سیستم های هوش مصنوعی آموزش. آموزش سیستم هوش مصنوعی. دوره آموزشی کاربردی مدل های شبکه های عصبی سیستم های هوش مصنوعی

این آموزش شامل مبانی برنامه نویسی در Prolog، حل مسئله با استفاده از روش های جستجو، روش های احتمالی، مبانی شبکه های عصبی و اصول نمایش دانش با استفاده از شبکه های معنایی می باشد. هر بخش از کتاب درسی با کار عملی و آزمایشگاهی ارائه شده است. ضمائم حاوی توضیحات مختصری از محیط SWI-Prolog، برنامه مدلسازی شبکه عصبی NeuroGenetic Optimizer و برنامه تجسم دانش معنایی است. مطابق با الزامات فعلی استاندارد آموزشی دولتی فدرال آموزش عالی. برای دانشجویان مؤسسات آموزش عالی که در رشته مهندسی تحصیل می کنند. و زمینه های فنی

کتاب " سیستم های هوش مصنوعی آموزش"نویسنده Bessmertny Igor Aleksandrovich توسط بازدیدکنندگان KnigoGuid رتبه بندی شد و امتیاز خوانندگان او 0.00 از 10 بود.
موارد زیر برای مشاهده رایگان در دسترس هستند: چکیده، انتشار، بررسی، و همچنین فایل هایی برای دانلود.
1

آموزش « DBMS: زبان SQL در مثال‌ها و مشکلات» نوشته I.F. Astakhova, A.P. Todstobrova, V.M. Melnikova, V.V. Fertikova, منتشر شده توسط انتشارات FIZMATLIT در سال 2007 و تأیید شده توسط وزارت آموزش و پرورش و دارای گزیده‌ای از مثال‌ها، مسائل و تمرین‌های مختلف است. درجات پیچیدگی برای ارائه کلاس های عملی و آزمایشگاهی برای مطالعه مبانی زبان SQL به عنوان بخشی از یک دوره آموزشی اختصاص داده شده به سیستم های اطلاعاتی با پایگاه های داده در زمینه تحصیلی و تخصص "ریاضیات کاربردی و علوم کامپیوتر". سیستم‌های اطلاعاتی با استفاده از پایگاه‌های اطلاعاتی در حال حاضر یکی از مهم‌ترین حوزه‌های فناوری رایانه‌ای مدرن را نشان می‌دهند. بیشتر بازار نرم افزارهای مدرن با این حوزه مرتبط است. با توجه به جایگاهی که زبان SQL در فناوری های نوین اطلاعاتی اشغال کرده است، دانش آن برای هر متخصصی که در این زمینه فعالیت می کند ضروری است. بنابراین، توسعه عملی آن بخشی جدایی ناپذیر از دوره های آموزشی با هدف مطالعه سیستم های اطلاعاتی با پایگاه های داده است. در حال حاضر چنین رشته هایی در برنامه درسی تعدادی از تخصص های دانشگاهی گنجانده شده است. شکی نیست که برای اطمینان از این که دانش آموزان فرصت کسب مهارت های پایدار در زبان SQL را دارند، دوره آموزشی مربوطه، علاوه بر آشنایی نظری با مبانی زبان، لزوماً باید دارای مقدار کافی تمرینات آزمایشگاهی باشد. در مورد استفاده عملی آن هدف کتاب درسی پیشنهادی در درجه اول حمایت روش شناختی از این نوع فعالیت است. در این راستا، بر انتخاب مثال‌های عملی، کارها و تمرین‌هایی با درجات مختلف پیچیدگی در طراحی پرسش‌های SQL تمرکز می‌کند، که امکان برگزاری جلسات یادگیری زبان عملی را در طول ترم تحصیلی فراهم می‌کند.

