Файл: книга ии.doc

Нейропакеты (нейросетевые и нейрокомпьютерные технологии). В Японии добились значительных успехов в деле использования нейрокомпьютеров (НК) для распознавания образов. Создано устройство, которое можно считать первым действующим элементом НК.

Нейрокомпьютеры (их другое название нейросетевые системы) - это ЭВМ нового поколения, качественно отличные от всех предыдущих (в том числе от ЭВМ пятого поколения) тем, что в них отсутствуют заранее созданные алгоритмические программы и они, аналогично человеческому мозгу, способны обучаться на отдельных примерах.

Функционирование нейросетевых систем основано на принципе самообучения. В результате предъявления нейросетевому вычислителю (НСВ) входных параметров ряда обучаемых примеров и соответствующей корректировки выходных параметров в нейросетевой структуре устанавливаются определенные связи, которые обеспечивают получение решения при анализе реальных ситуаций. В настоящее время НСВ хорошо зарекомендовали себя при решении задач распознавания изображений, что особенно важно при обработке разведданных.

Робототехнические системы (РТС) представляют собой автоматизированные устройства, способные самостоятельно выполнять разнообразные производственные функции.

Роботы — это технические устройства, предназначенные для автоматизации человеческого труда. Само слово «робот» появилось в 20-х гг. XX в. Его автор — чешский писатель Карел Чапек.

В настоящее время в промышленности применяется огромное количество роботов-манипуляторов, работающих по жесткой схеме управления. В отличие от них интеллектуальные роботы обладают способностью самообучаться и самоорганизовываться, адаптироваться к изменяющейся окружающей обстановке.

В военном деле РТС используют для выполнения задач разведки (в том числе радиационной, химической и биологической), инженерных задач, задач управления полетами и движением и др. В обозримой перспективе возможно практическое освоение боевых роботов, сочетающих функции разведки, поражения и управления и действующих в боевых порядках войск либо самостоятельно. Такие роботы должны обладать свойствами ориентирования на местности, опознавания "свой-чужой", выбора оптимальных целей для поражения и т.д.

Нечеткие системы – это системы, которые предназначены для обработки нечетких понятий и знаний, оперировать этими знаниями и делать нечеткие выводы. Методология построения этих компьютерных систем основывается на теории нечетких множеств, предложенной Л.Заде. Связь между ИИ и теорией нечетких множеств является вполне естественной, если принять гипотезу Д.Заде о том, что, «человек мыслит не числами, а нечеткими понятиями». В настоящее время созданы специализированные нечеткие компьютеры, способные работать с нечеткими знаниями быстрее чем цифровые компьютеры.

Нечеткие системы не стоят обособленной группой в новых информационных технологиях, а пронизывают все НИТ, связанные с ИИ: нечеткие экспертные системы, интеллектуальные роботы, распознавание изображений и речи, автоматизированные системы различного назначения, базы знаний, автоматическое проектирование – это не полный перечень областей, в которых нашли свое применение нечеткие системы.

Компьютерные вирусы. Сегодня трудно назвать компьютерного пользователя, избежавшего знакомства с этим видом программной продукции.

Последние поколения вирусов обладают всеми атрибутами систем искусственного интеллекта. Они свободно перемещаются по компьютерам, мутируют и размножаются, обучаются, меняют свои параметры и структуру.

Воздействие компьютерных вирусов значительно возросло с появлением сети Internet. По прогнозам специалистов, неприятности, которые мы испытываем сегодня, представляются ничтожными по сравнению с теми перспективами, которые ожидают нас с проникновением компьютерных вирусов в сферу интеллектуальных роботов.

Интеллектуальное математическое моделирование. Это компьютерное математическое моделирование с использованием методов искусственного интеллекта.

Интеллектуальные системы подобного рода имитируют творческую деятельность математика-профессионала, занимающегося решением краевых задач математической физики. Они обладают базами знаний, содержащими нужные теоремы, математические зависимости и эвристические правила.

Вопросы для самоконтроля

1. Дайте определения интеллекта, искусственного интеллекта, интеллектуальной системы.

2. Дайте определения интеллектуальной задачи и алгоритма решения задачи.

3. Расскажите о развитии ИИ в 50-е и 60-е годы двадцатого века.

4. Расскажите об основных направлениях развития ИИ в 70-е и 80-е годы двадцатого века.

5. В чем отличие нейрокибернетики от кибернетики «черного ящика»?

6. Расскажите об истории робототехники.

7. Расскажите об исторически сложившихся подходах в развитии ИИ.

8. Перечислите направления развития искусственного интеллекта.

9. Расскажите об особенностях интеллектуальных систем.

10. Приведите классификацию интеллектуальных систем..

11. Расскажите об экспертных системах.

12. Расскажите о нейрокомпьютерах.

13. Расскажите о нечетких системах и роботах.

14. Расскажите о других интеллектуальных системах.

Глава 2. Положения теории нечетких множеств

§ 2.1. Нечеткое множество. Операции над нечеткими множествами

В свое время появление формальной логики было шагом вперед в борьбе с неопределенностью, расплывчатостью представления человеческих знаний. Логика была призвана исключить нестрогость, неоднозначность из рассуждений. Знания, которыми мы пользуемся повседневно, представлены содержательно - несовершенны, неточны, противоречивы и т.д. Несмотря на это люди с их помощью делают выводы очень высокого уровня и все потому, что они имеют нечеткие знания, которые мы называем здравым смыслом, кроме того, обладают нечеткими умственными способностями обработки таких знаний. Таким образом, реализация искусственного интеллекта сильно зависит от того, смогут ли реальные системы ИИ обрабатывать нечеткие мысли.

Вопрос о том, как обрабатывать нечеткости; перекликается с вопросом о том, каким образом ввести в науку и технику субъективизм человека. И здесь не обойтись без нечетких множеств. Это математическая теория, созданная для того, чтобы представлять смысловые нечеткости слов человека, это уникальная теория с точки зрения предоставления возможностей математически обрабатывать субъективные данные.

Возможность математически представлять и логически обрабатывать смысл слов означает, что появились новые средства, которые позволяют удовлетворить трем необходимым условиям реализации человеко-машинных систем. Можно ожидать, что благодаря этим средствам ИИ сможет понимать нечеткости и глубинный смысл естественного языка и в будущем его общение с человеком станет более естественным. Последнее условие - представление нечетких мыслей - наиболее трудное для реализации.

Выходные данные, получаемые нечеткими системами, разумеется, будут нечеткими. Приведем примеры человеко-машинных систем, которые предназначены для обработки нечетких знаний промышленного назначения: автоматизированное управление производством высокого уровня - интеллектуальные системы управления (ИСУ), интеллектуальные роботы, распознавание изображений и речи, автоматическое проектирование, поиск информации, интеллектуальные терминалы, техническая диагностика, системы обучения и т.д.

Теория нечетких множеств была предложена более четверти века назад Л.А. Заде - ученым Калифорнийского университета. Английское слово fuzz, от которого образовано прилагательное (нечеткий), означает «ворс» - специальный термин, определяющий свойство тканей. Когда мы смотрим на рисунок на ворсистой ткани, он кажется нам размытым, поэтому, говоря «нечеткий», будем иметь в виду «неясный», «размытый».

Можно выделить следующие основные классификационные признаки способа формализации нечеткости:

по виду представления нечеткой субъективной оценки какой-либо величины (нечеткого множества);

по виду области значений функции принадлежности;

по виду области определения функции принадлежности;

по виду соответствия между областью определения и областью значений (однозначное, многозначное);

по признаку однородности или неоднородности области значений функции принадлежности.

Нечеткое множество (НМ) образуется путем введения обобщенного понятия принадлежности, т.е. расширения двухэлементного множества значений характеристической функции {0,1} до континуума [0,1]. Это означает, что переход от полной принадлежности объекта к полной его непринадлежности происходит не скачком, а плавно, постепенно, причем принадлежность элемента множеству выражается числом интервала [0,1]. Таким образом, речь идет о расширении двузначной оценки 0 (нет) и 1 (да) до многозначной неограниченной оценки выше 0 и ниже 1 в интервале [0,1].

Пусть X - некоторое произвольное непустое множество, x – его элемент.

Определение 2.1. Нечетким подмножеством множестваX называется множество пар: . (2.1)

Функция называетсяфункцией принадлежности нечеткого множества , аX - базовым (универсальным) множеством (информационным базисом).

- определяется математически как совокупность упорядоченных пар, составленных из элементов x универсального множества множествами соответствующих степеней принадлежности или (поскольку функция принадлежности является исчерпывающей характеристикой НМ) непосредственно в виде функции .

Под универсальным множеством X нечеткого множества понимается область определения функции принадлежности .

Чаще всего определение нечеткого множества интерпретируют следующим образом: величина обозначает субъективную оценку степени принадлежности х множеству , например, =0,8 означает, что x на 80% принадлежит . Пример записи НМ:

или

или

Определение 2.2. Значение для конкретногох называется степенью принадлежности этого элемента нечеткому множеству .

Определение 2.3. Носителем нечеткого множества называется подмножествоS_A универсального множества X, содержащее те элементы из X, для которых значения функции принадлежности .