Tutorial sa artificial intelligence systems. Mga modernong problema ng agham at edukasyon

Ang tutorial ay nagpapakilala sa mga mambabasa sa kasaysayan ng artificial intelligence, mga modelo ng representasyon ng kaalaman, mga expert system at neural network. Ang mga pangunahing direksyon at pamamaraan na ginamit sa pagsusuri, pagbuo at pagpapatupad ng mga matalinong sistema ay inilarawan. Ang mga modelo ng representasyon ng kaalaman at mga pamamaraan ng pagtatrabaho sa kanila, mga pamamaraan ng pag-unlad at paglikha ng mga sistema ng dalubhasa ay isinasaalang-alang. Tutulungan ng libro ang mambabasa na makabisado ang mga kasanayan sa lohikal na disenyo ng mga database ng domain at programming sa wikang ProLog.
Para sa mga mag-aaral at guro ng mga unibersidad ng pedagogical, mga guro ng mga sekondaryang paaralan, gymnasium, lyceum.

Ang konsepto ng artificial intelligence.
Ang artificial intelligence (AI) system ay isang software system na ginagaya ang proseso ng pag-iisip ng tao sa isang computer. Upang lumikha ng ganoong sistema, kinakailangan na pag-aralan ang mismong proseso ng pag-iisip ng isang tao na lumulutas ng ilang mga problema o gumagawa ng mga desisyon sa isang partikular na lugar, i-highlight ang mga pangunahing hakbang ng prosesong ito at bumuo ng mga tool ng software na nagpaparami sa kanila sa isang computer. Samakatuwid, ang mga pamamaraan ng AI ay nagsasangkot ng isang simpleng diskarte sa istruktura sa pagbuo ng mga kumplikadong sistema ng paggawa ng desisyon sa software.

Ang artificial intelligence ay isang sangay ng informatics, ang layunin kung saan ay bumuo ng mga tool ng hardware at software na nagpapahintulot sa isang user na hindi programmer na itakda at lutasin ang kanilang tradisyonal na itinuturing na mga intelektwal na gawain, na nakikipag-ugnayan sa isang computer sa isang limitadong subset ng natural na wika.

TALAAN NG NILALAMAN
Kabanata 1. Artipisyal na Katalinuhan
1.1. Panimula sa mga sistema ng artificial intelligence
1.1.1. Ang konsepto ng artificial intelligence
1.1.2. Artipisyal na katalinuhan sa Russia
1.1.3. Functional na istraktura ng artificial intelligence system
1.2. Mga direksyon para sa pagbuo ng artificial intelligence
1.3. Data at kaalaman. Representasyon ng kaalaman sa mga matalinong sistema
1.3.1. Data at kaalaman. Mga pangunahing kahulugan
1.3.2. Mga Modelo ng Representasyon ng Kaalaman
1.4. Mga sistema ng dalubhasa
1.4.1. Istraktura ng isang sistema ng dalubhasa
1.4.2. Pag-unlad at paggamit ng mga ekspertong sistema
1.4.3. Pag-uuri ng mga sistema ng dalubhasa
1.4.4. Representasyon ng kaalaman sa mga sistema ng dalubhasa
1.4.5. Mga tool para sa pagbuo ng mga expert system
1.4.6. Teknolohiya ng pag-unlad ng dalubhasang sistema
Kontrolin ang mga tanong at gawain para sa kabanata 1
Panitikan para sa Kabanata 1
Kabanata 2 Logic Programming
2.1. Mga Pamamaraan sa Programming
2.1.1. Pamamaraan ng imperative programming
2.1.2. Pamamaraan ng object-oriented programming
2.1.3. Pamamaraan ng functional na programming
2.1.4. Logic programming methodology
2.1.5. Pamamaraan ng Constraint Programming
2.1.6. Pamamaraan sa Programming ng Neural Network
2.2. Isang maikling panimula sa predicate calculus at theorem proving
2.3. Proseso ng Hinuha sa Prolog
2.4. Istraktura ng programa sa Prolog
2.4.1. Paggamit ng tambalang bagay
2.4.2. Paggamit ng mga kahaliling domain
2.5. Pag-aayos ng mga Pag-uulit sa Prolog
2.5.1. Paraan ng pagbabalik pagkatapos ng pagkabigo
2.5.2. Cut at rollback na paraan
2.5.3. simpleng recursion
2.5.4. Generalized Recursion Rule Method (GRR)
2.6. Mga listahan sa Prolog
2.6.1. Mga operasyon sa mga listahan
2.7. Mga String sa Prolog
2.7.1. Mga operasyon sa mga string
2.8. Mga file sa Prolog
2.8.1. Prolog predicates para sa pagtatrabaho sa mga file
2.8.2. Paglalarawan ng domain ng file
2.8.3. Sumulat sa file
2.8.4. Pagbabasa mula sa isang file
2.8.5. Pagbabago ng isang umiiral na file
2.8.6. Nagdaragdag sa dulo ng isang umiiral na file
2.9. Paglikha ng Mga Dynamic na Database sa Prolog
2.9.1. Mga database sa Prolog
2.9.2. Mga Predicate ng Dynamic na Database sa Prolog
2.10. Paglikha ng mga ekspertong sistema
2.10.1. Istraktura ng isang sistema ng dalubhasa
2.10.2. Representasyon ng Kaalaman
2.10.3. Mga Paraan ng Output
2.10.4. Sistema ng UI
2.10.5. Rule Based Expert System
Kontrolin ang mga tanong at gawain para sa kabanata 2
Panitikan para sa kabanata 2
Kabanata 3 Mga Neural Network
3.1. Panimula sa Mga Neural Network
3.2. Modelo ng artipisyal na neuron
3.3. Paglalapat ng mga neural network
3.4. Pagsasanay sa neural network
Kontrolin ang mga tanong at gawain para sa kabanata 3
Panitikan para sa kabanata 3.

Libreng pag-download ng e-book sa isang maginhawang format, panoorin at basahin:
I-download ang aklat na Fundamentals of Artificial Intelligence, Borovskaya E.V., Davydova N.A., 2016 - fileskachat.com, mabilis at libreng pag-download.

FEDERAL AGENCY PARA SA EDUKASYON

INSTITUSYON NG EDUKASYONAL NG ESTADO

HIGHER PROFESSIONAL EDUCATION

"VOLGOGRAD STATE TECHNICAL UNIVERSITY"

KAMYSHINSKY TECHNOLOGICAL INSTITUTE (BRANCH)

SEI HPE "VOLGOGRAD STATE TECHNICAL UNIVERSITY"

PRAKTIKAL NA KURSO SA DISIPLINA "SYSTEMS OF ARTIFICIAL INTELLIGENCE"

Pang-edukasyon na elektronikong edisyon

Volgograd

NL - natural na wika

AI - artificial intelligence

LP - lohika ng mga panaguri

gumagawa ng desisyon - gumagawa ng desisyon

MT - Turing machine

PGA - isang simpleng genetic algorithm

Ang PPF ay isang mahusay na nabuong formula

PRO - primitive recursive operator

PRF - primitive recursive function

RF - recursive function

SNI - sistema ng artificial intelligence

FP - fitness function

TF - layunin na pag-andar

ES - sistema ng dalubhasa

PANIMULA

Sa una, ang artificial intelligence ay itinuturing na agham ng paglikha ng mga makina ng pag-iisip. Ang lugar na ito ay itinuturing na banal na grail ng computer science. Sa paglipas ng panahon, ang artificial intelligence ay umunlad sa isang mas pragmatic na disiplina. Kasama pa rin sa lugar na ito ang pag-aaral ng mga mekanismo ng pag-iisip. Sa loob ng balangkas ng artipisyal na katalinuhan, ang iba't ibang mga diskarte para sa solusyon sa computer ng mga kumplikadong praktikal na problema ay isinasaalang-alang. Bilang karagdagan, ngayon ay naging malinaw na ang talino mismo ay masyadong kumplikado isang nilalang na hindi maaaring ilarawan sa loob ng balangkas ng isang teorya. Inilalarawan ito ng iba't ibang teorya sa iba't ibang antas ng abstraction. Ang pag-aaral sa pinakamababang antas ay ibinibigay ng mga neural network na kumikilala sa mga makina, genetic algorithm, at iba pang anyo ng pagtutuos na nagmomodelo sa kakayahang umangkop, makadama, at makipag-ugnayan sa pisikal na mundo. Gumagana sa mas mataas na antas ng abstraction ang mga tagalikha ng mga expert system, matatalinong ahente, stochastic na modelo at natural na sistema ng pag-unawa sa wika. Isinasaalang-alang ng antas na ito ang papel ng mga prosesong panlipunan sa paglikha, paglilipat at pagkuha ng kaalaman. Ang pinakamataas na antas ng abstraction ay kinabibilangan ng mga lohikal na diskarte, kabilang ang deductive, abductive models, truth support system, at iba pang anyo at paraan ng pangangatwiran.

