Нейроподобные растущие сети – новая технология обработки информации

Автор работы: Пользователь скрыл имя, 02 Февраля 2011 в 08:15, статья

Описание работы

Становление новой информационной технологии тесно связано с развитием искусственного интеллекта и обусловлено (по утверждению Г.Поспелова) тем, что в теории искусственного интеллекта были разработаны логико-лингвистические модели, позволяющие формализовать конкретные знания об объектах и протекающих в них процессах

Файлы: 1 файл

Jaschenko.doc

— 104.50 Кб (Скачать файл)
align="justify">      В биологических средах информация об одном и том же объекте или классе объектов представляется в различных отображениях, например, в зрительном, вербальном, тактильном и др. В связи с этим при моделировании описаний внешнего мира необходимо иметь возможность отражать данные описания в различных взаимосвязанных структурах. Такой структурой являются многомерные нейроподобные растущие сети, описывающие объекты или классы объектов в различных информационных пространствах.

Определение 2. Информационным пространством  называется область нейроподобной растущей сети, состоящая из множества вершин и дуг, объединенных в единую информационную структуру.

Определение 3. Множество взаимосвязанных ациклических графов, описывающих нейроподобные растущие сети в различных информационных пространствах, называются многомерными нейроподобными растущими сетями (мн-РС).

      Формально мн-РС задается пятеркой: S = (R, A, D, P, M, N), при этом   RЙÉ  Rl , Rr , Rv ; AЙÉ Al , Ar , Av ;  DЙÉ Dl , Dr , Dv ; PЙÉ Pl, Pr, Pv, где Rl, Rr, Rv - конечное подмножество рецепторов; Al, Ar, Av - конечное подмножество нейроподобных элементов; Dl, Dr, Dv - конечное подмножество дуг; Pl, Pr, Pv - конечное подмножество порогов возбуждения нейроподобных элементов, принадлежащих различным информационным пространствам, например,  лингвистическому, речевому или визуальному; M- конечное множество весовых коэффициентов связей; N - конечное множество переменных коэффициентов связности.

      Базовым принципом физиологии высшей нервной деятельности является основной закон биологии - единство организма и среды. Этот закон предусматривает приспособительную изменчивость организма относительно среды.

В основе приспособительного поведения любого организма лежит способность к обучению, т.е. способность запоминать последствия своих действий. Можно сказать, что изучение разумного поведения - это в какой-то мере исследование способности приобретать знания о связях в окружающем мире. “Организм обучается путем построения сенсорно-моторных схем: он извлекает из своего опыта соотношения между информацией, воспринимаемой его сенсорными системами, и своими действиями (моторной активностью)” [7].  

      Таким образом, взаимодействие биологических объектов с окружающей средой осуществляется через акты движения. С целью обеспечения  возможности моделирования процессов обучения и приобретения системой знаний нейроподобные растущие сети развиваются в   рецепторно-эффекторные   нейроподобные   растущие   сети (рэн-РС).

Определение 4. Рецепторно-эффекторной растущей сетью называется двухсторонний ациклический граф, в котором минимальное число заходящих дуг на вновь образуемые вершины графа равно переменному коэффициенту n, где n всегда больше двух.

Рис.2

Определение 5. Рецепторно-эффекторные растущие сети, в которых каждой дуге рецепторной зоны, приходящей на вершины этой зоны, соответствует определенный весовой коэффициент, а вершинам - определенный порог возбуждения, и каждой дуге эффекторной зоны, приходящей на вершины этой зоны соответствует определенный весовой коэффициент, а вершинам - определенный порог возбуждения, называются рецепторно-эффекторными нейроподобными растущими сетями.

