Любая из предложенных

Другими словами, нейроподобная сеть — это параллельная связная сеть простых адаптивных элементов, которая взаимодействует с объектами реального мира аналогично биологической нервной системе. [8] С инженерной точки зрения такая сеть представляет собой сильно распараллеленную динамическую систему с топологией направленного графа, которая может выполнять переработку информации посредством изменения своего состояния в ответ на постоянный или импульсный входной сигнал.

В настоящее время основными направлениями реализации НПС являются:

программная реализация на цифровых ЭВМ традиционной архитектуры;

программно-аппаратная реализация в виде сопроцессоров к ЭВМ общего назначения;

аппаратная реализация путем создания нейрокомпьютеров на базе нейроплат в виде параллельных нейроподобных структур.

Ранние варианты реализации НПС относятся к первым двум из указанных направлений. Первое направление характеризуется универсальностью, дешевизной и низкой скоростью обучения и функционирования НПС. Для второго направления характерна высокая скорость моделирования функционирования НПС, но при этом существуют серьезные физические ограничения числа моделируемых элементов и связей между ними, а также возможностей обучения и дообучения. По мере развития элементной базы ЭВМ стало возможным самостоятельное развитие третьего направления, которое положило начало индустрии нейрокомпьютеров, представляющих совокупность аппаратных и программных средств для реализации моделей нейронных сетей.

На сегодняшний день известно уже более 200 различных парадигм нейронных сетей (не только детерминированных, но и вероятностных), десятки НПС реализованы в специализированных кристаллах и платах, на их основе созданы мощные рабочие станции и даже суперкомпьютеры. Современные технологии достигли того рубежа, когда стало возможным изготовление технической системы из 3…4 млрд. нейронов (именно такое количество их в мозгу человека). Однако их соединение продолжает оставаться проблемой.

Одно из важнейших свойств нейроподобной сети — способность к самоорганизации, самоадаптации с целью улучшения качества функционирования. Это достигается обучением сети, алгоритм которого задается набором обучающих правил. Обучающие правила определяют, каким образом изменяются связи в ответ на входное воздействие. Многие из них являются развитием высказанной Д. О. Хеббом идеи о том, что обучение основано на увеличении силы связи (синаптического веса) между одновременно активными нейронами. Таким образом, часто используемые в сети связи усиливаются, что объясняет феномен обучения путем повторения и привыкания. Математически это правило можно записать следующим образом:

.

где wij (t) и wij (t+1) — значение веса связи от i-го к j-му нейрону соответственно до и после его изменения, α — скорость обучения, yi и yj -выходные сигналы i-го и j-го нейронов. [10] В настоящее время существует множество разнообразных обучающих правил (алгоритмов обучения).

Область применения нейросетей.

Автоматизация производства Оптимизация режимов производственного процесса, комплексная диагностика качества продукции (с помощью ультразвука, оптики, гамма-излучения), мониторинг и визуализация многомерной диспетчерской информации, предупреждение аварийных ситуаций, робототехника.

Медицина Обработка изображений, мониторинг состояния пациентов, диагностика, анализ эффективности лечения, очистка показаний приборов от шумов. Вычислительная система, представляющая собой модель биохимических процессов, протекающих в нервных тканях.

Экономика и бизнес Предсказания рынков, банкротств, оценки риска невозврата кредитов и стоимости недвижимости, автоматическое рейтингование, оптимизация товарных и денежных потоков, автоматическое считывание чеков и форм.

Безопасность и охранные системы Идентификация личности, распознавание голосов, лиц в толпе, автомобильных номеров, анализ аэрокосмических снимков, мониторинг информационных потоков, обнаружение подделок.

Авиация Автоматическое пилотирование, распознавание сигналов радаров, адаптивное пилотирование сильно поврежденного самолета. Условия, в которых работают авиаприборы, накладывают сильные ограничения на их размер, быстродействие и помехозащищенность.

Связь Сжатие видеоинформации, быстрое кодирование/декодирование, оптимизация сотовых сетей и схем маршрутизации пакетов. Особые требования здесь предъявляются к возможности создания автономных, мобильных решений, допускающих встраивание в переносные видеокамеры, сотовые телефоны и тому подобное.

