Студопедия
Обратная связь


Авиадвигателестроения Административное право Административное право Беларусии Алгебра Архитектура Безопасность жизнедеятельности Введение в профессию «психолог» Введение в экономику культуры Высшая математика Геология Геоморфология Гидрология и гидрометрии Гидросистемы и гидромашины История Украины Культурология Культурология Логика Маркетинг Машиностроение Медицинская психология Менеджмент Металлы и сварка Методы и средства измерений электрических величин Мировая экономика Начертательная геометрия Основы экономической теории Охрана труда Пожарная тактика Процессы и структуры мышления Профессиональная психология Психология Психология менеджмента Современные фундаментальные и прикладные исследования в приборостроении Социальная психология Социально-философская проблематика Социология Статистика Теоретические основы информатики Теория автоматического регулирования Теория вероятности Транспортное право Туроператор Уголовное право Уголовный процесс Управление современным производством Физика Физические явления Философия Холодильные установки Экология Экономика История экономики Основы экономики Экономика предприятия Экономическая история Экономическая теория Экономический анализ Развитие экономики ЕС Чрезвычайные ситуации ВКонтакте Одноклассники Мой Мир Фейсбук LiveJournal Instagram


Понятия экспертной системы и искусственной нейросети

<== предыдущая статья |

Экспертные системы основаны на определенных правилах. Эксперт – это человек, обладающий большими познаниями в некоторой области. Познания делятся на факты и правила. Правила определяют структуру, которая позволяет делать выводы на основе фактов. Структура содержится в машине логического вывода и может состоять из набора простых операторов типа: если – тогда. Путь принимаемых решений называется цепочкой вывода. Различают цепочки прямого и обратного вывода. Ранние приложения систем с искусственным интеллектом были созданы для того, чтобы создавать базу знаний, с которой мог бы работать не специалист. Для таких систем были разработаны специальные языки программирования.

Искусственные нейросети не используют логику вообще. Для их работы не требуется ввод опыта и умения эксперта. Они подражают процессу обучения мозга человека. Например, для нахождения зависимости между входными и выходными данными. Но их «разумность» не задается разработчиком. Главным элементом таких систем является математическая модель биологического нейрона. Этим искусственные нейроны группируются в определенные структуры, которые подвергаются обучению с использованием набора данных.

Принципы нейросетевых технологий, используемые при сложных измерениях, являются примерами бионического подхода к построению измерительных систем. Основная идея этого подхода заключается в использовании большого количества датчиков разного типа и обработке полученных данных методами, аналогичными тем, которые применяются мозгом живых существ при идентификации тех или иных свойств объектов. Хотя сейчас принципы работы мозга еще до конца не раскрыты, уже появились некоторые идеи, которые могут быть применены для практической реализации «интеллектуальных» измерительных систем. Процесс обработки и анализа сигналов, поступающих от разных датчиков, всегда основан на процедуре распознавания образов.

Например, принцип работы датчиков обоняния (электронный нос), состоящих из множества современных детекторов, основан на «интеллектуальных» стратегиях распознавания образов и методах хемометрии. При построении первых датчиков обоняния разработчики старались воспроизвести органы чувств человека. Такие датчики состояли из детекторов разного типа. Принцип определения запаха заключался в детектировании отдельных химических соединений и идентификации запаха по полученным результатам.

Все датчики обоняния можно разделить на четыре группы:

· инструментальные анализаторы;

· полупроводниковые газовые датчики;

· потенциальные датчики мембранного типа;

· микровесы на основе кварцевых резонаторов.

Рис. 12.11 Датчик обоняния на основе массчувствительного пьезорезонансного преобразователя (А) и его выходная характеристика (Б).

 

Рис. 12. 12 Выходной сигнал датчика обоняния на основе девяти металл – оксидных детекторов.

Эффективный способ обработки сложных сигналов составных датчиков обоняния заключается в построении нейронной сети, связывающей отдельные пары датчиков, имитирующих работу биологических систем. Алгоритмы построения нейронных сетей могут дублироваться хемометрическими методами распознавания образов.

Методы построения нейронных сетей основаны на параллельном выполнении простых математических операций, что позволяет применять недорогие микроконтроллеры.

Рис. 12.13 Обобщенная модель нейрона.

Модель нейронных сетей основана на архитектуре человеческого мозга. В искусственной нейронной сети каждый биологический нейрон заменяется на интегральную схему, состоящую из логических ключей и транзисторов, в то время как в компьютерной нейронной сети роль нейрона выполняет последовательность нескольких программных команд.

