ФЕДЕРАЛЬНОЕ АГЕНТСТВО ПО ОБРАЗОВАНИЮ
ГОСУДАРСТВЕННОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ
ВЫСШЕГО ПРОФЕССИОНАЛЬНОГО ОБРАЗОВАНИЯ
«ВОЛГОГРАДСКИЙ ГОСУДАРСТВЕННЫЙ ТЕХНИЧЕСКИЙ УНИВЕРСИТЕТ»
КАМЫШИНСКИЙ ТЕХНОЛОГИЧЕСКИЙ ИНСТИТУТ (ФИЛИАЛ)
ГОУ ВПО «ВОЛГОГРАДСКИЙ ГОСУДАРСТВЕННЫЙ ТЕХНИЧЕСКИЙ УНИВЕРСИТЕТ»
ПРАКТИЧЕСКИЙ КУРС ПО ДИСЦИПЛИНЕ «СИСТЕМЫ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА»
Учебное электронное издание
Волгоград
ЕЯ – естественный язык
ИИ – искусственный интеллект
ЛП – логика предикатов
ЛПР – лицо, принимающее решение
МТ – машина Тьюринга
ПГА – простой генетический алгоритм
ППФ – правильно построенная формула
ПРО – примитивный рекурсивный оператор
ПРФ – примитивно-рекурсивная функция
РФ – рекурсивная функция
СНИ – система искусственного интеллекта
ФП – функция пригодности
ЦФ – целевая функция
ЭС – экспертная система
ВВЕДЕНИЕ
Изначально искусственный интеллект рассматривался как наука создания мыслящих машин. Эту область считали священным Граалем компьютерных наук. Со временем искусственный интеллект превратился в более прагматичную дисциплину. К этой сфере по-прежнему относится изучение механизмов мышления. В рамках искусственного интеллекта рассматриваются различные стратегии компьютерного решения сложных практических проблем. Кроме того, на сегодняшний день стало ясно, что сам интеллект – это слишком сложная сущность, которую нельзя описать в рамках одной теории. Различные теории описывают его на различных уровнях абстракции . Изучение на самом низком уровне обеспечивают нейронные сети, распознающие машины, генетические алгоритмы и другие формы вычислений, моделирующие свойство адаптации, восприятия и взаимодействия с физическим миром. На более высоком уровне абстракции работают создатели экспертных систем, интеллектуальных агентов, стохастических моделей и систем понимания естественного языка. На этом уровне учитывается роль социальных процессов в создании, передаче и извлечении знаний. К самому высокому уровню абстракции можно отнести логические подходы, в том числе дедуктивные, абдуктивные модели, системы поддержки истинности и другие формы и методы рассуждений.
В данном пособии излагаются основы некоторых теорий низкого уровня с практическими заданиями по исследованию алгоритмов, строящихся на положениях данных теорий. В частности, рассматриваются основы теории распознавания образов с задачей исследования линейных дискриминантных функций и функций сходства; теория искусственных нейронных сетей с постановкой задачи исследования свойств искусственных нейронных сетей на задаче распознавания образов; генетические алгоритмы с постановкой задачи исследования их свойств при поиске экстремума функции. Для выполнения исследовательских задач необходимо уметь программировать на каком-либо языке программирования, желательно объектно-ориентированном.
1.1. Происхождение теории искусственного интеллекта
1.1.1. Понятие искусственного интеллекта
Термин интеллект (intelligence) происходит от латинского intellectus, что означает ум, рассудок, разум, мыслительные способности человека. Соответственно искусственный интеллект (ИИ, в английском эквиваленте: artificial intelligence, AI) есть свойство автоматических систем брать на себя отдельные функции интеллекта человека.
Любой искусственный интеллект представляет собой модель принятия решения, осуществляемого естественным интеллектом человека. Искусственный интеллект может претендовать на сравнение с естественным при условии, что качество формируемых решений не хуже по сравнению со средним естественным интеллектом.
1.1.2. Искусственный интеллект в контуре автоматизации
В таких системах в контур управления вводят лицо, принимающее решение (ЛПР).
ЛПР обладает собственной системой предпочтений относительно критерия управления объектом , и даже цели существования объекта. ЛПР, чаще всего, не соглашается хотя бы частично с режимами, которые предлагает традиционная АСУ. ЛПР управляет, как правило, основными параметрами системы, в то время как остальное управляется локальными системами управления. Возникает задача автоматизации деятельности ЛПР в контуре управления.
ИИ – научно-исследовательское направление, создающее модели и соответствующие программные средства, позволяющие с помощью ЭВМ решать задачи творческого, невычислительного характера, которые в процессе решения требуют обращения к семантике (проблеме смысла).
ИИ – программная система, имитирующая на компьютере мышление человека. Для создания такой системы необходимо изучить процесс мышления ЛПР, выделить основные шаги этого процесса, разработать программное обеспечение , воспроизводящее эти шаги на ЭВМ.
1.1.3. Понятие интеллектуальной задачи и деятельности
Особенность интеллекта человека – способность решать интеллектуальные задачи путем приобретения, запоминания и целенаправленного преобразования знаний в процессе обучения на опыте и адаптации к разнообразным обстоятельствам.
Интеллектуальные задачи – задачи, формальное разбиение процесса поиска решения которых на отдельные элементарные шаги часто оказывается весьма затруднительным, даже если само их решение несложно.
Деятельность мозга, направленную на решение интеллектуальных задач, мы будем называть мышлением или интеллектуальной деятельностью.