     Рецепторно-эффекторные нейроподобные растущие сети (рис.2) формально задаются следующим образом:  

S=(R, Ar, Dr, Pr, Mr, Nr, E, Ae, De, Pe, Me, Ne ),  R ={ri}, - конечное множество рецепторов, Ar={ai}, - конечное множество нейроподобных элементов рецепторной  зоны, Dr={di}, - конечное множество дуг рецепторной зоны, E={ei}, - конечное множество эффекторов, Ae={ai}, - конечное множество нейроподобных элементов эффекторной зоны, De={di},  -    конечное      множество дуг эффекторной зоны, Pr={Pi}, Pe={Pi }, где Pi - порог возбуждения вершины air , aie Pi =f(mi) при условии, что множеству дуг Dr , De , приходящих на вершину air, aie , соответствует множество весовых коэффициентов  Mr ={mi}, Me={mi}, причем mi может принимать как положительные, так и отрицательные значения.  Nr, Ne - переменные коэффициенты связности рецепторной и эффекторной зон. В рэн-РС рецепторные поля R, являются аналогом сенсорной и рецепторной областей биологических объектов,  эффекторные поля E - аналог моторной области биологических объектов. Рецепторно-эффекторные нейроподобные растущие сети подразделяются на  однослойные, многослойные и многомерные рецепторно-эффекторные нейроподобные растущие сети

      Нейроподобные растущие сети являются динамической структурой, которая изменяется в зависимости от значения и времени поступления информации на рецепторы, а также предыдущего состояния сети. В ней информация об объектах представляется ансамблями возбужденных вершин и связями между ними. Запоминание описаний объектов и ситуаций сопровождается вводом в сеть новых вершин и дуг при переходе какой - либо группы рецепторов и нейроподобных элементов в состояние возбуждения. Процесс возбуждения волнообразно распространяется по сети. Переменный коэффициент связности позволяет управлять числом дуг, приходящих на вновь образуемые нейроподобные элементы, и числом нейроподобных элементов в сети, что является одной из отличительных чертой нового класса сетей от существующих нейронных сетей.

Основные отличия и сравнительные характеристики нейроподобных растущих сетей и общепринятых нейронных сетей приведены в табл.1.

                                                                                                                                                                                                 Табл. 1

 
    Нейроподобные растущие сети
 
      Нейронные сети
Нейроподобный элемент. Вычислительное устройство с памятью. Нейронный элемент. Пороговый элемент
Определяется некоторая произвольная функция  входов, например: формула Байеса P(H:E)=P(E:H) P(H)/(P(E:H) P(H)+ P(E:неH) P(неH))* Определяется взвешенная сумма входов, обработанная  не линейно
Связи и веса задаются и появляются ровно столько сколько необходимо. Связи и веса определяются архитектурой сети.

Количество связей избыточно. Требуются специальные методы отсеивания связей.

Коэффициент связности

Позволяет управлять соотношением    связь / нейроподобный элемент

.

Коэффициент связности

Отсутствует

Перестраиваемая структура. Нейроподобные элементы связаны между собой по смыслу Фиксированная структура. Элементы связаны каждый с каждым
Возможность композиции и декомпозиции (дедукции-индукции). По набору признаков определяется объект по объекту набор признаков. Возможность композиции и декомпозиции

Отсутствует

Многоуровневая структура. Число уровней (слоев) произвольное, определяется по смыслу. Используется обычно до 3-х уровней (слоев). Использование более 3-х слоев не осмысленно.
Скорость обучения от нескольких минут до секунд. Скорость обучения от многих часов до секунд.
Появление ложных фантомов (ложных аттракторов) – отсутствует Появление ложных фантомов (ложных аттракторов) – присутствует
Емкость сети 100% Емкость сети 20-30%
Параллелизм вычислений по ветвям активности во всех слоях параллельно.

Эффективность счета повышена (счет по активной части сети).

Параллелизм вычислени  по слоям последовательно. 

Эффективность счета понижена (счет по всей сети ( по всей матрице связей)).

 

*) P(H) – априорная вероятность исхода в случае отсутствия  дополнительных свидетельств

P(H:E) – вероятность осуществления некоторой гипотезы H при наличии определенных подтверждений свидетельств E.