Нейронные сети применяются для проведения систематизации данных, для получения аппроксимационных зависимостей и для прогнозирования значения.

Существуют несколько вариантов нейронных моделей, каждая из которых имеет свою архитектуру. В некоторых архитектурах нейронных сетей требуется подключение каскадов задержки для осуществления функции самоорганизации.

Например, принцип распознавания запахов может быть реализован также и с использованием хаотической нейронной сети с управляемым аттрактором. По результатам многолетних исследований такая модель обонятельной системы была предложена У. Фриманом и его коллегами. Они пришли к выводу, что только исследования нейронов и структуры их связей недостаточно для того, чтобы понять механизмы, ответственные за распознавание запахов.

Полученные модели оказались достаточно сложным, а их динамика хаотической. Каждая ячейка памяти такой системы описывалась восемью дифференциальными уравнениями второго порядка, соответствующими определенным группам нейронов в пределах каждой ячейки.

Такая сеть работает следующим образом. В отсутствие внешних сигналов наблюдаются хаотические колебания на аттракторе системы. Когда предъявляется некоторый входной образ, система стабилизируется в определенных областях аттрактора. При этом динамика остается хаотической, но только в пределах меньшей области. Недостатком такой модели является то, что в ней не реализуется принцип обучения.

В некоторых случаях требуется обрабатывать и анализировать информацию, поступающую от нескольких датчиков, но при этом оператор не успевает оценить информацию с требуемой скоростью или показания одних должны быть взаимоувязаны с другими и т.п. Задачи такого рода стимулировали развитие систем с искусственным интеллектом на основе устройств с нечеткой логикой, искусственных нейронных сетей.

Знание основных закономерностей образования структур в активных средах, а также в сетях, состоящих из большого числа активных элементов, позволяет перейти к целенаправленному созданию распределенных динамических систем, которые формируют те или иные пространственные структуры. Одним из основных приложений при этом являются задачи аналоговой обработки информации.

Использование в качестве элементарной единицы обработки информации не отдельных сигналов, а протяженных пространственных структур дает возможность резко повысить эффективность устройства обработки информации, может послужить решению проблемы создания искусственного интеллекта, так как имеются свидетельства того, что аналоговые механизмы лежат в основе работы человеческого мозга.

Известно, что человеческий мозг – это гигантская сеть из десятков миллиардов нервных клеток – нейронов, связанных между собой отростками (дендритами, аксонами). Число связей одного нейрона может достигать десятков тысяч. Благодаря работам нейрофизиологов достаточно хорошо изучен механизм действия отдельного нейрона.

Нервная клетка способна находиться в одном из трех дискретных состояний – покое, возбуждении и рефрактности (состоянии невозбудимости). Переходы между состояниями управляются как процессами внутри самой клетки, так и электрическими сигналами, поступающими к ней по отросткам от других нейронов.

Переход от состояния покоя к возбуждению происходит пороговым образом при почти одновременном поступлении достаточно большого числа импульсных сигналов возбуждения. Оказавшись в возбужденном состоянии, нейрон находится в нем в течение определенного времени, затем самостоятельно переходит в состояние рефрактности. Это состояние характеризуется очень высоким порогом возбуждения: нейрон практически не способен реагировать на приходящие к нему сигналы возбуждения. Через некоторое время способность к возбуждению восстанавливается, и нейрон возвращается в состояние покоя.

<== предыдущая статья |





 

Читайте также:

Принципы построения многоэлементных осцилляторных измерительных устройств, основанных на использовании нелинейных процессов в сложных динамических системах

Гелиевый ионный микроскоп

Конструктивные особенности и основные характеристики микроэлектромеханических устройств

Метод Лауэ

Устройство и принцип работы сканирующего туннельного микроскопа

Применение методов зондовой микроскопии для аналитических измерений

Общая физиология сенсорных систем

Кантилеверные сенсоры на основе высокомолекулярных и биополимерных систем

Просвечивающий электронный микроскоп

Физические основы Оже-спектроскопи и нейтронографии

Углеродные нанотрубки

Применение сканирующего СКВИД-микроскопа

Сенсоры с использованием химических и биологических процессов на поверхности кантилевера

Эффект Зеемана

Физические основы твердотельной наноэлектроники

Вернуться в оглавление: Современные фундаментальные и прикладные исследования в приборостроении

Просмотров: 1772

 
 

© studopedia.ru Не является автором материалов, которые размещены. Но предоставляет возможность бесплатного использования. Есть нарушение авторского права? Напишите нам. Ваш ip: 54.92.136.230