Интеллектуальная деятельность предполагает способность к выводу, генерации, конструированию решения, которое в явном и готовом виде не содержится в системе. Вывод решений возможен только при наличии внутреннего представления знаний в системе (модели внешнего мира ) – формализованного представления знаний о внешнем мире (автоматизируемой предметной области).
1.1.4. Первые шаги истории искусственного интеллекта
Первые программы, реализующие особенности интеллектуальной деятельности:
1. Машинный перевод (1947 г.). В СССР с 1955 года работы в области машинного перевода связаны с, . Задача машинного перевода потребовала отделение знаний от кода. Появление языка-посредника знаменовало собой первую попытку создания языка внутреннего представления знаний.
2. Автоматизированное реферирование и информационный поиск (1957 г., США). Идея вычленения системы связей-отношений между отдельными фактами, воплощенная в понятии тезауруса.
3. Доказательство теорем (1956 г., США). Появление программы доказательства теорем логики высказываний: «Логик-Теоретик». В 1965 г. появился метод резолюций (Дж. Робинсон, США), в 1967 г. – обратный метод (, СССР). Методы реализуют идею использования эвристик – опытных правил для сокращения перебора вариантов при выводе решения.
4. Распознавание образов (начало 60-х годов). Идеи теории распознавания, связанные с обучением нахождению решающего правила на множестве положительных и отрицательных примеров.
В 1956 г. К. Шеннон, М. Минский и Дж. Маккарти организуют конференцию в Дартмуте (США) для обобщения практического опыта разработки интеллектуальных программ.
1.1.5. Создание теоретической базы
В 1969 году в Вашингтоне состоялась Первая международная конференция по искусственному интеллекту (IJCAI). В 1976 г. начал издаваться международный журнал «Искусственный интеллект». В течение 70-х годов сложились основные теоретические направления исследований в области интеллектуальных систем:
− представление знаний , формализация знаний о внешней среде, создание внутренней модели внешнего мира;
− общение, создание языков взаимодействия системы и пользователя;
− рассуждение и планирование, принятие решений в альтернативных ситуациях;
− восприятие (машинное зрение), получение данных из внешней среды;
− обучение, извлечение знаний из опыта функционирования системы;
− деятельность, активное поведение системы на основе собственных целей функционирования.
1.1.6. Философские проблемы теории искусственного интеллекта
В данном подразделе перечислены основные вопросы и некоторые комментарии к ним по часто и широко обсуждаемым проблемам теории искусственного интеллекта.
Можно ли воспроизвести интеллект? Самовоспроизводство теоретически возможно. Принципиальная возможность автоматизации решения интеллектуальных задач с помощью ЭВМ обеспечивается свойством алгоритмической универсальности. Однако не следует думать, что вычислительные машины и роботы могут в принципе решать любые задачи. Существуют алгоритмически неразрешимые проблемы.
Какова цель создания искусственного интеллекта? Допустим, что человек сумел создать интеллект, превышающий свой собственный интеллект (пусть не качеством, так количеством). Что теперь будет с человечеством? Какую роль будет играть человек? Для чего он теперь нужен? И вообще, нужно ли в принципе создание ИИ? По-видимому, самым приемлемым ответом на эти вопросы является концепция «усилителя интеллекта».
Безопасно ли создание искусственного интеллекта? Обладая интеллектом и возможностями коммуникации во много раз превышающими человеческие, техника станет мощной самостоятельной силой, способной противодействовать ее создателю.
1.1.7. Области применения
1. Обработка естественных языков, распознавания изображений, речи, сигналов, а также создание моделей интеллектуального интерфейса, финансовое прогнозирование, извлечение данных, диагностика систем, контроль за деятельностью сетей, шифрование данных (направление – нейронные сети).
2. Нанотехнологии, проблемы самосборки, самоконфигурирования и самовосстановления систем, состоящих из множества одновременно функционирующих узлов, многоагентные системы и робототехника (направление – эволюционные вычисления).
3. Гибридные управляющие системы, обработка изображений, средства поиска, индексирования и анализа смысла изображений, распознавания и классификации образов (направление – нечеткая логика).
4. Медицинская диагностика, обучение, консультирование, автоматическое программирование, проверка и анализ качества программ, проектирование сверхбольших интегральных схем, техническая диагностика и выработка рекомендаций по ремонту оборудования, планирование в различных предметных областях и анализ данных (направление – экспертные системы (ЭС)).
5. Транспортные задачи, распределенные вычисления, оптимальная загрузка ресурсов (направление – методы сокращения перебора).
6. Разработка крупных программных систем проектирования, кодогенерация, верификация , тестирование, оценка качества, выявление возможности повторного использования, решение задач на параллельных системах (направление – интеллектуальная инженерия).
7. Создание полностью автоматизированных киберзаводов.
8. Игры, социальное поведение человеческих эмоций, творчества.
9. Военные технологии.
1.2. Архитектура систем искусственного интеллекта
1.2.1. Элементы архитектуры СИИ
Архитектура системы искусственного интеллекта (СИИ) – организация структуры, в рамках которой происходит принятие решений и применение знаний в конкретной области. Наиболее общая схема СИИ представлена на рис. 1. В такой форме не существует ни одна реальная СИИ, те или иные блоки могут отсутствовать. В СИИ всегда присутствуют лишь два блока: база знаний и механизм вывода.
Рассмотрим основные типы СИИ в автоматизированных системах обработки информации и управления:
− СИИ управления технологическим процессом;
− СИИ диагностирования;
− СИИ планирования и диспетчеризации;
− интеллектуальные роботы.
https://pandia.ru/text/78/057/images/image005_133.gif" width="357" height="360 src=">
Рис. 1. Обобщенная схема СИИ
1.2.2. СИИ управления технологическим процессом
Архитектура СИИ управления технологическим процессом представлена на рис. 2.