Binabalangkas ng manwal na ito ang mga pundasyon ng ilang mga teoryang mababa ang antas na may mga praktikal na gawain para sa pag-aaral ng mga algorithm batay sa mga probisyon ng mga teoryang ito. Sa partikular, ang mga batayan ng teorya ng pagkilala ng pattern ay isinasaalang-alang sa gawain ng pag-aaral ng mga linear discriminant function at similarity function; teorya ng mga artipisyal na neural network na may pagbabalangkas ng problema ng pag-aaral ng mga katangian ng mga artipisyal na neural network sa problema ng pagkilala sa pattern; genetic algorithm na may pagbabalangkas ng problema sa pag-aaral ng kanilang mga katangian kapag naghahanap ng extremum ng isang function. Upang maisagawa ang mga gawain sa pananaliksik, kinakailangan na makapagprograma sa anumang programming language, mas mabuti ang isang object-oriented.

1.1. Pinagmulan ng Artificial Intelligence Theory

1.1.1. Ang konsepto ng artificial intelligence

Termino katalinuhan(katalinuhan) ay nagmula sa Latin na intellectus, na nangangahulugang ang isip, katwiran, isip, mga kakayahan sa pag-iisip ng isang tao. Kanya-kanya artificial intelligence(AI, sa katumbas sa Ingles: artificial intelligence, AI) ay ang pag-aari ng mga awtomatikong sistema upang gawin ang mga indibidwal na function ng katalinuhan ng tao.

Ang anumang artificial intelligence ay isang modelo ng paggawa ng desisyon na isinasagawa ng natural na katalinuhan ng isang tao. Ang artificial intelligence ay maaaring mag-claim na inihambing sa natural na katalinuhan, sa kondisyon na ang kalidad ng mga nabuong solusyon ay hindi mas masama kaysa sa karaniwang natural na katalinuhan.

1.1.2. Artipisyal na katalinuhan sa automation loop

Sa ganitong mga sistema, ipinakilala ang control loop gumagawa ng desisyon(LPR).

Ang gumagawa ng desisyon ay may sariling sistema ng mga kagustuhan tungkol sa pamantayan ng pamamahala ng bagay, at maging ang layunin ng pagkakaroon ng bagay. Ang gumagawa ng desisyon, kadalasan, ay hindi sumasang-ayon, hindi bababa sa bahagyang, sa mga rehimeng inaalok ng tradisyonal na ACS. Kinokontrol ng gumagawa ng desisyon, bilang panuntunan, ang mga pangunahing parameter ng system, habang ang iba ay kinokontrol ng mga lokal na sistema ng kontrol. May problema sa pag-automate ng aktibidad ng mga gumagawa ng desisyon sa control loop.

Ang AI ay isang direksyon sa pananaliksik na lumilikha ng mga modelo at kaukulang software tool na nagbibigay-daan sa paggamit ng mga computer upang malutas ang mga problema ng isang malikhain, hindi computational na kalikasan, na, sa proseso ng paglutas, ay nangangailangan ng isang apela sa semantics (ang problema ng kahulugan).

Ang AI ay isang software system na ginagaya ang pag-iisip ng tao sa isang computer. Upang lumikha ng ganoong sistema, kinakailangan na pag-aralan ang proseso ng pag-iisip ng gumagawa ng desisyon, i-highlight ang mga pangunahing hakbang ng prosesong ito, bumuo ng software na nagpaparami ng mga hakbang na ito sa isang computer.

1.1.3. Ang konsepto ng intelektwal na gawain at aktibidad

Ang isang tampok ng katalinuhan ng tao ay ang kakayahang malutas ang mga problema sa intelektwal sa pamamagitan ng pagkuha, pagsasaulo at sadyang pagbabago ng kaalaman sa proseso ng pag-aaral mula sa karanasan at pag-angkop sa iba't ibang mga pangyayari.

Mga gawaing intelektwal- mga gawain, ang pormal na paghahati ng proseso ng paghahanap ng solusyon na kadalasang napakahirap, kahit na ang solusyon mismo ay hindi mahirap.

Ang aktibidad ng utak, na naglalayong lutasin ang mga problema sa intelektwal, tatawagin natin ang pag-iisip o aktibidad na intelektwal.

Ang intelektwal na aktibidad ay nagpapahiwatig ng kakayahang maghinuha, bumuo, magdisenyo ng solusyon na hindi tahasan at handa sa system. Ang derivation ng mga solusyon ay posible lamang kung mayroong panloob na representasyon ng kaalaman sa system ( mga modelo ng labas ng mundo) - isang pormal na representasyon ng kaalaman tungkol sa labas ng mundo (awtomatikong lugar ng paksa).

1.1.4. Ang mga unang hakbang sa kasaysayan ng artificial intelligence

Ang mga unang programa na nagpapatupad ng mga tampok ng aktibidad na intelektwal:

1. Pagsasalin sa makina (1947). Sa USSR, mula noong 1955, ang trabaho sa larangan ng pagsasalin ng makina ay nauugnay sa, . Ang gawain ng pagsasalin ng makina ay nangangailangan ng paghihiwalay ng kaalaman mula sa code. Ang paglitaw ng isang intermediary na wika ay minarkahan ang unang pagtatangka na lumikha ng isang wika para sa panloob na representasyon ng kaalaman.

2. Awtomatikong pagtukoy at pagkuha ng impormasyon (1957, USA). Ang ideya ng paghihiwalay ng isang sistema ng mga koneksyon-ugnayan sa pagitan ng mga indibidwal na katotohanan, na nakapaloob sa konsepto ng thesaurus.

3. Patunay ng theorems (1956, USA). Ang paglitaw ng isang programa para sa pagpapatunay ng propositional logic theorems: "Logic-Theorist". Noong 1965, lumitaw ang paraan ng paglutas (J. Robinson, USA), noong 1967, ang reverse method (, USSR). Ang mga pamamaraan ay nagpapatupad ng ideya ng paggamit heuristic– mga pang-eksperimentong panuntunan para sa pagbabawas ng enumeration ng mga opsyon kapag kumukuha ng solusyon.

4. Pagkilala sa pattern (unang bahagi ng 60s). Mga ideya ng teorya ng pagkilala na may kaugnayan sa pag-aaral upang makahanap ng panuntunan ng desisyon sa isang hanay ng mga positibo at negatibong halimbawa.

Noong 1956, nag-organisa sina K. Shannon, M. Minsky at J. McCarthy ng isang kumperensya sa Dartmouth (USA) upang ibuod ang praktikal na karanasan sa pagbuo ng mga programang intelektwal.

1.1.5. Paglikha ng isang teoretikal na batayan

Noong 1969, ang First International Conference on Artificial Intelligence (IJCAI) ay ginanap sa Washington DC. Noong 1976, nagsimulang mailathala ang internasyonal na journal na "Artificial Intelligence". Sa panahon ng 70s, ang mga pangunahing teoretikal na direksyon ng pananaliksik sa larangan ng mga intelligent na sistema ay nabuo:

− representasyon ng kaalaman, pormalisasyon ng kaalaman tungkol sa panlabas na kapaligiran, ang paglikha ng isang panloob na modelo ng panlabas na mundo;

- komunikasyon, paglikha ng mga wika ng pakikipag-ugnayan sa pagitan ng system at ng gumagamit;

− pangangatwiran at pagpaplano, paggawa ng desisyon sa mga alternatibong sitwasyon;

− perception (machine vision), pagkuha ng data mula sa panlabas na kapaligiran;

− pagsasanay, pagkuha ng kaalaman mula sa karanasan ng paggana ng system;

- aktibidad, aktibong pag-uugali ng system batay sa sarili nitong mga layunin ng paggana.

