Авиационно инженерство Административно право Административно право Беларус Алгебра Архитектура Безопасност на живота Въведение в професията „психолог” Въведение в икономиката на културата Висша математика Геология Геоморфология Хидрология и хидрометрия Хидросистеми и хидравлични машини Културология Медицина Психология икономика дескриптивна геометрия Основи на икономически т Oria професионална безопасност Пожарна тактика процеси и структури на мисълта, Професионална психология Психология Психология на управлението на съвременната фундаментални и приложни изследвания в апаратура социалната психология социални и философски проблеми Социология Статистика теоретичните основи на компютъра автоматично управление теория на вероятностите транспорт Закон Turoperator Наказателно право Наказателно-процесуалния управление модерна производствена Физика Физични феномени Философски хладилни инсталации и екология Икономика История на икономиката Основи на икономиката Икономика на предприятията Икономическа история Икономическа теория Икономически анализ Развитие на икономиката на ЕС Спешни ситуации ВКонтакте Однокласници Моят свят Facebook LiveJournal Instagram
border=0

Концепциите на експертната система и изкуствената невронна мрежа

<== предишна статия |

Експертните системи се основават на определени правила. Експерт е човек с големи познания в дадена област. Знанието се разделя на факти и правила. Правилата определят структура, която позволява да се правят заключения въз основа на факти. Структурата се съдържа в машината за логически изводи и може да се състои от набор от прости оператори от типа: ако - тогава . Пътят се нарича изходна верига . Има вериги с директен и обратен изход . Ранните приложения на системи с изкуствен интелект бяха създадени, за да се създаде база от знания, с която неспециалист би могъл да работи. За такива системи са разработени специални езици за програмиране.

Изкуствените невронни мрежи изобщо не използват логиката. Тяхната работа не изисква въвеждане на опит и умения на експерт. Те имитират процеса на учене на човешкия мозък. Например, за да намерите връзката между входа и изхода. Но тяхната "рационалност" не е дефинирана от предприемача. Основният елемент на тези системи е математически модел на биологичен неврон. По този начин, изкуствените неврони са групирани в специфични структури, които преминават обучение, използвайки набор от данни.

Принципите на невронните мрежови технологии, използвани при комплексните измервания, са примери за бионичен подход към изграждането на измервателни системи. Основната идея на този подход е да се използва голям брой сензори от различни типове и да се обработват данните, получени чрез методи, подобни на тези, използвани от мозъка на живите същества при идентифицирането на определени свойства на обектите. Въпреки че сега принципите на мозъка все още не са напълно разкрити, вече са се появили някои идеи, които могат да бъдат приложени към практическото прилагане на "интелигентни" измервателни системи. Обработката и анализът на сигнали от различни сензори винаги се основава на процедурата за разпознаване на образи.

Например, принципът на действие на сензорите на миризмата (електронен нос), състоящ се от много съвременни детектори, се основава на "интелигентни" стратегии за разпознаване на образи и методи на химиометрия. При изграждането на първите сензори на миризмата, разработчиците се опитаха да възпроизведат човешките сетивни органи. Такива сензори се състоят от различни видове детектори. Принципът на определяне на миризмата е откриването на отделни химични съединения и идентифицирането на миризмата на получените резултати.

Всички обонятелни сензори могат да бъдат разделени в четири групи:

· Инструментални анализатори;

· Полупроводникови газови сензори;

· Потенциални сензори от мембранни тип;

· Микробаланс на базата на кварцови резонатори.

Фиг. 12.11 Сензор за миризма на базата на чувствителен на маса пьезорезонансен преобразувател (А) и неговата изходна характеристика (В).

Фиг. 12. 12 Изходният сигнал на сензора за миризма, базиран на девет металооксидни детектора.

Един ефективен начин за обработка на сложни сигнали от композитни сензори за миризма е да се изгради невронна мрежа, която свързва отделни двойки сензори, които симулират работата на биологичните системи. Алгоритми за изграждане на невронни мрежи могат да бъдат дублирани чрез химиометрични методи за разпознаване на образи.

Методите за изграждане на невронни мрежи се основават на паралелното изпълнение на прости математически операции, което позволява използването на евтини микроконтролери.

Фиг. 12.13 Обобщен модел на неврона.