Особенности этой системы:
− использование технологической информации для управления (измеренные характеристики продукта о параметрах и структуре оборудования);
− механизм вывода применяется для модификации данных и выработки рекомендаций и управляющих решений;
− необходимость работы в реальном времени;
− необходимость реализации темпоральных рассуждений (учет изменяющихся условий).
Работа системы организуется на трех уровнях:
− база знаний (БЗ) включает в себя правила решения проблем, процедуры решения проблем, данные о проблемной области, то есть на уровне баз знаний организуется сама технология и вся стратегия управления технологическим процессом;
− рабочая память содержит информацию о заданных характеристиках и данные о рассматриваемом процессе (БД);
− механизм вывода (в обычной системе – это регулятор) содержит в себе общий механизм управления для достижения конечной цели (приемлемого решения).
Важным компонентом являются блоки связи между технологическим процессом с БД и БЗ (блоки «Анализ данных» и «Данные о процессе»). Они обеспечивают пользователю верхний уровень доступа к производственной информации о технологическом процессе с объектов нижнего уровня, т. е. поддерживают содержание БД и БЗ в актуальном состоянии путем обновления. Блоки также обеспечивают функции мониторинга с целью предупреждения критических ситуаций.
Обоснование и объяснение взвешенности и адекватности реакции системы на развитие производственной ситуации обеспечивают блоки «Диалоговый интерфейс» и «Управляющие данные».
https://pandia.ru/text/78/057/images/image007_118.gif" width="357" height="149 src=">
Рис. 2. Структура СИИ управления технологическим процессом
1.2.3. СИИ диагностирования
Данная система в основном не отличается от предыдущей системы. И поскольку признаки различных дефектов во многом могут совпадать и могут быть непостоянны их проявления, то в этих системах более развернуто присутствуют компоненты обоснования и объяснения диагноза. Поэтому очень часто в таких системах вводят оценку решений с точки зрения субъективной вероятности.
1.2.4. СИИ роботизированных линий и гибких производственных систем
Особенностью таких систем является наличие модели мира. Робототехническая система действует в своих специфических условиях, и в принципе возможно детальное описание этой окружающей среды. Данная математическая модель среды называется моделью внешнего мира . Она есть основное содержание БЗ СИИ робота, а другой частью БЗ является знание о целях системы (рис. 3).
https://pandia.ru/text/78/057/images/image009_112.gif" width="294" height="100 src=">
Рис. 3. СИИ роботизированных линий и гибких производственных систем
Система восприятия состояния среды включает в себя:
− сенсоры, непосредственно связанные с внешней средой;
− подсистему предварительной обработки;
− блок сегментации характерных особенностей;
− символическое описание состояния среды;
− семантическое описание состояния среды;
− блок формирования модели состояния среды.
Механизм вывода или система планирования поведения определяет действия робота во внешней среде в результате сложившейся ситуации и согласно глобальной цели. Состоит из:
− системы вывода решений;
− блока планирования движения исполнительных механизмов.
Система исполнения действий включает в себя:
− подсистему управления приводом;
− привод;
− исполнительные устройства.
1.2.5. СИИ планирования и диспетчеризации
Назначение: решают задачи оперативного управления , сопоставления результатов наблюдения за функционированием объекта с точки зрения плановых заданий, а также мониторинг (рис. 4).
Мониторинг – непрерывная или периодическая интерпретация сигналов и выдача сообщений при возникновении ситуаций, требующих вмешательства.
Особенность данных систем – действие в реальном времени, связь с распределенной БД интегрированной системы управления. Такая система необходима, так как данные СИИ входят в состав систем управления.
https://pandia.ru/text/78/057/images/image011_89.gif" width="365" height="167 src=">
Рис. 4. СИИ планирования и диспетчеризации
1.3. Проблема представления знаний в СИИ
1.3.1. Знания и данные
Проблема представления знаний возникла как одна из проблем ИИ. Она связана с созданием практически полезных систем, прежде всего ЭС, применяемых в медицине, геологии, химии. Создание такого рода систем требует интенсивных усилий по формализации знания, накопленного в соответствующей науке.
С термином «представление знаний» связывается определенный этап в развитии математического обеспечения ЭВМ. Если на первом этапе доминировали программы, а данные играли вспомогательную роль своеобразной «пищи» для «голодных» программ, то на последующих этапах роль данных неуклонно возрастала. Их структура усложнялась: от машинного слова, размещенного в одной ячейке памяти ЭВМ, происходил переход к векторам, массивам, файлам, спискам. Венцом этого развития стали абстрактные типы данных – классы. Последовательное развитие структур данных привело к их качественному изменению и к переходу от представления данных к представлению знаний.
приобретение знания
Уровень представления знаний отличается от уровня представления данных не только более сложной структурой, но и существенными особенностями: интерпретируемость, наличие классифицируемых связей, наличие ситуативных отношений (одновременности, нахождения в одной точке пространства и т. п., эти отношения определяют ситуативную совместимость тех или иных знаний, хранимых в памяти). Кроме того, для уровня знаний характерны такие признаки, как наличие специальных процедур обобщения, пополнения имеющихся в системе знаний и ряда других процедур.
Представлению данных присущ пассивный аспект: книга, таблица, заполненная информацией память. В теории ИИ особо подчеркивается активный аспект представления знаний: приобретение знания должно стать активной операцией, позволяющей не только запоминать, но и применять воспринятые (приобретенные, усвоенные) знания для рассуждений на их основе.