1.1.6. Mga problemang pilosopikal ng teorya ng artificial intelligence

Inililista ng subsection na ito ang mga pangunahing tanong at ilang komento sa mga ito sa madalas at malawak na tinatalakay na mga problema sa teorya ng artificial intelligence.

Maaari bang kopyahin ang katalinuhan? Ang pagpaparami ng sarili ay posible sa teorya. Ang pangunahing posibilidad ng pag-automate ng solusyon ng mga problema sa intelektwal sa tulong ng isang computer ay ibinibigay ng pag-aari ng algorithmic universality. Gayunpaman, hindi dapat isipin ng isang tao na ang mga computer at robot ay maaaring, sa prinsipyo, malutas ang anumang mga problema. May mga algorithm na hindi malulutas na mga problema.

Ano ang layunin ng paglikha ng artificial intelligence? Ipagpalagay natin na ang isang tao ay nagawang lumikha ng isang talino na higit sa kanyang sariling talino (kung hindi sa kalidad, pagkatapos ay sa dami). Ano na ang mangyayari sa sangkatauhan ngayon? Anong papel ang gagampanan ng tao? Bakit siya kailangan ngayon? At sa pangkalahatan, kinakailangan ba sa prinsipyo na lumikha ng AI? Tila, ang pinakakatanggap-tanggap na sagot sa mga tanong na ito ay ang konsepto ng "intelligence amplifier".

Ligtas bang lumikha ng artificial intelligence? Ang pagkakaroon ng katalinuhan at mga kakayahan sa komunikasyon na maraming beses na mas malaki kaysa sa kakayahan ng tao, ang teknolohiya ay magiging isang makapangyarihang independiyenteng puwersa na may kakayahang kontrahin ang lumikha nito.

1.1.7. Mga lugar ng paggamit

1. Pagproseso ng mga natural na wika, pagkilala sa mga imahe, pagsasalita, signal, pati na rin ang paglikha ng mga modelo ng matalinong interface, pagtataya sa pananalapi, pagkuha ng data, diagnostic ng system, pagsubaybay sa aktibidad ng network, pag-encrypt ng data (direksyon - mga neural network).

2. Nanotechnologies, mga problema ng self-assembly, self-configuration at self-healing ng mga system na binubuo ng maraming sabay-sabay na gumaganang mga node, multi-agent system at robotics (direksyon - evolutionary computing).

3. Hybrid control system, pagpoproseso ng imahe, mga tool para sa paghahanap, pag-index at pagsusuri ng kahulugan ng mga imahe, pagkilala at pag-uuri ng mga imahe (direksyon - fuzzy logic).

4. Mga medikal na diagnostic, pagsasanay, pagkonsulta, awtomatikong pagprograma, pagsuri at pagsusuri sa kalidad ng mga programa, pagdidisenyo ng napakalaking integrated circuit, teknikal na diagnostic at paggawa ng mga rekomendasyon para sa pagkumpuni ng kagamitan, pagpaplano sa iba't ibang paksa at pagsusuri ng data (direksyon - mga sistema ng eksperto (ES )).

5. Mga problema sa transportasyon, distributed computing, pinakamainam na pag-load ng mapagkukunan (direksyon - mga paraan ng pagbawas ng enumeration).

6. Pag-unlad ng mga malalaking sistema ng disenyo ng software, pagbuo ng code, pag-verify, pagsubok, pagtatasa ng kalidad, pagtukoy sa posibilidad ng muling paggamit, paglutas ng mga problema sa parallel system (direksyon - intelektwal na engineering).

7. Paglikha ng ganap na automated na cyberfactories.

8. Mga laro, panlipunang pag-uugali ng mga damdamin ng tao, pagkamalikhain.

9. Teknolohiyang militar.

1.2. Arkitektura ng mga sistema ng artificial intelligence

1.2.1. Mga elemento ng arkitektura ng AIS

Arkitektura ng sistema ng artificial intelligence(SII) - ang organisasyon ng istraktura kung saan ang mga desisyon ay ginawa at ang kaalaman ay inilalapat sa isang partikular na lugar. Ang pinaka-pangkalahatang pamamaraan ng SII ay ipinapakita sa fig. 1. Sa form na ito, walang isang tunay na AIS, ang ilang mga bloke ay maaaring nawawala. Sa SII, palaging may dalawang bloke lamang: ang base ng kaalaman at ang inference engine.

Isaalang-alang ang mga pangunahing uri ng AIS sa awtomatikong pagpoproseso ng impormasyon at mga sistema ng kontrol:

− kontrol sa proseso ng SII;

− IIS para sa pag-diagnose;

− AIS para sa pagpaplano at pagpapadala;

− matatalinong robot.

https://pandia.ru/text/78/057/images/image005_133.gif" width="357" height="360 src=">

kanin. 1. Pangkalahatang pamamaraan ng SII

1.2.2. Pagkontrol sa proseso ng ISIS

Ang arkitektura ng proseso ng control ISIS ay ipinapakita sa fig. 2.

Mga tampok ng system na ito:

− paggamit ng teknolohikal na impormasyon para sa kontrol (sinusukat na mga katangian ng produkto tungkol sa mga parameter at istraktura ng kagamitan);

− ang mekanismo ng hinuha ay ginagamit upang baguhin ang data at bumuo ng mga rekomendasyon at kontrolin ang mga desisyon;

− ang pangangailangang magtrabaho sa real time;

− ang pangangailangang ipatupad ang temporal na pangangatwiran (isinasaalang-alang ang pagbabago ng mga kondisyon).

Ang gawain ng system ay nakaayos sa tatlong antas:

- ang base ng kaalaman (KB) ay kinabibilangan ng mga patakaran para sa paglutas ng mga problema, mga pamamaraan para sa paglutas ng mga problema, data tungkol sa lugar ng problema, iyon ay, sa antas ng mga base ng kaalaman, ang teknolohiya mismo at ang buong diskarte para sa pamamahala ng proseso ay nakaayos;

− working memory ay naglalaman ng impormasyon tungkol sa mga tinukoy na katangian at data tungkol sa prosesong isinasaalang-alang (DB);

− ang mekanismo ng hinuha (sa isang kumbensyonal na sistema, ito ay isang regulator) ay naglalaman ng isang pangkalahatang mekanismo ng kontrol para sa pagkamit ng panghuling layunin (katanggap-tanggap na solusyon).

Ang isang mahalagang bahagi ay ang mga bloke ng komunikasyon sa pagitan ng teknolohikal na proseso kasama ang database at ang base ng kaalaman (mga bloke ng "Data analysis" at "Process data"). Binibigyan nila ang user ng mas mataas na antas ng access sa impormasyon ng produksyon tungkol sa teknolohikal na proseso mula sa mas mababang antas ng mga bagay, ibig sabihin, pinapanatili nilang napapanahon ang nilalaman ng database at base ng kaalaman sa pamamagitan ng pag-update. Nagbibigay din ang mga bloke ng mga function ng pagsubaybay upang maiwasan ang mga kritikal na sitwasyon.