Математическая статистика, логика и вычислительная техника Вычислительная система, автоматически формирующая описание характеристик случайных процессов, имеющих сложные функции распределения. Нейрокомпьютер, алгоритм работы которого представлен логической сетью элементов частного вида (нейронов) с полным отказом от классических логических операций. Вычислительная система, в которой процессорный элемент однородной структуры упрощен до уровня нейрона, резко усложнены связи между элементами и программирование перенесено на изменение весовых коэффициентов связей между процессорными элементами.

i-Sentry компании Sentient делает ПАССИВНЫЕ системы видеонаблюдения АКТИВНЫМИ, используя искусственный интеллект для обучения нормальному поведению и обнаружения необычной деятельности.

Когда объект ведет себя необычно, i-Sentry может сразу же акцентировать на этом внимание оператора. i-Sentry умеет делать 4 вещи, которые не под силу никакой другой системе:

1. Обнаруживать необычную деятельность. i-Sentry отфильтровывает 95% нормального видеоизображения, а операторам показывать только необычную деятельность. Таким образом, операторы всегда заинтересованы и настороже, а это подразумевает повышенную бдительность. Это обеспечивает превосходное и непревзойденное понимание ситуации, а также способность достичь эффективной и немедленной ответной реакции.

2. Многократный анализ телекамер, а также управление ими. i-Sentry очень эффективно управляет теми участками, где установлено много телекамер, с помощью фильтрации и группировки интересующих видеоматериалов. Вместо того чтобы заваливать оператора обилием видеоизображений, i-Sentry определяет важные фрагменты, и, таким образом, позволяет ему находить приоритетные кадры, не пропуская ничего.

3. Активный контроль PTZ-телекамеры. Когда i-Sentry обнаруживает необычное поведение, она может автономно сфокусировать PTZ-телекамеру так, чтобы отслеживать цель. Это гарантирует, что оператор получит и сможет просмотреть детальное изображение инцидента. И все это происходит без руководства человека.

4. Продолжительный видеоархив. По истечении нескольких дней менее интересные фрагменты могут быть сохранены с меньшим разрешением и большим видеосжатием. Это существенно (до 95% «нормального» видеоархива) сокращает размер хранения, таким образом, емкость запоминающего устройства может быть увеличена в 12 раз. На носителе емкостью 1.2 Tбайт может храниться шестимесячная видеозапись с четырех телекамер.

Заключение

Многие споры вокруг проблемы создания искусственного интеллекта имеют эмоциональную подоплеку. Признание возможности искусственного разума представляется чем-то унижающим человеческое достоинство. Однако нельзя смешивать вопросы возможностей искусственного разума с вопросом о развитии и совершенствовании человеческого разума. Повсеместное использование ИИ создаёт предпосылки для перехода на качественно новую ступень прогресса, даёт толчок новому витку автоматизации производства, а значит и повышению производительности труда. Разумеется, искусственный разум может быть использован в грязных целях, но это проблема не научная, а скорее морально-этическая.

Однако развитие кибернетики выдвигает ряд проблем, которые все же требуют пристального внимания. Эти проблемы связаны с опасностями, возникающими в ходе работ по искусственному интеллекту.

Первая проблема связана с возможной потерей стимулов к творческому труду в результате массовой компьютеризации или использования машин в сфере искусств. Однако в последнее время стало ясно, что человек добровольно не отдаст самый квалифицированный творческий труд, так как он для самого человека является привлекательным.

Вторая проблема носит более серьезный характер, и на нее неоднократно указывали такие специалисты, как Н. Винер, Н. М. Амосов, И. А. Полетаев и др.

Состоит она в следующем. Уже сейчас существуют машины и программы, способные в процессе работы самообучаться, т. е. повышать эффективность приспособления к внешним факторам. В будущем, возможно, появятся машины, обладающие таким уровнем приспособляемости и надежности, что необходимость человеку вмешиваться в процесс отпадет.