1.3.2. Идея саморазвивающихся машин
Исследования в области ИИ возникли под влиянием идей кибернетики – прежде всего идеи общности процессов управления и передачи информации в живых организмах, обществе и технике, в частности, в компьютерах.
Философская приемлемость проблематики ИИ в ее традиционном виде была обусловлена лежащим в ее основе представлением о том, что порядок и связь идей те же, что порядок и связь вещей. Тем самым создать в компьютере структуру, воспроизводящую «мир идей», означало попросту создать структуру, изоморфную структуре вещественного мира, т. е. построить «электронную модель мира». Эта модель рассматривалась как компьютерная модель – модель человеческих знаний о мире. Процесс человеческого мышления интерпретировался в компьютере как машинный поиск таких трансформаций модели, которые должны были перевести компьютерную модель в некое финальное состояние. СИИ нуждалась в знаниях о том, как осуществлять трансформации состояний модели, приводящие к заранее заданной цели – состоянию с определенными свойствами. В первое время было распространено убеждение в принципиальной способности компьютера к самостоятельному исследованию хранящейся в нем модели, то есть к самообучению стратегии достижения поставленной цели.
Данная гипотетическая способность интерпретировалась как возможность машинного творчества, как основа создания будущих «мыслящих машин». И хотя в реально разрабатывавшихся системах достижение цели осуществлялось на основе человеческого опыта с помощью алгоритмов, основанных на теоретическом анализе создаваемых моделей и результатов проводимых на них экспериментов, идеи построения самообучающихся систем многим казались наиболее перспективными. Лишь к 80-му году была осознана значимость проблемы использования в интеллектуальных системах человеческих знаний о действительности, повлекшая серьезную разработку баз знаний и методов извлечения личных знаний экспертов.
1.3.3. Рефлексия как составляющая интеллектуальной деятельности
С развитием данного направления возникла идея рефлексивного управления. До этого момента в кибернетике управление рассматривалось как передача объекту сигналов, непосредственно воздействующих на его поведение, а эффективность управления достигалась с помощью обратной связи – получения информации о реакциях управляемого объекта. Рефлексивное же управление – есть передача информации, воздействующей на имеющийся у объекта образ мира. Тем самым обратная связь оказывается излишней – состояние субъекта известно передающему информацию, то есть объекту.
Традиционные СИИ основаны на идеологии целеориентированного поведения типа шахматной игры, где цель обоих партнеров состоит в том, чтобы поставить мат ценой любых жертв. Не случайно именно шахматные программы оказались столь важными для отработки методов ИИ.
Анализ функционирования собственной модели или модели «всей окружающей действительности» (в рамках поставленной задачи), контроль над ее состоянием, прогнозирование состояния – есть не что иное, как реализация рефлексии. Рефлексия – есть некий метауровень. С применением языков программирования высокого уровня, таких как Пролог, позволяющий формулировать цели и строить логические выводы достижимости этих целей, задача реализации рефлексии уже может быть частично решена. С их помощью можно построить некую надстройку, некий метауровень, позволяющий оценивать поведение предыдущего. Однако при рассмотрении термина «глубокая рефлексия» или «многоуровневая рефлексия» встает проблема построения моделей самой системой. Здесь на помощь приходят абстрактные типы данных. Они позволяют оперировать структурами данных любой конечной сложности. Таким образом, можно считать, что системы искусственного интеллекта могут содержать модель рефлексии.
Таким образом, считать интеллектуальную систему полноценной без умения оценивать, «понимать» свои действия, то есть рефлексировать, нельзя. Более того, рефлексию следует считать одним из главных инструментов построения поведения систем. Говоря языком математики, рефлексия является необходимым условием существования интеллектуальной системы.
1.3.4. Языки представления знаний
В определенном смысле любая компьютерная программа содержит знания. Программа сортировки по методу «пузырька» содержит знания программиста о том, как упорядочить элементы списка. Разобраться в сути компьютерной программы, решающей задачу сортировки списков, совсем непросто. Она содержит знания программиста о методе решения задачи, но, помимо этих знаний, в ней содержатся и другие:
− как манипулировать языковыми конструкциями используемого языка программирования;
− как добиться высокой производительности программы;
− как выбрать подходящие методы решения частных проблем обработки данных, играющих тем не менее важную роль в достижении конечного результата, и как организовать управление процессом.
Языки представления знания являются языками высокого уровня, специально предназначенными для кодирования в явном виде фрагментов знаний человека, таких как правила влияния и набор свойств типовых объектов, причем высокий уровень языка проявляется в том, что от пользователя скрываются, насколько это возможно, технические подробности механизма представления знаний. В отличие от более привычных языков программирования, языки представления знаний исключительно экономичны в смысле объема программного кода. В значительной мере это объясняется тем, что заботу о множестве мелочей берет на себя интерпретатор языка.
Несмотря на отмеченные достоинства таких языков, нельзя забывать и о существовании определенных проблем при их применении.
Переход от описания знаний о предметной области на всем понятном «человеческом» языке к их представлению в виде какого-либо формализма, воспринимаемого компьютером, требует определенного искусства, поскольку невозможно (по крайней мере на сегодняшний день) описать, как механически выполнить такое преобразование. Так как возможности логического вывода, которые может реализовать программа, напрямую связаны с выбором способа представления знаний, то именно представление знаний, а не их извлечение является самым узким местом в практике проектирования ЭС.