Ang pagbibigay-katwiran at pagpapaliwanag ng balanse at kasapatan ng tugon ng system sa pagbuo ng sitwasyon ng produksyon ay ibinibigay ng mga bloke ng "Dialog interface" at "Control data".

https://pandia.ru/text/78/057/images/image007_118.gif" width="357" height="149 src=">

kanin. 2. Ang istraktura ng proseso ng kontrol sa FIS

1.2.3. AIS para sa pag-diagnose

Ang sistemang ito ay karaniwang hindi naiiba sa nakaraang sistema. At dahil ang mga palatandaan ng iba't ibang mga depekto ay maaaring higit na nag-tutugma at ang kanilang mga pagpapakita ay maaaring hindi pantay-pantay, kung gayon sa mga sistemang ito mayroong mas detalyadong mga bahagi ng pagbibigay-katwiran at paliwanag ng diagnosis. Samakatuwid, napakadalas sa gayong mga sistema ay ipinakilala nila ang isang pagtatasa ng mga desisyon sa mga tuntunin ng subjective na posibilidad.

1.2.4. AIS ng mga robotic lines at flexible production system

Ang isang tampok ng naturang mga sistema ay ang pagkakaroon ng isang modelo ng mundo. Ang isang robotic system ay nagpapatakbo sa ilalim ng sarili nitong mga partikular na kondisyon, at sa prinsipyo ay posible ang isang detalyadong paglalarawan ng kapaligirang ito. Ang mathematical model na ito ng kapaligiran ay tinatawag modelo ng labas ng mundo. Ito ang pangunahing nilalaman ng KB ng AI robot, at ang iba pang bahagi ng KB ay ang kaalaman tungkol sa mga layunin ng system (Larawan 3).

https://pandia.ru/text/78/057/images/image009_112.gif" width="294" height="100 src=">

kanin. 3. AIS ng mga robotic lines at flexible production system

Kasama sa sistema ng pang-unawa ng estado sa kapaligiran ang:

− mga sensor na direktang konektado sa panlabas na kapaligiran;

− pre-processing subsystem;

− bloke ng segmentasyon ng tampok;

− simbolikong paglalarawan ng kalagayan ng kapaligiran;

− semantikong paglalarawan ng kalagayan ng kapaligiran;

− bloke ng pagbuo ng modelo ng estado ng kapaligiran.

Tinutukoy ng inference mechanism o behavior planning system ang mga aksyon ng robot sa panlabas na kapaligiran bilang resulta ng kasalukuyang sitwasyon at ayon sa pandaigdigang layunin. Binubuo ng:

− mga sistema ng paghinuha ng desisyon;

− block of motion planning ng mga actuator.

Ang sistema ng pagpapatupad ng aksyon ay kinabibilangan ng:

− drive control subsystem;

− magmaneho;

− mga ehekutibong kagamitan.

1.2.5. Pagpaplano at pagpapadala ng AIS

Layunin: lutasin ang mga problema ng pamamahala ng pagpapatakbo, paghahambing ng mga resulta ng pagsubaybay sa pagpapatakbo ng bagay sa mga tuntunin ng mga nakaplanong target, pati na rin ang pagsubaybay (Larawan 4).

Pagsubaybay– tuloy-tuloy o panaka-nakang interpretasyon ng mga senyales at ang pagpapalabas ng mga mensahe kapag lumitaw ang mga sitwasyon na nangangailangan ng interbensyon.

Ang isang tampok ng mga system na ito ay real-time na aksyon, komunikasyon sa isang distributed database ng isang integrated control system. Ang ganitong sistema ay kinakailangan, dahil ang data ng IS ay bahagi ng mga sistema ng kontrol.

https://pandia.ru/text/78/057/images/image011_89.gif" width="365" height="167 src=">

kanin. 4. Pagpaplano at pagpapadala ng AIS

1.3. Ang problema ng representasyon ng kaalaman sa AIS

1.3.1. Kaalaman at Data

Ang problema ng representasyon ng kaalaman ay lumitaw bilang isa sa mga problema ng AI. Ito ay nauugnay sa paglikha ng mga praktikal na kapaki-pakinabang na sistema, pangunahin ang ES, na ginagamit sa medisina, heolohiya, at kimika. Ang paglikha ng naturang mga sistema ay nangangailangan ng masinsinang pagsisikap upang gawing pormal ang kaalaman na naipon sa nauugnay na agham.

Ang terminong "representasyon ng kaalaman" ay nauugnay sa isang tiyak na yugto sa pagbuo ng software ng computer. Kung ang mga programa sa unang yugto ay nangingibabaw, at ang data ay gumaganap ng isang pantulong na papel ng isang uri ng "pagkain" para sa "gutom" na mga programa, pagkatapos ay sa mga kasunod na yugto ang papel ng data ay patuloy na tumaas. Ang kanilang istraktura ay naging mas kumplikado: mula sa isang salita ng makina na matatagpuan sa isang cell ng memorya ng computer, nagkaroon ng paglipat sa mga vector, array, file, listahan. Ang korona ng pag-unlad na ito ay mga abstract na uri ng data - mga klase. Ang pare-parehong pagbuo ng mga istruktura ng data ay humantong sa kanilang pagbabago sa husay at sa paglipat mula sa representasyon ng data patungo sa representasyon ng kaalaman.

pagkuha ng kaalaman

Ang antas ng representasyon ng kaalaman ay naiiba sa antas ng representasyon ng data hindi lamang sa isang mas kumplikadong istraktura, kundi pati na rin sa mga mahahalagang tampok: interpretability, ang pagkakaroon ng mga classified na relasyon, ang presensya mga relasyon sa sitwasyon(simultaneity, pagiging nasa parehong punto sa espasyo, atbp., tinutukoy ng mga ugnayang ito ang pagiging tugma sa sitwasyon ng ilang kaalaman na nakaimbak sa memorya). Bilang karagdagan, ang antas ng kaalaman ay nailalarawan sa pamamagitan ng mga tampok tulad ng pagkakaroon ng mga espesyal na pamamaraan para sa pangkalahatan, muling pagdadagdag ng kaalaman na magagamit sa system, at isang bilang ng iba pang mga pamamaraan.

Ang presentasyon ng data ay may passive na aspeto: isang libro, isang talahanayan, isang memorya na puno ng impormasyon. Ang teorya ng AI ay nagbibigay-diin sa aktibong aspeto ng representasyon ng kaalaman: pagkuha ng kaalaman ay dapat maging isang aktibong operasyon na nagbibigay-daan hindi lamang sa kabisaduhin, kundi pati na rin upang ilapat ang pinaghihinalaang (nakuha, na-assimilated) na kaalaman para sa pangangatwiran batay dito.

1.3.2. Ang ideya ng self-developing machine

Ang pananaliksik sa larangan ng AI ay lumitaw sa ilalim ng impluwensya ng mga ideya ng cybernetics - pangunahin ang ideya ng pagkakapareho ng mga proseso ng kontrol at paghahatid ng impormasyon sa mga buhay na organismo, lipunan at teknolohiya, lalo na, sa mga computer.

Ang pilosopikal na katanggap-tanggap ng problema sa AI sa tradisyunal na anyo nito ay dahil sa pinagbabatayan na paniwala na ang pagkakasunud-sunod at koneksyon ng mga ideya ay pareho sa pagkakasunud-sunod at koneksyon ng mga bagay. Kaya, upang lumikha ng isang istraktura sa isang computer na reproduces ang "mundo ng mga ideya" sinadya lamang upang lumikha ng isang istraktura isomorphic sa istraktura ng materyal na mundo, iyon ay, upang bumuo ng isang "electronic na modelo ng mundo". Itinuring ang modelong ito bilang modelo ng kompyuter - isang modelo ng kaalaman ng tao tungkol sa mundo. Ang proseso ng pag-iisip ng tao ay binibigyang kahulugan sa computer bilang isang paghahanap ng makina para sa mga pagbabagong ito ng modelo, na dapat ilipat ang modelo ng computer sa ilang huling estado. Kailangang malaman ng AIS kung paano magsagawa ng mga pagbabago sa estado ng modelo na humahantong sa isang paunang natukoy na layunin - isang estado na may ilang partikular na katangian. Sa una, mayroong malawak na paniniwala sa pangunahing kakayahan ng isang computer na independiyenteng pag-aralan ang modelong nakaimbak dito, iyon ay, upang matuto sa sarili ng isang diskarte para sa pagkamit ng isang itinakdang layunin.