کتاب درسی سیستم های هوش مصنوعی. دوره عملی" توسط Astakhova I.F., Chulyukova V.A., Potapov A.S., Milovskaya L.S., Kashirina I.L., Bogdanova M.V., Prosvetova Yu.V. که دارای مهر UMO مطابق با تحصیلات دانشگاهی کلاسیک است و توسط انتشارات BINOM منتشر شده است. KNOWLEDGE LABORATORY و PHYSMATLIT در سال 2008 برای سخنرانی و کلاس های آزمایشگاهی در رشته های "بانک های اطلاعاتی و سیستم های خبره"، "پایگاه های اطلاعاتی و سیستم های خبره"، "سیستم های هوش مصنوعی"، "سیستم های هوشمند اطلاعاتی" آماده شده است. این کتاب به حوزه علوم رایانه اختصاص دارد که در سال های اخیر ادبیات آموزشی داخلی بسیار کمی برای مؤسسات آموزش عالی وجود داشته است. کتاب‌های ترجمه شده بیشتر از کتاب‌های درسی، انتشارات علمی هستند. لازم بود مثال‌های زیادی ارائه شود، وظایف آزمایشگاهی که دانش‌آموزان در رایانه انجام می‌دهند و دانش، مهارت‌ها و توانایی‌ها را کسب می‌کنند (از دیدگاه رویکرد شایستگی به آموزش).

مزیت اصلی و تفاوت قابل توجه این کتاب درسی با انتشارات مشابه، وجود حدود 100 مثال، 235 تمرین، 79 سوال برای تکرار مطالب تحت پوشش، 11 کار آزمایشگاهی که در آن 6 محصول نرم افزاری مختلف مورد مطالعه قرار گرفته است.

پیوند کتابشناختی

استاخووا I.F.، Tolstobrov A.P.، Chulyukov V.A.، Potapov A.S. راهنمای آموزشی “DBMS: SQL LANGUAGE در مثال ها و وظایف”، “هوش مصنوعی. دوره عملی" // مشکلات مدرن علم و آموزش. - 2009. - شماره 1. ؛
آدرس اینترنتی: http://science-education.ru/ru/article/view?id=901 (تاریخ دسترسی: 2019/09/17). مجلات منتشر شده توسط انتشارات "آکادمی علوم طبیعی" را مورد توجه شما قرار می دهیم.

کتاب درسی خوانندگان را با تاریخچه هوش مصنوعی، مدل های بازنمایی دانش، سیستم های خبره و شبکه های عصبی آشنا می کند. جهت ها و روش های اصلی مورد استفاده در تجزیه و تحلیل، توسعه و پیاده سازی سیستم های هوشمند شرح داده شده است. مدل های بازنمایی دانش و روش های کار با آنها، روش های توسعه و ایجاد سیستم های خبره در نظر گرفته شده است. این کتاب به خواننده کمک می کند تا بر مهارت های طراحی منطقی پایگاه های داده دامنه و برنامه نویسی به زبان ProLog تسلط یابد.
برای دانش آموزان و معلمان دانشگاه های آموزشی، معلمان مدارس متوسطه، سالن های ورزشی، لیسیوم ها.

مفهوم هوش مصنوعی.
سیستم هوش مصنوعی (AI) یک سیستم نرم افزاری است که فرآیند تفکر انسان را در رایانه شبیه سازی می کند. برای ایجاد چنین سیستمی، لازم است که فرآیند تفکر شخصی که در حال حل مشکلات خاص یا تصمیم گیری در یک منطقه خاص است، بررسی شود، مراحل اصلی این فرآیند برجسته شود و نرم افزاری توسعه یابد که آنها را در رایانه بازتولید کند. بنابراین، روش‌های هوش مصنوعی یک رویکرد ساختاریافته ساده برای توسعه سیستم‌های تصمیم‌گیری نرم‌افزاری پیچیده دارند.

هوش مصنوعی شاخه‌ای از علوم رایانه است که هدف آن توسعه سخت‌افزار و نرم‌افزاری است که به کاربر غیر برنامه‌نویس اجازه می‌دهد تا مشکلات فکری خود را که به طور سنتی در نظر گرفته می‌شود، مطرح کرده و حل کند و با رایانه در زیرمجموعه‌ای محدود از زبان طبیعی ارتباط برقرار کند.