Настоящее учебное пособие включает в себя основы программирования на языке Prolog, решение задач методом поиска, вероятностные методы, основы нейронных сетей, а также принципы представления знаний с помощью семантических сетей. Каждый из разделов учебного пособия обеспечен практическими и лабораторными работами. В приложениях содержатся краткие описания среды SWI-Prolog, программы нейросетевого мо
Настоящее учебное пособие включает в себя основы программирования на языке Prolog, решение задач методом поиска, вероятностные методы, основы нейронных сетей, а также принципы представления знаний с помощью семантических сетей. Каждый из разделов учебного пособия обеспечен практическими и лабораторными работами. В приложениях содержатся краткие описания среды SWI-Prolog, программы нейросетевого моделирования NeuroGenetic Optimizer и программы визуализации знаний Semantic.Соответствует актуальным требованиям Федерального государственного образовательного стандарта высшего образования.Для студентов высших учебных заведений, обучающихся по инженерно-техническим направлениям.
Книга «Системы искусственного интеллекта. Учебное пособие » автора Бессмертный Игорь Александрович оценена посетителями КнигоГид, и её читательский рейтинг составил 0.00 из 10.
Для бесплатного просмотра предоставляются: аннотация, публикация, отзывы, а также файлы на скачивания.
С.Г. ТОЛМАЧЕВ
ИСКУССТВЕННОГО ИНТЕЛЛЕКТА.
НЕЙРОСЕТЕВЫЕ МОДЕЛИ
Министерство образования и науки Российской Федерации Балтийский государственный технический университет «Военмех»
Кафедра «Системы обработки информации и управления»
С.Г. ТОЛМАЧЕВ
ИСКУССТВЕННОГО ИНТЕЛЛЕКТА.
НЕЙРОСЕТЕВЫЕ МОДЕЛИ
Учебное пособие
Санкт-Петербург
УДК 004.8(075.8) Т52
Толмачев, С.Г.
Т52 Системы искусственного интеллекта. Нейросетевые модели: учебное пособие / С.Г. Толмачев; Балт. гос. техн. ун-т. – СПб., 2011. 132 с
ISBN 978-5 -85546-633-1
Приводятся основные сведения о структуре и принципах функционирования искусственных нейронных сетей. Рассматриваются функционирование формального нейрона, классификация нейронных сетей по их архитектуре и видам обучения, типовые постановки различных нейросетевых задач и способы их решения.
Предназначено для студентов старших курсов, обучающихся по специальностям «Информационные системы и технологии» и «Автоматизированные системы обработки информации и управления».
УДК 004.8(075.8)
Р е ц е н з е н т ы: д-р техн. наук проф., глав. науч. сотрудник ОАО «Концерн «Гранит-Электрон»» С.Н. Шаров ; канд. техн. наук, проф., зав. каф. И5 БГТУ Н.Н. Смирнова
Утверждено редакционно-издательским советом университета
ВВЕДЕНИЕ
Одним из наиболее мощных инструментов создания интеллектуальных систем являются искусственные нейронные сети (ИНС), моделирующие базовые механизмы обработки информации, присущие человеческому мозгу. Известно, что мозг работает принципиально другим образом и зачастую более эффективно, чем любая вычислительная машина, созданная человеком. Именно этот факт в течение многих лет побуждает ученых к работе по созданию и исследованию искусственных нейронных сетей.
Мозг представляет собой чрезвычайно сложную систему обработки информации. Он обладает способностью организовывать свои структурные компоненты, называемые нейронами, так, чтобы они могли выполнять конкретные задачи (распознавание образов, обработка сигналов органов чувств, моторные функции) во много раз быстрее, чем самые быстродействующие современные компьютеры. Примером такой задачи может служить обычное зрение. В функции зрительной системы входит создание представления об окружающем мире в таком виде, который обеспечивает возможность взаимодействия с ним. Мозг последовательно выполняет задачи по распознаванию (например, распознавание знакомого лица в незнакомом окружении) и затрачивает на это 100…200 мс. Выполнение аналогичных задач меньшей сложности на компьютере может занять несколько часов.
Чтобы осознать масштабы проблемы создания машины, работающей так же совершенно, как наш мозг, достаточно задуматься над некоторыми рутинными задачами, выполняемыми нами ежедневно. Допустим, Вы сидите за рабочим столом, и в это время в комнату входит Ваш коллега, вернувшийся из отпуска. На нем новая футболка, на загорелом лице солнцезащитные очки, и выглядит он несколько помолодевшим, потому что сбрил бороду. Узнаете ли вы его? Несомненно, поскольку маскировка не входит в его планы. В процессе разговора он спрашивает Вас: «А где книга, которую я дал Вам почитать?». Вы интерпретируете вопрос как просьбу вернуть книгу. Затем переводите взгляд на свой стол и
видите среди лежащих на нем книг и стопок бумаг ту книгу, о которой идет речь, протягиваете к ней руку, извлекаете из груды документов и отдаете коллеге. Такие повседневные задачи не требуют от нас большого интеллектуального напряжения, но решение каждой из них включает в себя множество точно рассчитанных шагов. Сложность решения таких задач можно почувствовать, пытаясь программировать компьютерную систему для распознавания объектов по их внешнему виду или другим признакам, принимающую решения, в зависимости от контекста и т.п.
Более простым примером может служить сонар летучей мыши, представляющий собой систему активной эхо-локации. Кроме представления информации о расстоянии до нужного объекта, этот локатор позволяет вычислить такие параметры объекта, как относительная скорость, размер отдельных элементов и направление движения. Для выделения этой информации из получаемого сигнала крохотный мозг летучей мыши производит сложные нейронные вычисления.