Ang hypothetical na kakayahan na ito ay binibigyang kahulugan bilang ang posibilidad ng pagkamalikhain ng makina, bilang batayan para sa paglikha ng hinaharap na "mga makina ng pag-iisip". At kahit na sa aktwal na binuo na mga sistema ang pagkamit ng layunin ay isinasagawa sa batayan ng karanasan ng tao sa tulong ng mga algorithm batay sa isang teoretikal na pagsusuri ng mga nilikha na mga modelo at ang mga resulta ng mga eksperimento na isinagawa sa kanila, ang mga ideya ng pagbuo ng sarili Ang mga sistema ng pag-aaral ay tila pinaka-maaasahan. Sa pamamagitan lamang ng 1980s ang kahalagahan ng problema ng paggamit ng kaalaman ng tao tungkol sa katotohanan sa mga sistemang intelektwal ay natanto, na humantong sa seryosong pag-unlad ng mga base ng kaalaman at mga pamamaraan para sa pagkuha ng personal na kaalaman ng mga eksperto.

1.3.3. Pagninilay bilang isang bahagi ng intelektwal na aktibidad

Sa pag-unlad ng direksyon na ito, lumitaw ang ideya ng reflexive control. Hanggang sa puntong ito sa cybernetics, ang kontrol ay itinuturing na paghahatid ng mga signal sa isang bagay na direktang nakakaapekto sa pag-uugali nito, at ang pagiging epektibo ng kontrol ay nakamit gamit ang feedback - pagkuha ng impormasyon tungkol sa mga reaksyon ng kinokontrol na bagay. reflexive pareho kontrol- mayroong paglilipat ng impormasyon na nakakaapekto sa imahe ng mundo ng bagay. Kaya, ang feedback ay lumalabas na kalabisan - ang estado ng paksa ay kilala sa pagpapadala ng impormasyon, iyon ay, ang bagay.

Ang tradisyunal na AIS ay batay sa ideolohiya ng pag-uugaling nakatuon sa layunin tulad ng larong chess, kung saan ang layunin ng magkapareha ay mag-checkmate sa halaga ng anumang sakripisyo. Ito ay hindi nagkataon na ang mga programa ng chess ay naging napakahalaga para sa pagbuo ng mga pamamaraan ng AI.

Ang pagsusuri ng paggana ng sariling modelo o ang modelo ng "buong nakapaligid na katotohanan" (sa loob ng balangkas ng set ng gawain), kontrol sa estado nito, ang pagtataya sa estado ay walang iba kundi ang pagpapatupad ng pagmuni-muni. Ang pagninilay ay isang tiyak na antas ng meta. Sa paggamit ng mga high-level na programming language tulad ng Prolog, na nagbibigay-daan sa iyong bumuo ng mga layunin at bumuo ng mga lohikal na konklusyon tungkol sa pagkamit ng mga layuning ito, ang gawain ng pagpapatupad ng pagmuni-muni ay maaari nang bahagyang malutas. Sa kanilang tulong, maaari kang bumuo ng isang uri ng superstructure, isang uri ng meta-level na nagbibigay-daan sa iyo upang suriin ang pag-uugali ng nauna. Gayunpaman, kapag isinasaalang-alang ang terminong "malalim na pagmuni-muni" o "multilevel na pagmuni-muni", ang problema ng pagbuo ng mga modelo ng system mismo ay lumitaw. Dito sumasagip ang mga abstract na uri ng data. Nagbibigay-daan sa iyo ang mga ito na gumana sa mga istruktura ng data ng anumang limitadong kumplikado. Kaya, maaari nating ipagpalagay na ang mga sistema ng artificial intelligence ay maaaring maglaman ng isang modelo ng pagmuni-muni.

Kaya, imposibleng isaalang-alang ang isang sistemang intelektwal na kumpleto nang walang kakayahang suriin, "maunawaan" ang mga aksyon ng isang tao, iyon ay, upang sumasalamin. Bukod dito, ang pagmuni-muni ay dapat isaalang-alang na isa sa mga pangunahing tool para sa pagbuo ng pag-uugali ng mga system. Sa wika ng matematika, ang pagninilay ay isang kinakailangang kondisyon para sa pagkakaroon ng isang sistemang intelektwal.

1.3.4. Mga wika ng representasyon ng kaalaman

Sa isang tiyak na kahulugan, ang anumang programa sa computer ay naglalaman ng kaalaman. Ang bubble sort program ay naglalaman ng kaalaman ng programmer kung paano mag-order ng mga elemento ng isang listahan. Ang pag-unawa sa kakanyahan ng isang programa sa computer na lumulutas sa problema ng pag-uuri ng mga listahan ay hindi madali. Naglalaman ito ng kaalaman ng programmer tungkol sa paraan ng paglutas ng problema, ngunit, bilang karagdagan sa kaalamang ito, naglalaman ito ng iba:

− kung paano manipulahin ang mga construct ng wika ng programming language na ginagamit;

− kung paano makamit ang mataas na pagganap ng programa;

- kung paano pumili ng mga naaangkop na pamamaraan para sa paglutas ng mga partikular na problema sa pagproseso ng data na gayunpaman ay may mahalagang papel sa pagkamit ng huling resulta, at kung paano ayusin ang kontrol sa proseso.

Mga Wika sa Representasyon ng Kaalaman ay mga wikang may mataas na antas na partikular na idinisenyo upang tahasang mag-encode ng mga fragment ng kaalaman ng tao, tulad ng mga panuntunan sa pag-impluwensya at isang hanay ng mga katangian ng mga tipikal na bagay, at ang mataas na antas ng wika ay ipinapakita sa katotohanan na, hangga't maaari, ang Ang mga teknikal na detalye ng mekanismo ng representasyon ng kaalaman ay nakatago mula sa gumagamit. Hindi tulad ng mas karaniwang mga programming language, ang mga wika ng representasyon ng kaalaman ay napakatipid sa mga tuntunin ng laki ng code. Ito ay higit sa lahat dahil sa ang katunayan na ang interpreter ng wika ay nag-aalaga ng maraming maliliit na bagay.

Sa kabila ng nabanggit na mga pakinabang ng naturang mga wika, hindi dapat kalimutan ng isa ang tungkol sa pagkakaroon ng ilang mga problema sa kanilang aplikasyon.

Ang paglipat mula sa paglalarawan ng kaalaman tungkol sa paksa sa lahat ng naiintindihan na wikang "tao" hanggang sa paglalahad nito sa anyo ng ilang uri ng pormalismo na nakikita ng isang computer ay nangangailangan ng isang tiyak na kasanayan, dahil imposible (kahit ngayon) na ilarawan kung paano mekanikal. magsagawa ng ganitong pagbabago. Dahil ang mga posibilidad ng hinuha na maaaring ipatupad ng isang programa ay direktang nauugnay sa pagpili ng isang paraan upang kumatawan sa kaalaman, ito ay ang representasyon ng kaalaman, at hindi ang kanilang pagkuha, iyon ang bottleneck sa pagsasanay ng pagdidisenyo ng ES.

S.G. TOLMACHEV

ARTIFICIAL INTELLIGENCE.

MGA MODELONG NEURAL NETWORK

Ministri ng Edukasyon at Agham ng Russian Federation Baltic State Technical University "Voenmeh"

Department of Information Processing and Control Systems

S.G. TOLMACHEV

ARTIFICIAL INTELLIGENCE.

MGA MODELONG NEURAL NETWORK

Pagtuturo

St. Petersburg

UDC 004.8(075.8) Т52

Tolmachev, S.G.

T52 Mga sistema ng artificial intelligence. Mga modelo ng neural network: aklat-aralin / S.G. Tolmachev; Balt. estado tech. un-t. - St. Petersburg, 2011. 132 p.

ISBN 978-5-85546-633-1

Ang pangunahing impormasyon tungkol sa istraktura at mga prinsipyo ng paggana ng mga artipisyal na neural network ay ibinigay. Ang paggana ng isang pormal na neuron, ang pag-uuri ng mga neural network ayon sa kanilang arkitektura at mga uri ng pag-aaral, ang mga tipikal na pormulasyon ng iba't ibang mga problema sa neural network at mga pamamaraan para sa kanilang solusyon ay isinasaalang-alang.