P(E:H), P(E:неH) – соответственно, вероятности получения  ответа  Да если возможный исход верен или неверен. 

Из самого названия нейроподобные растущие сети видно, что сеть нейроподобная, т.е. обладает свойствами нейронных сетей, в то же время растущая, сохраняя свойства РПС, что позволяет избежать некоторых недостатков присущих нейронным сетям. И в то же время поддерживает функции присущие биологическим объектам и интеллектуальным системам.

     Так, функция  восприятие, осуществляется рецепторным полем н-РС, а в многомерных н-РС рецепторными полями различных информационных пространств (визуального, текстового, звукового, тактильного и др.).

     Представление знаний их обработка и обучение сети, осуществляются в рецепторных зонах н-РС и в рецепторных и эффекторных зонах рецепторно-эффекторных н-РС в процессе восприятия информации и построения сети.

     Общение и поведение системы, обладающей новой информационной структурой, определяется наличием в рецепторно-эффекторных н-РС рецепторной и эффекторной зон. В рецепторной зоне осуществляется накопление условий возникающих во внешней среде, а в эффекторной зоне вырабатываются действия адекватные внешним условиям, осуществляя адекватное взаимодействие с окружающей средой. Рецепторно-эффекторные н-РС, содержащие рецепторные и эффекторные зоны, позволяют на соответствующие условия (восприятие информации) вырабатывать управляющие воздействия во внешний мир (формировать поведения системы).

Заключение. В основе нейроподобных растущих сетей является синтез знаний выработанных классическими теориями - растущих пирамидальных сетей и нейронных сетей. Первые из них дают возможность образовывать смыслы, как объекты и связи между ними по мере построения самой сети, т.е. число объектов, как и связей между ними будет такое именно, какое нужно, будучи ограниченным лишь объемом памяти машины. При этом каждый смысл (понятие) приобретает отдельную компоненту сети как вершину, связанную с другими вершинами. В общем это вполне соответствует структуре отражаемой в мозге, где каждое явное понятие представлено определенной структурой и имеет свой обозначающий символ. Если указанные компоненты являются нейроподобными элементами, а связи приобретают различный вес, то получим универсальную нейроподобную сеть со всеми ее необходимыми свойствами. Вместе с тем эта сеть практически свободна от ограничений на количество нейроподобных элементов в котором и нужно разместить соответствующую информацию, т.е. построить саму сеть, представляющую данную предметную область. Во вторых эта сеть приобретает повышенную семантическую ясность за счет образования не только связей между нейроподобными элементами, но и самих элементов как таковых, т.е. здесь имеет место не просто построение сети путем размещения смысловых структур в среде нейроподобных элементов, а, собственно, создание самой этой среды, как эквивалента среды памяти [6].  

  1. Поспелов Г.С. Искусственный интеллект – основка новой информационной технологии. М.: Наука, 1988. – 280 с.
  2. Глушков В.М. Основы безбумажной информатики. М.: Наука, 1987. – 552с.
  3. Брюхович Е.И. К вопросу об информатизации общества. Методология решения задачи научного предвидения для вывода из кризиса отечественной вычислительной техники  // Математические машины и системы. - 1997.-№2.-С.122-132.
  4. Гладун В.П.  Процессы формирования новых знаний - София: СД "Педагог 6", - 1994. - 192с.
  5. Ященко В.А. Рецепторно-эффекторные нейроподобные растущие сети эффективное средство моделирования интеллекта. I, II - //  Кибернетика  и сист. анализ № 4, 1995. С. 54 – 62,  № 5, 1995. С. 94 - 102.
  6. Рабинович З.Л., Ященко В.А. Подход к моделированию мыслительных процессов на основе нейроподобных растущих сетей // Кибернетика и сист. анализ № 5, 1996. С.3-20.
  7. Линдсей П., Норман Д. Переработка информации у человека (Введение в психологию).\Под редакц. А.Р. Лурия. - М.: - 1974. - с.549.

Информация о работе Нейроподобные растущие сети – новая технология обработки информации