В этом случае возможна потеря самим человеком своих качеств, ответственных за поиск решений. Налицо возможная деградация способностей человека к реакции на изменение внешних условий и, возможно, неспособность принятия управления на себя в случае аварийной ситуации. Встает вопрос о целесообразности введения некоторого предельного уровня в автоматизации процессов, связанных с тяжелыми аварийными ситуациями. В этом случае у человека, «надзирающего» за управляющей машиной, всегда хватит умения и реакции таким образом воздействовать на ситуацию, чтобы погасить разгорающуюся аварийную ситуацию. Таковые ситуации возможны на транспорте, в ядерной энергетике. Особо стоит отметить такую опасность в ракетных войсках стратегического назначения, где последствия ошибки могут иметь фатальный характер. Несколько лет назад в США начали внедрять полностью компьютеризированную систему запуска ракет по командам суперкомпьютера, обрабатывающего огромные массивы данных, собранных со всего света.

Однако оказалось, что даже при условии многократного дублирования и перепроверки, вероятность ошибки оказалась бы столь велика, что отсутствие контролирующего оператора привело бы к непоправимой ошибке. От системы отказались. Люди будут постоянно решать проблему искусственного интеллекта, постоянно сталкиваясь все с новыми проблемами. И, видимо, процесс этот бесконечен.

Брушлинский А. В. Возможен ли искусственный интеллект?

Венда В. Ф. Системы гибридного интеллекта — М.: Машиностроение, 1990.

Волгин Л. И. Комплементарная алгебра нейросетей — Таллин: АО «KLTK», 1993.

Искусственный интеллект. Справочник в 3-х томах под. ред. Попова Э.В.

Квасный Р. Искусственный интеллект — ресурс Интернета,.

http://neural.narod.ru/, 2001.

Н. Винер Н. Кибернетика — М.: Наука, электронная версия, 1998.

Ноткин Л. И. Искусственный интеллект и проблемы обучения.

Основы современных компьютерных технологий. Под ред. Хомоненко А. Д. Корона-принт, СПб 1998.

Соколов Е. Н., Вайткявичус Г. Г. Нейроинтеллект: от нейрона к нейрокомпьютеру — М.: Наука, 1989.

Труды третьего международного симпозиума «Интеллектуальные системы» — Псков: 1998.

Федюкович Н. И. Анатомия и физиология: Учеб. Пособие. — Мн.: ООО «Полифакт-Альфа», 1999.

Цыганков В. Д. Нейрокомпьютер и его применение — М.: Сол.

Систем, 1993.

Чернухин Ю. В. Нейропроцессоры — Таганрог, 1994.

Шихов Е. Варианты реализации искусственного интеллекта — ресурс Интернета,.

http://neural.narod.ru/, 2002.

Эндрю А. Искусственный интеллект — М.: Мир, 1985.

СИНАПТИЧЕСКИЕ ПОТЕНЦИАЛЫ, биоэлектрические потенциалы, возникающие в местах специализированных межклеточных контактов — синапсах — во время передачи возбуждения от одной клетки (пресинаптической) к другой (постсинаптической).

СИНАПС (греч. synapsis — соединение, связь), зона контакта между нейронами и другими образованиями (нервными, мышечными или железистыми клетками), служащая для передачи информации от клетки, генерирующей нервный импульс к другим клеткам.

РЕФРАКТЕРНОСТЬ (от франц. refractaire — невосприимчивый), в физиологии — отсутствие или снижение возбудимости нерва или мышцы после предшествующего возбуждения. Рефрактерность лежит в основе торможения. Рефрактерный период длится от нескольких десятитысячных (во многих нервных волокнах) до нескольких десятых (в мышечных волокнах) долей секунды.

ПАРАДИГМА (от греч. paradeigma — пример, образец), в философии, социологии — исходная концептуальная схема, модель постановки проблем и их решения, методов исследования, господствующих в течение определенного исторического периода в научном сообществе. Смена парадигм представляет собой научную революцию.

Σ.

f.

S.

y.

x1.

x3.

x2.

.

.

.

xn.

w1.

w3.

w2.

.

.

.

wn.

S.

(.

0,5.

S.