Ito ay inilaan para sa mga senior na estudyante na nag-aaral sa mga specialty na "Information Systems and Technologies" at "Automated Systems for Information Processing and Control".

UDC 004.8(075.8)

Peer reviewer: Dr. tech. science prof., pinuno. siyentipiko empleyado ng OJSC "Concern "Granit-Electron"" S.N. Mga bola; cand. tech. sciences, prof., head. cafe I5 BSTU N.N. Smirnova

Inaprubahan ng editoryal at publishing board ng unibersidad

PANIMULA

Ang isa sa pinakamakapangyarihang tool para sa paglikha ng mga intelligent system ay ang mga artificial neural network (ANNs), na nagmomodelo sa mga pangunahing mekanismo ng pagproseso ng impormasyon na likas sa utak ng tao. Ito ay kilala na ang utak ay gumagana sa isang pangunahing naiibang paraan at madalas na mas mahusay kaysa sa anumang computer na gawa ng tao. Ang katotohanang ito ang nag-udyok sa mga siyentipiko sa loob ng maraming taon na magtrabaho sa paglikha at pagsasaliksik ng mga artipisyal na neural network.

Ang utak ay isang napakakomplikadong sistema ng pagproseso ng impormasyon. Ito ay may kakayahang ayusin ang mga bahaging istruktura nito, na tinatawag na mga neuron, upang magawa nila ang mga partikular na gawain (pagkilala ng pattern, pagpoproseso ng pandama, pag-andar ng motor) nang maraming beses na mas mabilis kaysa sa pinakamabilis na mga computer ngayon. Ang isang halimbawa ng naturang gawain ay ordinaryong pangitain. Ang function ng visual system ay lumikha ng isang representasyon ng mundo sa paraang nagbibigay ng posibilidad ng pakikipag-ugnayan dito. Ang utak ay sunud-sunod na nagsasagawa ng mga gawain sa pagkilala (halimbawa, pagkilala sa isang pamilyar na mukha sa isang hindi pamilyar na kapaligiran) at gumugugol ng 100–200 ms para dito. Ang pagsasagawa ng mga katulad na gawain na hindi gaanong kumplikado sa isang computer ay maaaring tumagal ng ilang oras.

Upang pahalagahan ang laki ng hamon ng paglikha ng makina na gumagana nang kasing perpekto ng ating utak, sapat na isipin ang ilan sa mga nakagawiang gawain na ginagawa natin araw-araw. Ipagpalagay na nakaupo ka sa iyong mesa, at sa oras na ito ang iyong kasamahan, na bumalik mula sa bakasyon, ay pumasok sa silid. Nakasuot siya ng bagong T-shirt, naka sunglass sa kanyang tanned face, at mukhang mas bata ng kaunti dahil nag-ahit siya sa kanyang balbas. Kilala mo ba siya? Walang alinlangan, dahil ang pagbabalatkayo ay hindi bahagi ng kanyang mga plano. Sa panahon ng pag-uusap, tinanong ka niya: "Nasaan ang aklat na ibinigay ko sa iyo upang basahin?". Itinuturing mo ang tanong bilang isang kahilingan na ibalik ang aklat. Pagkatapos ay tumingin sa iyong mesa at

nakikita mo sa mga libro at mga salansan ng mga papel na nakalatag dito ang librong pinag-uusapan, iunat ang iyong kamay dito, alisin ito sa tambak ng mga dokumento at ibigay ito sa iyong kasamahan. Ang ganitong mga pang-araw-araw na gawain ay hindi nangangailangan ng maraming intelektwal na pagsisikap mula sa amin, ngunit ang solusyon sa bawat isa sa kanila ay nagsasangkot ng maraming tiyak na kinakalkula na mga hakbang. Ang pagiging kumplikado ng paglutas ng mga naturang problema ay maaaring madama kapag sinusubukang i-program ang isang computer system upang makilala ang mga bagay sa pamamagitan ng kanilang hitsura o iba pang mga tampok, gumawa ng mga desisyon depende sa konteksto, atbp.

Ang isang mas simpleng halimbawa ay bat sonar, na isang aktibong echolocation system. Bilang karagdagan sa pagbibigay ng impormasyon tungkol sa distansya sa nais na bagay, pinapayagan ka ng tagahanap na ito na kalkulahin ang mga parameter ng bagay tulad ng kamag-anak na bilis, laki ng mga indibidwal na elemento at direksyon ng paggalaw. Upang kunin ang impormasyong ito mula sa natanggap na signal, ang maliit na utak ng isang paniki ay nagsasagawa ng mga kumplikadong pagkalkula ng neural.

Ano ang nagpapahintulot sa utak ng isang tao o isang paniki na makamit ang gayong mga resulta? Sa pagsilang, ang utak ay mayroon nang perpektong istraktura, na nagpapahintulot dito na bumuo ng sarili nitong mga panuntunan batay sa karaniwang tinatawag na karanasan. Naiipon ang karanasan sa paglipas ng panahon hanggang sa mga huling araw ng buhay ng isang tao, lalo na ang malalaking pagbabagong nagaganap sa unang dalawang taon ng buhay.

Ang pag-unlad ng mga neuron ay nauugnay sa konsepto ng plasticity ng utak - ang kakayahang ayusin ang nervous system alinsunod sa mga kondisyon sa kapaligiran. Ang plasticity ay gumaganap ng pinakamahalagang papel sa pagpapatakbo ng mga neuron bilang pangunahing mga yunit ng pagproseso ng impormasyon sa utak ng tao. Katulad nito, ang mga artipisyal na neuron ay nakatutok sa ANN. Sa pangkalahatan, ang ANN ay isang makina na ginagaya kung paano nilulutas ng utak ang isang partikular na problema. Ang network na ito ay ipinapatupad gamit ang mga elektronikong bahagi (neuroprocessors) o na-modelo ng isang program na tumatakbo sa isang digital na computer. Upang makamit ang mataas na pagganap, ang mga ANN ay gumagamit ng maraming mga pagkakaugnay sa pagitan ng mga elementarya na cell ng mga kalkulasyon - mga neuron. Sa maraming kahulugan ng mga neural network, ang pinakatumpak ay ang kahulugan ng isang ANN bilang adaptive machine: artipisyal na neural networkito ay ipinamahagi

isang parallel processor na binubuo ng mga tipikal na elemento sa pagpoproseso ng impormasyon na nag-iipon ng pang-eksperimentong kaalaman at nagbibigay nito para sa karagdagang pagproseso. Ang isang neural network ay katulad ng utak sa dalawang paraan:

1) pumapasok ang kaalaman sa neural network mula sa kapaligiran

at ginagamit ng network sa proseso ng pag-aaral;

2) para makaipon ng kaalaman, ginagamit ang mga interneuronal na koneksyon, na tinatawag ding synaptic weights.

Ang pamamaraang ginagamit upang isagawa ang proseso ng pagkatuto ay tinatawag na learning algorithm. Ang tungkulin nito ay baguhin ang mga synaptic na timbang ng ANN sa isang tiyak na paraan upang makuha ng network ang mga kinakailangang katangian.

Ang pagbabago sa timbang ay isang tradisyonal na paraan ng pag-aaral ng mga ANN. Ang diskarte na ito ay malapit sa teorya ng adaptive linear na mga filter na ginagamit sa kontrol. Gayunpaman, para sa ANN mayroon ding posibilidad na baguhin ang sarili nitong topology, batay sa katotohanan na sa buhay na utak, ang mga neuron ay maaaring mamatay, at ang mga bagong synaptic na koneksyon ay maaaring malikha.

Kaya, napagtanto ng mga ANN ang kanilang kapangyarihan sa pag-compute dahil sa kanilang dalawang pangunahing katangian: isang parallel-distributed na istraktura at ang kakayahang matuto at gawing pangkalahatan ang kaalaman na nakuha. Ang generalization property ay nauunawaan bilang ang kakayahan ng isang ANN na bumuo ng mga tamang output para sa mga input signal na hindi isinasaalang-alang sa proseso ng pag-aaral (pagsasanay). Ginagawa ng dalawang property na ito ang ANN na isang sistema ng pagpoproseso ng impormasyon na may kakayahang lutasin ang mga kumplikadong multidimensional na problema na kasalukuyang hindi naaalis.

Dapat tandaan na sa pagsasagawa, ang autonomous INS ay kadalasang hindi makapagbibigay ng mga handa na solusyon. Kailangan nilang isama sa mga kumplikadong sistema. Ang isang kumplikadong gawain ay maaaring hatiin sa isang bilang ng mga mas simpleng gawain, ang ilan ay maaaring malutas ng mga neural network.

Ang mga lugar ng aplikasyon ng mga ANN ay napaka-magkakaibang: pagkilala at pagsusuri ng teksto at pananalita, semantic na paghahanap, mga sistema ng eksperto at mga sistema ng suporta sa desisyon, paghula ng presyo ng stock, mga sistema ng seguridad. Mayroong ilang mga halimbawa ng paggamit ng mga ANN sa iba't ibang lugar.

1. Mga sistema ng seguridad sa transportasyon. Amerikanong kompanya

Ginamit ng Science Application International Corporation ang ANN sa

ang kanyang proyektong TNA. Ang binuo na aparato ay idinisenyo upang makita ang mga plastik na pampasabog sa nakaimpake na bagahe. Ang bagahe ay binomba ng mga particle na nagdudulot ng pangalawang radiation, ang spectrum nito ay sinusuri ng isang neural network. Ang device ay nagbibigay ng posibilidad na makakita ng mga pampasabog sa itaas ng 97% at may kakayahang tingnan ang 10 piraso ng bagahe bawat minuto.

2. Mga pakete ng software ng neural network sa mga pamilihan sa pananalapi. Ginagamit ng American Chemical Bank ang neural network system ng Neural Data upang iproseso ang mga transaksyon sa mga palitan ng pera, na sinasala ang mga "kahina-hinalang" transaksyon. Gumagamit ang Citibank ng mga hula sa neural network mula noong 1990. Ang awtomatikong pakikitungo ay nagpapakita ng mga pagbalik na mas mataas kaysa sa karamihan ng mga broker. Mapapansin na ang mga paglilitis ng seminar na "Artificial intelligence on Wall Street" ay bumubuo ng ilang malalaking volume.

3. Pagsubaybay at awtomatikong heading ng balita. Lokasyon

Ang kaalaman sa paksa ng mga text message ay isa pang halimbawa ng paggamit ng mga ANN. Ang server ng balita ng Convectis (isang produkto ng Aptex Software Inc.) ay nagbibigay ng awtomatikong pagkakategorya ng mga mensahe. Sa pamamagitan ng paghahambing ng kahulugan ng mga salita ayon sa konteksto, nagagawa ng Convectis na makilala ang mga paksa sa real time at ikategorya ang malalaking stream ng mga text message na ipinadala sa mga network ng Reuters, NBC, CBS, atbp. Pagkatapos i-parse ang mensahe, isang abstract, isang listahan ng mga keyword at isang listahan ng mga heading kung saan nabibilang ang mensaheng ito ay nabuo.

4. Autopiloting ng mga unmanned aerial vehicle. Ang LoFLYTE (Low-Observable Flight Test Experiment) hypersonic reconnaissance aircraft, isang 2.5 m long jet unmanned aircraft, ay binuo para sa NASA at sa US Air Force ng Accurate Automation Corp. sa loob ng balangkas ng maliit na makabagong programa ng suporta sa negosyo. Ito ay isang pang-eksperimentong pag-unlad para sa pag-aaral ng mga bagong prinsipyo ng piloting. Kabilang dito ang mga neural network na nagbibigay-daan sa autopilot na matuto sa pamamagitan ng pagkopya sa mga pamamaraan ng piloto ng piloto. Sa paglipas ng panahon, ang mga neural network ay gumagamit ng karanasan sa pamamahala, at ang bilis ng pagpoproseso ng impormasyon ay nagbibigay-daan sa iyo upang mabilis na makahanap ng paraan sa matinding at emergency na mga sitwasyon. Ang LoFLYTE ay idinisenyo para sa mga supersonic na flight kung saan ang oras ng reaksyon ng piloto ay maaaring hindi sapat upang sapat na tumugon sa mga pagbabago sa rehimen ng paglipad.

Sa kasalukuyan, ang mga ANN ay isang mahalagang extension ng konsepto ng pagtutuos. Ginawa na nilang posible na makayanan ang isang bilang ng mga mahihirap na problema at ipinangako ang paglikha ng mga bagong programa at aparato na may kakayahang lutasin ang mga problema na hanggang ngayon ay isang tao lamang ang magagawa. Ang mga modernong neurocomputer ay pangunahing ginagamit sa anyo ng mga produkto ng software at samakatuwid ay bihirang gamitin ang kanilang potensyal na "parallelism". Ang panahon ng totoong parallel neurocomputing ay magsisimula sa paglitaw sa merkado ng mga pagpapatupad ng hardware ng mga dalubhasang neurochip at expansion board na idinisenyo upang iproseso ang pagsasalita, video, mga static na imahe at iba pang uri ng matalinghagang impormasyon.

Ang isa pang lugar ng aplikasyon ng mga ANN ay ang kanilang paggamit

sa dalubhasang software mga robotic agent na idinisenyo upang magproseso ng impormasyon, at hindi para sa pisikal na trabaho. Dapat gawing mas madali ng mga matalinong katulong para sa mga user na makipag-ugnayan sa isang computer. Ang kanilang tanda ay ang pagnanais na maunawaan hangga't maaari kung ano ang kinakailangan sa kanila, sa pamamagitan ng pagmamasid at pagsusuri sa pag-uugali ng kanilang "panginoon". Sinusubukang tumuklas

sa Sa pag-uugaling ito, may ilang partikular na pattern, ang mga matatalinong ahente ay dapat mag-alok ng kanilang mga serbisyo sa isang napapanahong paraan upang maisagawa ang ilang partikular na operasyon, tulad ng pag-filter ng mga mensahe ng balita, pag-back up ng mga dokumento na ginagawa ng user, atbp. Iyon ang dahilan kung bakit ang mga ANN, na may kakayahang mag-generalize ng data at maghanap ng mga pattern sa mga ito, ay isang natural na bahagi ng naturang mga ahente ng software.

1. MGA KOMPUTER AT ANG UTAK

1.1. biological neuron

Ang sistema ng nerbiyos ng tao ay maaaring gawing simple bilang isang tatlong yugto na istraktura. Ang sentro ng sistemang ito ay ang utak, na binubuo ng isang network ng mga neuron (Larawan 1.1). Tumatanggap ito ng impormasyon, sinusuri ito at gumagawa ng mga naaangkop na desisyon. Ang mga receptor ay nagko-convert ng mga signal mula sa kapaligiran at mga panloob na organo sa mga electrical impulses na nakikita ng neural network (utak). Ang mga receptor ay nagbibigay ng koneksyon ng ating utak sa labas ng mundo, na napagtatanto ang daloy ng visual, auditory, gustatory, olfactory at tactile na impormasyon dito. ef-

Kino-convert ng mga Fector ang mga electrical impulses na nabuo ng utak sa mga output signal na kumokontrol sa mga kalamnan, panloob na organo, at mga pader ng sisidlan. Kaya, kinokontrol ng utak ang gawain ng puso, paghinga, presyon ng dugo, temperatura, pinapanatili ang nais na nilalaman ng oxygen sa dugo, atbp. Pinoproseso ng mga intermediate neuron ang impormasyong natanggap mula sa mga sensory neuron at ipinapadala ito sa mga effector neuron.

kanin. 1.1. Pinasimple na diagram ng nervous system

Dapat tandaan na ang utak ay binuo ng dalawang uri ng mga selula: glial cells at neurons. At kahit na ang papel ng mga glial cell ay tila medyo makabuluhan, karamihan sa mga siyentipiko ay naniniwala na ang pangunahing paraan upang maunawaan kung paano gumagana ang utak ay sa pamamagitan ng pag-aaral ng mga neuron na nagkakaisa sa isang solong konektadong network. Ang diskarte na ito ay ginagamit sa pagbuo ng mga artificial neural network (ANNs).

