1. Введение.

1.1. Введение и задачи работы.

1.2. Формализация нейронных сетей.

1.3. Краткое описание метода автономного адаптивного управления.

1.4. Основные понятия и обозначения.

1.5. Алгебра образов.

2. Моделирование среды.

3. Аппарат ФРО.

3.1. Биологический нейрон.

3.2. Формальная модель нейрона.

3.3. Задача построения ФРО.

3.4. Распознавание пространственно-временных образов.

4. База знаний.

5. Система построения и исследования нейронных сетей (СПИНС).

5.1. Актуальность системы.

5.2. Общая коцепция системы.

5.3. Конструкторы сетей. Библиотеки шаблонов.

5.4. Организация вычислений в сети.

5.5. Анализаторы работы сети.

5.6. Реализация блока оценки состояния.

5.7. Реализация модели среды.

5.8. Пример работы программы.

5.9. Перспективы развития системы.

· Заключение.

· Благодарности.

· Литература.

Сокращения и обозначения.

Принятые сокращения

ААУ – автономное адаптивное управление

БД – блок датчиков

БЗ – база знаний

БОС - блок оценки состояния

БПР – блок принятия решений

ГИП – графический интерфейс пользователя (GUI)

ИО – исполнительный орган

НРС – недетерминированный автомат Рабина-Скотта

НС – нейронная сеть

МНРС – модифицированный недетерминированный автомат Рабина-Скотта

ОУ – объект управления

ПВО – пространственнно-временной образ

СВ - случайная величина

СПИНС – система построения и исследования нейронных сетей

УС – управляющая система

ФР – функция распределения

ФРО – аппарат формирования и распознавания образов

Принятые обозначения

- множество неотрицательных целых чисел

- граф со множеством вершин V и множеством ребер N

- ребро, направленное из вершины i в вершину j

- взаимнооднозначное отображение множества X на множество Y

- множество конечных подмножеств множества X

R[a,b] – множество вещественных чисел на [a,b]

BN - пространство двоичных векторов размерности N

- пустое слово из множества входных слов КА

0 – ложь в выражении трехзначной логики

1 – истина в выражении трехзначной логики

- неопределенность в выражении трехзначной логики

- есть подвектор (совокупность выбранных компонент) вектора

- класс Y является потомком класса X

1. Введение.

1.1. Введение и задачи работы.

При современном уровне развития техники, когда даже бытовая техника оснащается микропроцессорными устройствами, возникла потребность в интеллектуальных адаптивных системах управления, способных приспосабливаться к очень широкому диапазону внешних условий. Более того, возникла потребность в универсальной технологии создания таких систем. Научный опыт человечества свидетельствует о том, что в природе можно найти великое множество ценных идей для науки и техники. Человеческий мозг является самым удивительным и загадочным созданием природы. Способность живых организмов, наделенных высшей нервной системой, приспосабливаться к окружающей среде может служить призывом к подражанию природе или имитации при создании технических систем.

Среди имитационных подходов выделяется класс нейросетевых методов. Нейронные сети (НС) нашли широкое применение в областях искуственного интеллекта, в основном связанных с распознаванием образов и с теорией управления. Одним из основных принципов нейросетевого подхода является принцип коннективизма. Суть его выражается в том, что рассматриваются очень простые однотипные объекты, соединенные в большую и сложную сеть. Таким образом, НС является в первую очередь графом, с которым можно связать совокупность образов, представленных как численные значения, ассоциированные с вершинами графа, алгоритм для преобразования этих численных значений посредством передачи данных между соседними вершинами и простых операций над ними. Современный уровень развития микроэлектроники позволяет создавать нейрочипы, состоящие из очень большого числа простых элементов, способных выполнять только арифметические операции. Таким образом, нейросетевые методы поддерживается аппаратно.

Математически НС можно рассматривать как класс методов статистического моделирования, который в свою очередь можно разделить на три класса: оценка плотности вероятности, классификация и регрессия [NN]. В частности, в [NN] показано, что с помощью сетей обратного распространения и обобщенного - правила решается задача оценки плотности вероятности методом смешивания гауссовских распределений.

В отделе имитационных систем Института Системного Программирования РАН разработан метод автономного адаптивного управления (ААУ). Предполагается, что система ААУ может быть полностью реализована на нейронной сети [Диссер, Жданов1-9]. В отличии от традиционного использования НС для решения только задач распознавания и формирования образов, в методе ААУ согласованно решаются задачи

· распознавания и формирования образов

· получения и хранения знаний (эмпирически найденных закономерных связей образов и воздействий на объект управления)

· оценки качественных характеристик образов

· принятия решений (выбора воздействий).

Особенностями метода ААУ являются:

· Избыточность нейронов в сети, необходимая для адаптации системы управления (УС) к изменяющимся условиям существования объекта управления (ОУ). Вследствие этого для практической реализации УС необходимо создание больших НС (для сравнения человеческий мозг содержит ~1011 нейронов).

· НС состоит из специфичных нейронов, являющимися более близкими аналогами биологического нейрона и приспособленными для решения задач ААУ (раздел 3.2)

· Нейроны в сети соединяются специальным образом, также для решения задач ААУ.

Особенности метода ААУ делают непригодными или малопригодными существующие системы САПР и системы моделирования традиционных НС (например, BrainMaker) для создания прототипов УС ААУ. Ввиду этого обстоятельства задачами дипломной работы были: