские изображения (в формате BMP), так и текстовые файлы, содержащие числовые и символьные данные, а также описания функций непрерывных аргументов (в том числе времени). Исходные данные для эксперимента мо гут быть представлены в виде аналитических выражений или выборок чи словых значений.
На этапе обучения используются дискретные и непрерывные крите рии обученности ИНС (последние важны для ИНС с интегрирующими ней ронами). Помимо традиционного квадрата ошибки можно использовать критерии из функционального пространства Lp (для р= 2 имеем квадрат ошибки).
Нейропакет НП1 позволяет накладывать на исходные данные адди тивный белый шум, а также любой заданный пользовательским прршожением тип шума.
В качестве примера специализированного НП отметим продукт Excel Neuro Package компании «НейрОК Интелсофт». Данный НП включает два компонента:
•Wimiet 3.0 — программный эмулятор многослойной нейросети;
•Kohonen Map 1.0 — средство построения самоорганизующихся карт Кохонена.
Названные компоненты реализованы в виде программных надстроек (add-ins), расширяющих возможности Microsoft Excel. Их пользовательский интерфейс иллюстрирует рис. 6.7.
Компонент Wimiet 3.0 представляет собой инструмент статистическо го анализа и прогнозирования, основанный на использовании ИНС и позво ляющий выявлять скрытые зависимости в больших массивах числовой ин формации.
Компонент Kohonen Map 1.0 служит средством визуализации и анали за многомерных данных, отображаемых в виде наглядной двумерной цвет ной карты. Он предназначен для решения задач кластеризации и визуализа ции многомерной информации.
244
6.2. Нейропакеты
Рис. 6.7. Пакет Excel Neuro Package
Основные выводы
1. Разработка НП — наиболее быстро развивающаяся область нейротехнологий.
2.Нейропакеты подразделяют на семь основных классов.
3.Фундамент архитектуры универсального НП составляют подсисте ма формирования нейросети, БД нейросети и подсистема проведения экспе риментов с нейросетью.
4.Существует развитая система критериев сравнения универсальных НП, отражающая интересы начинающих и опытных пользователей, а также профессиональных разработчиков НП.
245
6.Нейронные семиотические системы
6.3.Модели сенсорных и языковой систем человека
Мозг рационален, сознание — мооюет быть, нет.
Дуглас Р. Хофштадтер
Содержание данного параграфа базируется на интересных и перспек тивных гипотезах, лежащих в основе подхода к моделированию ряда функ ций в н е человека. Этот подход развивается научной школой нейротехнологий МГУ.
В высшей нервной системе человека выделяют две системы функций, реализуемые нейронными семиотическими системами:
•сенсорные системы;
•языковая система.
Рассматриваемые модели этих систем называются элементарной сенсорной (ЭСС) и элементарной языковой (ЭЯС) системами человека. Эти системы описываются в нейрофизиологических терминах. Заметим, что большинство функций в н е пока не доступны для описания с других позиций. В этих же нейрофизиологических терминах описываются до сих пор конструктивно не объяснимые феномены мозга, о которых шла речь в §6.1.
Как известно, человек обладает шестью сенсорными системами. Все они, кроме обонятельной, являются многоканальными. Например, зритель ная система имеет два канала: ахроматический, обеспечивающий анализ формы, и цветовой. Для упрощения дальнейшее изложение строится на примере одноканальной обонятельной системы. Схема модельного подхода представлена на рис. 6.8.
Сформулируем основные парадигмы моделирования сенсорных систем:
•общие принципы моделирования отдельных сенсорных каналов нейросетями;
•иерархическая организация ИНС;
•выделение в ИНС специальных групп нейронов;
•однородность способов восприятия сенсорными системами внешне
го мира.
Интеллектуальная среда
ЭСС |
ЭЯС |
Внешний мир
Рис. 6.8. Схема модельного подхода
Сенсоризм рассматривается как интерфейс между внешним миром и ин теллектуальной средой. С помощью ре чи нейросети отдельных индивидуумов «объединяются в единую сеть». В ре зультате обучение происходит быстрее, и может быть организована специализа- щ^^ индивидуумов.
246
6.3.Модели сенсорных и языковой систем человека
Воснове подхода к моделированию лежат следующие основные идеи.
1.Сенсоризм как часть мозга от рецепторов до эффекторных структур по отношению к внешнему миру (внешней ПрО) понимается как отобра жающая система (модель).
2.Внешний мир организован, не хаотичен, существует объективно, имеет многоуровневую иерархическую структуру и эволюционирует.
3.Отображающая система (сенсоризм) организована иерархически та ким образом, чтобы соответствовать внешнему миру.
4.По модельным средствам сенсоризм является нейронным, т. е. объ екты представляются нейронами (а не молекулярными и субклеточными структурами), а отношения — связями между нейронами, реализуемыми в возбуждающих/тормозящих нейромедиаторных взаимодействиях.
Мир невообразимо сложен, поэтому возникает вопрос, можно ли его представить внешней нейронной моделью? Известно, что информационная емкость мозга колоссальна и вполне покрывает множество объектов и свя зей между ними, которые человек наблюдает в течение жизни. Кроме того, в ходе исследований в области нейрофизиологии открываются новые специа лизированные нейроны, способные выполнять весьма сложные функции. Поэтому можно сделать два вывода.
Во-первых, модельный подход предусматривает интерпретацию структурной и функциональной организации нейронов как нейронной се миотической модели мира. При этом нейроны выступают в качестве мате риальных знаков объектов, а связи между нейронами — в качестве отноше ний между объектами.
Во-вторых, нейронная модель является не только моделью внешнего мира, но и организма, служащего носителем нейросети, и его поведения, т. е. понятие субъекта занимает центральное место в модели. В качестве внешней ПрО для нейронной системы выступают внешний мир (по отноше нию к субъекту) и внутренний мир субъекта.
При построении ЭСС и ЭЯС выдвигаются две нейрофизиологические гипотезы:
•ЭЯС морфологически и функционально параллельна ЭСС;
•во время работы ЭЯС и ЭСС отображаются одна в другую. Моделируемая далее обонятельная система действует по принципу
разложения запаха на простые составляющие. Система обрабатывает ин формацию о запахе. Главным качеством для нее является оттенок запаха.
Исследования показывают, что одноканальная сенсорная система со храняет все принципы многоканальной. Запаховые характеристики кодиру ются на основе иерархической схемы. Множество запахов, потенциально свойственных объекту внешнего мира, разбиваются на группы, которые, в свою очередь, делятся далее. В таком виде в модели они поступают на за-
247
|
6. Нейронные |
семиотические системы |
|
|
1-я гр>т1па |
КРН О |
01 |
012 |
|
качеств |
||||
|
02 |
|||
2-я группа |
|
013 |
||
КРН 1 |
|
|||
качеств |
03 |
|
||
|
023 |
|||
3-я группа |
|
12 |
||
КРН 2 |
|
|||
качеств |
13 |
123 |
||
|
||||
4-я группа |
|
|
||
КРН 3 |
23 |
0123 |
||
качеств |
|
|||
|
|
|
||
|
Квазирецепторные |
Символьные нейроны |
||
|
нейроны |
|
|
Рис. 6.9. Организация одного уровня модели обонятельной сенсорной системы: КРН — квазирецепторные нейроны
паховые квазирецепторы. С них сигналы, соответствующие комбинациям качеств запаха, передаются на нейроны коры мозга (рис. 6.9).
В ЭСС нейроны делятся на квазирецепторные (КРН) и символьные (СН). Символьные нейроны переходят в возбужденное состояние, когда на их входе срабатывает определенная комбинация сигналов КРН (рис. 6.10).
Дальнейшая детализация модели основана на гипотезе о том, что СН в ЭСС, представляющим некоторые образы объектов внешнего мира, в ЭЯС соответствуют также СН, представляющие понятия. Модель такого типа называется элементарной сенсорной моделью (ЭСМ). В ней каждому ие рархическому уровню ПрО соответствует определенный синаптический уровень. Простые стимулы представлены КРН, а сложные — СН. Нейроны могут проецироваться на другие нейроны, расположенные на другом уровне
Символьные нейроны |
Квазирецепторные нейроны |
Синаптический уровень 2
Синаптический уровень 1
Синаптический уровень О (рецепторные поля)
Рис. 6.10. Организация элементарной сенсорной системы
248
6.3. Модели сенсорных и языковой систем человека
или в другой системе. Проекции позволяют нейронам активировать друг друга. На данном синаптическом уровне СН образуются за счет конверген ции, т. е. сочетания проекций нейронов предыдущих уровней, а КРН обра зуются на основе проекций нейронов предыдущего уровня по принципу «один к одному».
В элементарной сенсорной модели не отражены различные вставоч ные нейроны, выполняющие функции контрастирования, выделения сигнала из шума, усиления, извлечения, воспроизведения и т. д.
Можно показать, что ЭСМ адекватно представляет следующие меха низмы:
•распознавание образов;
•воспроизведение образов;
•кратковременная и долговременная память;
•ассоциативная память;
•формирование и оперирование абстрактными понятиями и др. Рассмотрим некоторые из этих механизмов.
Воспроизведение образов. Различают два подобных механизма. Пер
вый заключается в воспроизведении прямого информационного значения СН (денотата) путем проекции СН на соответствующие КРН. Второй состо ит в воспроизведении смыслового информационного содержания образа (сигнификата). Данные механизмы работают параллельно. Они активизиру ются, когда возникает необходимость воспроизведения образа.
Рассматриваемая модель является достаточно общей. Она иллюстри рует принцип функционирования ЭСМ, но не отражает множество важных деталей. В частности, она не раскрывает:
•способы активации механизма (когда он срабатывает, что вызывает его действие);
•механизм затухания воспроизведения, тормозящие его связи;
•продолжительность воспроизведения.
Заметим, что активный СН может активировать связанные с ним СН. Этот механизм обеспечивает воспроизведение контекста ситуации.
Механизмы памяти. Сеть СН в ЭСС выступает в качестве долговре менной памяти. Эта память может функционировать отдельно от рецепторных полей, поддерживая механизмы воспроизведения образов. Актуализа ция соответствующих нейронов, вызываемая активностью рецепторных по лей, обеспечивает опознание и извлечение информации о соответствующем фрагменте ПрО из долговременной памяти.
Формирование долговременной памяти состоит из кодирования и за поминания. Считается, что этот процесс в ЭСС может быть реализован как обучение. Механизмы кодирования и запоминания определяются генетиче ской программой и развиваются еще до рождения человека в онтогенезе.
249