Dapat tandaan na may iba pang mga opinyon. Naniniwala ang ilang mga mananaliksik na ang mga pangunahing proseso ay hindi nagaganap sa neural network, ngunit sa mga cell mismo, lalo na sa kanilang cytoskeleton, sa tinatawag na microtubule. Ayon sa puntong ito ng pananaw, ang parehong memorya at maging ang kamalayan ay tinutukoy ng mga pagbabago sa mga protina sa mga istruktura ng intracellular at ang mga epekto ng kabuuan na nauugnay sa kanila.

Ang bilang ng mga neuron sa utak ay tinatantya sa 1010 ... 1011 . Sa isang biological neuron, ang mga sumusunod na yunit ng istruktura ay maaaring makilala (Larawan 1.2):

cell body (soma);

ang mga dendrite ay maraming sumasanga ng maiikling (hindi hihigit sa 1 mm) mga nerve fibers na kumukuha ng impormasyon mula sa ibang mga neuron;

Ang axon ay ang tanging manipis na haba (minsan higit sa isang metro) nerve fiber. Ang axon ay nagsasagawa ng salpok at nagpapadala ng epekto sa iba pang mga neuron o fibers ng kalamnan. Sa dulo nito, ang axon ay sumasanga din at bumubuo ng mga kontak sa mga dendrite ng iba pang mga neuron;

Kasama sa tutorial na ito ang mga pangunahing kaalaman sa programming sa Prolog language, paglutas ng problema gamit ang paraan ng paghahanap, probabilistic na pamamaraan, ang mga pangunahing kaalaman ng mga neural network, pati na rin ang mga prinsipyo ng representasyon ng kaalaman gamit ang mga semantic network. Ang bawat isa sa mga seksyon ng manwal ay binibigyan ng praktikal at gawaing laboratoryo. Ang mga appendice ay naglalaman ng maikling paglalarawan ng SWI-Prolog environment, ang NeuroGenetic Optimizer neural network modeling program, at ang Semantic knowledge visualization program. Tumutugma sa kasalukuyang mga kinakailangan ng Federal State Educational Standard for Higher Education. Para sa mga mag-aaral ng mas mataas na institusyong pang-edukasyon na nag-aaral sa engineering at teknikal na mga lugar.

aklat" Mga sistema ng artificial intelligence. Pagtuturo» ang may-akda na si Bessmertny Igor Aleksandrovich ay ni-rate ng mga bisita ng KnigoGuide at ang kanyang rating sa mambabasa ay 0.00 sa 10.
Para sa libreng panonood ay ibinigay: anotasyon, publikasyon, mga pagsusuri, pati na rin ang mga file para sa pag-download.
1

Pagtuturo « DBMS: SQL Language in Examples and Tasks ni Astakhova I.F., Todstobrova A.P., Melnikova V.M., Fertikova V.V., na inilathala ng FIZMATLIT noong 2007 at na-certify ng Ministry of Education and Science, ay naglalaman ng mga seleksyon ng mga halimbawa, at mga pagsasanay na may iba't ibang antas ng pagiging kumplikado upang magbigay ng mga praktikal at laboratoryo na klase sa pag-aaral ng mga pangunahing kaalaman ng wikang SQL sa loob ng balangkas ng kursong pagsasanay na nakatuon sa mga sistema ng impormasyon na may mga database sa direksyon ng pagsasanay at ang espesyalidad na "Applied Mathematics and Informatics". Ang mga sistema ng impormasyon na gumagamit ng mga database ay kasalukuyang isa sa pinakamahalagang lugar ng modernong teknolohiya ng computer. Ang isang malaking bahagi ng modernong merkado ng software ay nauugnay sa lugar na ito. Isinasaalang-alang ang lugar na inookupahan ng wikang SQL sa mga modernong teknolohiya ng impormasyon, ang kaalaman nito ay kinakailangan para sa sinumang espesyalista na nagtatrabaho sa larangang ito. Samakatuwid, ang praktikal na pag-unlad nito ay isang mahalagang bahagi ng mga kurso sa pagsasanay na naglalayong pag-aralan ang mga sistema ng impormasyon na may mga database. Sa kasalukuyan, ang mga naturang kurso ay kasama sa kurikulum ng ilang mga espesyalidad sa unibersidad. Walang alinlangan, upang mabigyan ang mga mag-aaral ng pagkakataon na makakuha ng matatag na mga kasanayan sa wikang SQL, ang kaukulang kurso sa pagsasanay, bilang karagdagan sa teoretikal na kakilala sa mga pangunahing kaalaman ng wika, ay kinakailangang maglaman ng sapat na malaking halaga ng mga klase sa laboratoryo sa praktikal na paggamit nito. . Ang iminungkahing aklat-aralin ay pangunahing naglalayon sa metodolohikal na suporta ng ganitong uri lamang ng mga klase. Kaugnay nito, nakatutok ito sa pagpili ng mga praktikal na halimbawa, gawain at pagsasanay na may iba't ibang antas ng pagiging kumplikado sa pag-compile ng mga query sa SQL, na ginagawang posible na magsagawa ng mga praktikal na klase sa pag-aaral ng wika sa panahon ng akademikong semestre.

Teksbuk "Mga Sistema ng Artipisyal na Katalinuhan. Praktikal na kurso” ni Astakhova I.F., Chulyukov V.A., Potapov A.S., Milovskoy L.S., Kashirina I.L., Bogdanova M.V., Prosvetova Yu.V. classical university education at inilathala ng BINOM publishing house. KNOWLEDGE LABORATORY at FIZMATLIT noong 2008, na inihanda para sa mga lektura at mga klase sa laboratoryo sa mga disiplina na "Mga bangko ng data at mga sistema ng dalubhasa", "Mga database at sistema ng dalubhasa", "Mga sistema ng artificial intelligence", "Mga sistema ng matalinong impormasyon". Ang aklat na ito ay nakatuon sa direksyon ng informatics, kung saan sa mga nagdaang taon mayroong napakakaunting literatura na pang-edukasyon sa domestic para sa mas mataas na institusyong pang-edukasyon. Ang mga isinaling aklat ay mas katulad ng mga publikasyong pang-agham kaysa sa mga aklat-aralin. Kinailangan na makabuo ng maraming halimbawa, mga gawain sa laboratoryo na gagawin ng mga mag-aaral sa isang computer at makakuha ng kaalaman, kasanayan at kakayahan (sa mga tuntunin ng diskarte na nakabatay sa kakayahan sa edukasyon).

Ang pangunahing bentahe at makabuluhang pagkakaiba ng aklat-aralin na ito mula sa mga katulad na publikasyon ay ang pagkakaroon nito ng humigit-kumulang 100 mga halimbawa, 235 na pagsasanay, 79 mga katanungan para sa pag-uulit ng materyal na sakop, 11 mga gawa sa laboratoryo kung saan 6 na magkakaibang mga produkto ng software ang pinag-aralan.

Bibliograpikong link

Astakhova I.F., Tolstobrov A.P., Chulyukov V.A., Potapov A.S. MGA TUTORYAL "DBMS: SQL LANGUAGE SA MGA HALIMBAWA AT GAWAIN", "ARTIFICIAL INTELLIGENCE. PRACTICAL COURSE” // Mga modernong problema ng agham at edukasyon. - 2009. - Hindi. 1.;
URL: http://science-education.ru/ru/article/view?id=901 (petsa ng access: 17.09.2019). Dinadala namin sa iyong pansin ang mga journal na inilathala ng publishing house na "Academy of Natural History"

Portal para sa mag-aaral. Pagsasanay sa sarili

Bibliograpikong link

MGA KAUGNAY NA ARTIKULO