Что же позволяет мозгу человека или летучей мыши добиться таких результатов? При рождении мозг уже имеет совершенную структуру, позволяющую строить собственные правила на основании того, что обычно называется опытом. Опыт накапливается с течением времени до последних дней жизни человека, при этом особенно масштабные изменения происходят в первые два года жизни.
Развитие нейронов связано с понятием пластичности мозга – способности настройки нервной системы в соответствии с окружающими условиями. Пластичность играет самую важную роль в работе нейронов в качестве элементарных единиц обработки информации в человеческом мозге. Аналогичным образом в ИНС происходит настройка искусственных нейронов. В общем случае ИНС представляет собой машину, моделирующую способ решения мозгом конкретной задачи. Эта сеть реализуется с помощью электронных компонентов (нейропроцессоров) или моделируется программой, выполняемой на цифровом компьютере. Для того чтобы добиться высокой производительности, в ИНС используют множество взаимосвязей между элементарными ячейками вычислений – нейронами. Среди множества определений нейронных сетей наиболее точным является определение ИНС как адаптивной машины: искусственная нейронная сеть это распределенный
параллельный процессор, состоящий из типовых элементов обработки информации, накапливающих экспериментальные знания, и предоставляющий их для последующей обработки. Нейронная сеть сходна с мозгом в двух аспектах:
1) знания поступают в нейронную сеть из окружающей среды
и используются сетью в процессе обучения;
2) для накопления знаний используются межнейронные связи, называемые также синаптическими весами.
Процедура, используемая для осуществления процесса обучения, называется алгоритмом обучения. Ее функция состоит в модификации синаптических весов ИНС определенным образом так, чтобы сеть приобрела необходимые свойства.
Модификация весов является традиционным способом обучения ИНС. Такой подход близок к теории адаптивных линейных фильтров, которые применяются в управлении. Однако для ИНС существует еще и возможность модификации собственной топологии, основывающаяся на том факте, что в живом мозге нейроны могут отмирать, а новые синаптические связи могут создаваться.
Таким образом, ИНС реализуют свою вычислительную мощь благодаря двум основным своим свойствам: параллельно-распре- деленной структуре и способности обучаться и обобщать полученные знания. Под свойством обобщения понимается способность ИНС генерировать правильные выходы для входных сигналов, которые не были учтены в процессе обучения (тренировки). Эти два свойства делают ИНС системой обработки информации, способной решать сложные многомерные задачи, которые на сегодняшний день являются трудноразрешимыми.
Следует отметить, что на практике автономные ИНС зачастую не могут обеспечить готовые решения. Их следует интегрировать в сложные системы. Комплексную задачу можно разбить на ряд более простых задач, часть из которых может быть решена нейронными сетями.
Области применения ИНС весьма разнообразны: распознавание и анализ текста и речи, семантический поиск, экспертные системы и системы поддержки принятия решений, предсказание курсов акций, системы безопасности. Можно привести несколько примеров использования ИНС в разных областях.
1. Системы безопасности на транспорте. Американская фирма
Science Application International Corporation использовала ИНС в
своем проекте TNA. Разрабатываемое устройство предназначено для обнаружения пластиковой взрывчатки в запакованном багаже. Багаж подвергается бомбардировке частицами, вызывающими вторичное излучение, спектр которого анализируется нейронной сетью. Устройство обеспечивает вероятность обнаружения взрывчатки выше 97% и способно просматривать 10 мест багажа в минуту.
2. Нейросетевые программные пакеты на финансовых рынках. Американский Chemical Bank использует нейросетевую систему фирмы Neural Data для предварительной обработки транзакций на валютных биржах, фильтруя «подозрительные» сделки. Citibank использует нейросетевые предсказания с 1990 г. Автоматический дилинг показывает доходность, превышающую показатели большинства брокеров. Можно отметить, что труды семинара «Искусственный интеллект на Уолл-стрит» составляют несколько увесистых томов.
3. Мониторинг и автоматическая рубрикация новостей. Распо-
знавание темы текстовых сообщений другой пример использования ИНС. Сервер новостей Convectis (продукт фирмы Aptex Software Inc.) обеспечивает автоматическую рубрикацию сообщений по категориям. Сверяя значения слов по контексту, Convectis способен в реальном масштабе времени распознавать тематику и рубрицировать огромные потоки текстовых сообщений, передаваемых по сетям Reuters, NBC, CBS и др. После анализа сообщения генерируется аннотация, список ключевых слов и список рубрик, к которым относится данное сообщение
4. Автопилотирование беспилотных летательных аппаратов. Гиперзвуковой самолет-разведчик LoFLYTE (Low-Observable Flight Test Experiment) реактивный беспилотный самолет длиной 2,5 м был разработан для NASA и ВВС США фирмой Accurate Automation Corp. в рамках программы поддержки малого инновационного бизнеса. Это экспериментальная разработка для исследования новых принципов пилотирования. Она включает нейронные сети, позволяющие автопилоту обучаться, копируя приемы пилотирования летчика. Со временем нейросети перенимают опыт управления, а скорость обработки информации позволяет быстро находить выход в экстремальных и аварийных ситуациях. LoFLYTE предназначен для полетов со сверхзвуковой скоростью, когда скорости реакции пилота может не хватить для адекватного реагирования на изменения режима полета.
В настоящее время ИНС являются важным расширением понятия вычисления. Они уже позволили справиться с рядом непростых проблем и обещают создание новых программ и устройств, способных решать задачи, которые пока под силу только человеку. Современные нейрокомпьютеры используются, в основном, в виде программных продуктов и поэтому редко задействуют свой потенциал «параллелизма». Эпоха настоящих параллельных нейровычислений начнется с появлением на рынке аппаратных реализаций специализированных нейрочипов и плат расширения, предназначенных для обработки речи, видео, статических изображений и других типов образной информации.
Другой областью применения ИНС является их использование
в специализированных программных агентах-роботах, предназначенных для обработки информации, а не для физической работы. Интеллектуальные помощники должны облегчать пользователям общение с компьютером. Их отличительной чертой будет стремление как можно лучше понять, что от них требуется, за счет наблюдения и анализа поведения своего «хозяина». Стараясь обнаружить
в этом поведении некоторые закономерности, интеллектуальные агенты должны своевременно предложить свои услуги для выполнения определенных операций, например для фильтрации новостных сообщений, для резервного копирования документов, над которыми работает пользователь, и т.п. Именно поэтому ИНС, способные обобщать данные и находить в них закономерности, являются естественным компонентом подобных программных агентов.
1. КОМПЬЮТЕРЫ И МОЗГ
1.1. Биологический нейрон
Нервную систему человека можно упрощенно представить в виде трехступенчатой структуры. Центром этой системы является мозг, состоящий из сети нейронов (рис. 1.1). Он получает информацию, анализирует ее и выдает соответствующие решения. Рецепторы преобразуют сигналы из окружающей среды и внутренних органов в электрические импульсы, воспринимаемые нейронной сетью (мозгом). Рецепторы обеспечивают связь нашего мозга с внешним миром, реализуя поступление в него зрительной, слуховой, вкусовой, обонятельной и осязательной информации. Эф-
фекторы преобразуют электрические импульсы, сгенерированные мозгом, в выходные сигналы, управляющие мышцами, внутренними органами, стенками сосудов. Таким образом мозг контролирует работу сердца, дыхание, кровяное давление, температуру, поддерживает нужное содержание кислорода в крови и т.д. Промежуточные нейроны обрабатывают информацию, получаемую от сенсорных нейронов, и передают ее эффекторным нейронам.
Рис. 1.1. Упрощенная схема нервной системы
Нужно отметить, что мозг построен из клеток двух типов: глиальных и нейронов. И хотя роль глиальных клеток, видимо, довольно значительна, большинство ученых полагают, что в основном понять работу мозга можно при изучении нейронов, объединенных в единую связанную сеть. Этот подход и используется при построении искусственных нейронных сетей (ИНС).
Следует отметить, что имеются и другие мнения. Некоторые исследователи считают, что главные процессы происходят не в нейронной сети, а в самих клетках, а именно в их цитоскелетоне, в так называемых микротрубочках. Согласно этой точке зрения, и память, и даже сознание определяются изменениями белков во внутриклеточных структурах и связанными с ними квантовыми эффектами.
Количество нейронов в мозге оценивается величиной 1010 …1011 . В биологическом нейроне можно выделить следующие структурные единицы (рис. 1.2):
тело клетки (сому);
дендриты множество ветвящихся коротких (не более 1 мм) нервных волокон, которые собирают информацию от других нейронов;
аксон единственное тонкое длинное (иногда больше метра) нервное волокно. Аксон обеспечивает проведение импульса и передачу воздействия на другие нейроны или мышечные волокна. На своем окончании аксон также разветвляется и образует контакты с дендритами других нейронов;
Учебное пособие знакомит читателей с историей искусственного интеллекта, моделями представления знаний, экспертными системами и нейронными сетями. Описаны основные направления и методы, применяемые при анализе, разработке и реализации интеллектуальных систем. Рассмотрены модели представления знаний и методы работы с ними, методы разработки и создания экспертных систем. Книга поможет читателю овладеть навыками логического проектирования баз данных предметной области и программирования на языке ProLog.
Для студентов и преподавателей педагогических вузов, учителей общеобразовательных школ, гимназий, лицеев.
Понятие об искусственном интеллекте.
Система искусственного интеллекта (ИИ) - это программная система, имитирующая на компьютере процесс мышления человека. Для создания такой системы необходимо изучить сам процесс мышления человека, решающего определенные задачи или принимающего решения в конкретной области, выделить основные шаги этого процесса и разработать программные средства, воспроизводящие их на компьютере. Следовательно, методы ИИ предполагают простой структурный подход к разработке сложных программных систем принятия решений .
Искусственный интеллект - это направление информатики, целью которого является разработка аппаратно-программных средств, позволяющих пользователю-непрограммисту ставить и решать свои традиционно считающиеся интеллектуальными задачи, общаясь с ЭВМ на ограниченном подмножестве естественного языка.