Моделът на невронната мрежа се основава на архитектурата на човешкия мозък. В една изкуствена невронна мрежа, всеки биологичен неврон се заменя с интегрална схема, състояща се от логически ключове и транзистори, докато в компютърната невронна мрежа ролята на неврон изпълнява поредица от няколко програмни команди.

Невронните мрежи се използват за провеждане на систематизация на данните, за получаване на апроксимационни зависимости и за прогнозиране на стойности.

Има няколко варианта на невронни модели, всеки от които има своя собствена архитектура. В някои архитектури на невронни мрежи се изисква свързване на каскади за забавяне, за да се изпълни функцията на самоорганизация.

Например, принципът на разпознаване на миризма може да бъде реализиран и чрез използване на хаотична невронна мрежа с контролиран атрактор. Според резултатите от многогодишни изследвания, такъв модел на обонятелната система е предложен от W. Freeman и неговите колеги. Те заключиха, че само проучвания на неврони и структурата на техните връзки не са достатъчни, за да се разберат механизмите, отговорни за разпознаването на миризми.

Получените модели са доста сложни и динамиката им е хаотична. Всяка клетка от паметта на такава система е описана с осем диференциални уравнения от втори ред, съответстващи на специфични групи неврони във всяка клетка.

Такава мрежа работи както следва. При липса на външни сигнали се наблюдават хаотични колебания на системния аттрактор. Когато се представи някакво входно изображение, системата се стабилизира в определени области на атрактора. В същото време динамиката остава хаотична, но само в по-малък регион. Недостатъкът на този модел е, че той не прилага принципа на учене.

В някои случаи е необходимо да се обработи и анализира информация, идваща от няколко сензора, но операторът няма време да прецени информацията при желаната скорост или показанията на някои трябва да бъдат свързани помежду си и т.н. Задачите от този вид стимулираха развитието на системи с изкуствен интелект на базата на устройства с размита логика , изкуствени невронни мрежи .

Познаването на основните модели на формиране на структури в активна среда, както и в мрежи, състоящи се от голям брой активни елементи, ви позволява да пристъпите към целенасочено създаване на разпределени динамични системи, които формират определени пространствени структури. Едно от основните приложения в този случай са задачите на аналоговата обработка на информация.

Използвайки като елемент за елементарна обработка на информация не отделни сигнали, а разширени пространствени структури, позволява да се увеличи драстично ефективността на устройството за обработка на информация , може да се реши проблемът за създаване на изкуствен интелект, тъй като има доказателства, че аналоговите механизми са в основата на човешкия мозък.

Известно е, че човешкият мозък е гигантска мрежа от десетки милиарди нервни клетки - неврони, свързани помежду си чрез процеси (дендрити, аксони). Броят на връзките на един неврон може да достигне десетки хиляди. Благодарение на работата на неврофизиолозите, механизмът на действие на отделния неврон е добре разбран.

Нервната клетка е в състояние да бъде в едно от трите дискретни състояния - почивка, възбуда и рефракция (състояние на не-раздразнителност). Преходите между състоянията се контролират от процеси вътре в самата клетка, както и от електрически сигнали, които пристигат към него по процеси от други неврони.

Преходът от състоянието на покой към възбуждането се осъществява по прага с почти едновременно появяване на достатъчно голям брой импулсни сигнали на възбуждане. Веднъж в развълнувано състояние, невронът е в него за определено време, след което сам отива в състояние на пречупване. Това състояние се характеризира с много висок праг на възбуждане: невронът е практически неспособен да реагира на възбуждащите сигнали, които идват към него. След известно време способността за възбуждане се възстановява и невронът се връща в състояние на покой.

<== предишна статия |





Вижте също:

Физически характеристики на прехода от микро към наноустройства

Растерни (сканиращи) електронни микроскопи

Mössbauer ефект

Физически основи на твърдотелна наноелектроника

НГР метод - спектроскопия

Предавателен електронен микроскоп

Принципи на изграждане на сензорни самоорганизиращи се системи

Концепциите на класическата и квантовата системи

Физически основи на магнитен резонанс

Връщане към съдържанието: Съвременни фундаментални и приложни изследвания в приборостроенето

Видян: 2896

11.45.9.63 © ailback.ru не е автор на публикуваните материали. Но предоставя възможност за безплатно ползване. Има ли нарушение на авторските права? Пишете ни Обратна връзка .