ОГЛАВЛЕНИЕ
Глава 1. Искусственный интеллект
1.1. Введение в системы искусственного интеллекта
1.1.1. Понятие об искусственном интеллекте
1.1.2. Искусственный интеллект в России
1.1.3. Функциональная структура системы искусственного интеллекта
1.2. Направления развития искусственного интеллекта
1.3. Данные и знания. Представление знаний в интеллектуальных системах
1.3.1. Данные и знания. Основные определения
1.3.2. Модели представления знаний
1.4. Экспертные системы
1.4.1. Структура экспертной системы
1.4.2. Разработка и использование экспертных систем
1.4.3. Классификация экспертных систем
1.4.4. Представление знаний в экспертных системах
1.4.5. Инструментальные средства построения экспертных систем
1.4.6. Технология разработки экспертной системы
Контрольные вопросы и задания к главе 1
Литература к главе 1
Глава 2. Логическое программирование
2.1. Методологии программирования
2.1.1. Методология императивного программирования
2.1.2. Методология объектно-ориентированного программирования
2.1.3. Методология функционального программирования
2.1.4. Методология логического программирования
2.1.5. Методология программирования в ограничениях
2.1.6. Методология нейросетевого программирования
2.2. Краткое введение в исчисление предикатов и доказательство теорем
2.3. Процесс логического вывода в языке Prolog
2.4. Структура программы на языке Prolog
2.4.1. Использование составных объектов
2.4.2. Использование альтернативных доменов
2.5. Организация повторений в языке Prolog
2.5.1. Метод отката после неудачи
2.5.2. Метод отсечения и отката
2.5.3. Простая рекурсия
2.5.4. Метод обобщенного правила рекурсии (ОПР)
2.6. Списки в языке Prolog
2.6.1. Операции над списками
2.7. Строки в языке Prolog
2.7.1. Операции над строками
2.8. Файлы в языке Prolog
2.8.1. Предикаты Prolog для работы с файлами
2.8.2. Описание файлового домена
2.8.3. Запись в файл
2.8.4. Чтение из файла
2.8.5. Модификация существующего файла
2.8.6. Дозапись в конец уже существующего файла
2.9. Создание динамических баз данных в языке Prolog
2.9.1. Базы данных на Prolog
2.9.2. Предикаты динамической базы данных в языке Prolog
2.10. Создание экспертных систем
2.10.1. Структура экспертной системы
2.10.2. Представление знаний
2.10.3. Методы вывода
2.10.4. Система пользовательского интерфейса
2.10.5. Экспертная система, базирующаяся на правилах
Контрольные вопросы и задания к главе 2
Литература к главе 2
Глава 3. Нейронные сети
3.1. Введение в нейронные сети
3.2. Искусственная модель нейрона
3.3. Применение нейронных сетей
3.4. Обучение нейросети
Контрольные вопросы и задания к главе 3
Литература к главе 3.
Бесплатно скачать электронную книгу в удобном формате, смотреть и читать:
Скачать книгу Основы искусственного интеллекта, Боровская Е.В., Давыдова Н.А., 2016 - fileskachat.com, быстрое и бесплатное скачивание.
Учебное пособие « СУБД: Язык SQL в примерах и задачах» авторов Астаховой И.Ф., Тодстоброва А.П., Мельникова В.М., Фертикова В.В, вышедшее в издательстве ФИЗМАТЛИТ в 2007 году и имеющее гриф Минобрнауки, содержит подборку примеров, задач и упражнений различной степени сложности для обеспечения практических и лабораторных занятий по изучению основ языка SQL в рамках учебного курса посвященного информационным системам с базами данных по направлению подготовки и специальности "Прикладная математика и информатика". Информационные системы, использующие базы данных, в настоящее время представляют собой одну из важнейших областей современных компьютерных технологий. С этой сферой связана большая часть современного рынка программных продуктов. Учитывая место, занимаемое языком SQL в современных информационных технологиях, его знание необходимо любому специалисту, работающему в этой области. Поэтому его практическое освоение является неотъемлемой частью учебных курсов, направленных на изучение информационных систем с базами данных. В настоящее время такие курсы входят в учебные планы ряда университетских специальностей. Несомненно, что для обеспечения возможности получения студентами устойчивых навыков владения языком SQL, соответствующий учебный курс, помимо теоретического ознакомления с основами языка, должен обязательно содержать достаточно большой объем лабораторных занятий по его практическому использованию. Предлагаемое учебное пособие направлено в первую очередь на методическое обеспечение именно такого рода занятий. В связи с этим в нем основное внимание уделяется подбору практических примеров, задач и упражнений различной степени сложности по составлению SQL-запросов, позволяющих обеспечить проведение практических занятий по изучению языка в течение учебного семестра.
Учебное пособие «Системы искусственного интеллекта. Практический курс» авторов Астаховой И.Ф., Чулюкова В.А., Потапова А.С., Миловской Л.С., Кашириной И.Л., Богдановой М.В., Просветовой Ю.В., имеющее гриф УМО по классическому университетскому образованию и вышедшее в издательствах БИНОМ. ЛАБОРАТОРИЯ ЗНАНИЙ и ФИЗМАТЛИТ в 2008 году, подготовлено для проведения лекционных и лабораторных занятий по дисциплинам «Банки данных и экспертные системы», «Базы данных и экспертные системы», «Системы искусственного интеллекта», «Информационные интеллектуальные системы». Эта книга посвящена направлению информатики, по которому за последние годы очень мало отечественной учебной литературы для высших учебных заведений. Переводные книги, скорее, носят характер научных изданий, чем учебных пособий. Необходимо было придумать массу примеров, лабораторных заданий, которые студенты выполняли бы на компьютере и приобретали знания, умения и навыки (с точки зрения компетентностного подхода к образованию).
Основным достоинством и существенным отличием данного учебного пособия от аналогичных изданий является наличие в нем около 100 примеров, 235 упражнений, 79 вопросов для повторения пройденного материала, 11 лабораторных работ, в которых изучается 6 различных программных продуктов.
Библиографическая ссылка
Астахова И.Ф., Толстобров А.П., Чулюков В.А., Потапов А.С. УЧЕБНЫЕ ПОСОБИЯ «СУБД: ЯЗЫК SQL В ПРИМЕРАХ И ЗАДАЧАХ», «ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ. ПРАКТИЧЕСКИЙ КУРС» // Современные проблемы науки и образования. – 2009. – № 1.;URL: http://science-education.ru/ru/article/view?id=901 (дата обращения: 17.09.2019). Предлагаем вашему вниманию журналы, издающиеся в издательстве «Академия Естествознания»