فهرست مطالب
فصل 1. هوش مصنوعی
1.1. مقدمه ای بر سیستم های هوش مصنوعی
1.1.1. مفهوم هوش مصنوعی
1.1.2. هوش مصنوعی در روسیه
1.1.3. ساختار عملکردی یک سیستم هوش مصنوعی
1.2. دستورالعمل های توسعه هوش مصنوعی
1.3. داده ها و دانش. بازنمایی دانش در سیستم های هوشمند
1.3.1. داده ها و دانش. تعاریف اساسی
1.3.2. مدل های بازنمایی دانش
1.4. سیستم های خبره
1.4.1. ساختار سیستم خبره
1.4.2. توسعه و استفاده از سیستم های خبره
1.4.3. طبقه بندی سیستم های خبره
1.4.4. بازنمایی دانش در سیستم های خبره
1.4.5. ابزارهایی برای ساختن سیستم های خبره
1.4.6. فناوری توسعه سیستم خبره
سوالات و تکالیف آزمون برای فصل 1
منابع فصل 1
فصل 2. برنامه نویسی منطقی
2.1. متدولوژی های برنامه نویسی
2.1.1. روش برنامه نویسی ضروری
2.1.2. روش برنامه نویسی شی گرا
2.1.3. روش برنامه نویسی تابعی
2.1.4. روش برنامه نویسی منطقی
2.1.5. روش برنامه نویسی محدودیت
2.1.6. روش برنامه نویسی شبکه های عصبی
2.2. مقدمه ای کوتاه بر محاسبات محمول و اثبات قضیه
2.3. فرآیند استنتاج در Prolog
2.4. ساختار برنامه در زبان Prolog
2.4.1. استفاده از اشیاء مرکب
2.4.2. استفاده از دامنه های جایگزین
2.5. سازماندهی تکرار در Prolog
2.5.1. روش بازگشت پس از شکست
2.5.2. روش برش و برگشت
2.5.3. بازگشت ساده
2.5.4. روش قانون بازگشت تعمیم یافته (GRR).
2.6. لیست ها در Prolog
2.6.1. عملیات در لیست ها
2.7. رشته ها در Prolog
2.7.1. عملیات رشته
2.8. فایل ها در Prolog
2.8.1. گزاره های Prolog برای کار با فایل ها
2.8.2. توضیحات دامنه فایل
2.8.3. در فایل بنویسید
2.8.4. خواندن از روی یک فایل
2.8.5. تغییر یک فایل موجود
2.8.6. به انتهای یک فایل موجود اضافه می شود
2.9. ایجاد پایگاه داده پویا در Prolog
2.9.1. پایگاه های داده در Prolog
2.9.2. محمولات پایگاه داده پویا در Prolog
2.10. ایجاد سیستم های خبره
2.10.1. ساختار سیستم خبره
2.10.2. بازنمایی دانش
2.10.3. روش های برداشت
2.10.4. سیستم رابط کاربری
2.10.5. سیستم خبره مبتنی بر قانون
سوالات و تکالیف آزمون برای فصل 2
مراجع برای فصل 2
فصل 3. شبکه های عصبی
3.1. مقدمه ای بر شبکه های عصبی
3.2. مدل نورون مصنوعی
3.3. کاربرد شبکه های عصبی
3.4. آموزش شبکه های عصبی
سوالات آزمون و تکالیف فصل 3
مراجع برای فصل 3.

کتاب الکترونیکی را به صورت رایگان در قالب مناسب دانلود کنید، تماشا کنید و بخوانید:
دانلود کتاب Fundamentals of Artificial Intelligence Borovskaya E.V. Davydova N.A. 2016 - fileskachat.com دانلود سریع و رایگان.

آژانس فدرال برای آموزش

مؤسسه آموزشی دولتی

آموزش عالی حرفه ای

"دانشگاه فنی دولتی ولگوگراد"

موسسه فنی کامیشین (شعبه)

GOU VPO "دانشگاه فنی دولتی ولگوگراد"

دوره عملی در رشته "سیستم های هوش مصنوعی"

نسخه الکترونیک آموزشی

ولگوگراد

NL - زبان طبیعی

هوش مصنوعی – هوش مصنوعی

LP - منطق محمول

تصمیم گیرنده - تصمیم گیرنده

MT – ماشین تورینگ

PGA - الگوریتم ژنتیک ساده

PPF - یک فرمول به درستی ساخته شده است

PRO - عملگر بازگشتی اولیه

PRF - تابع بازگشتی اولیه

RF - تابع بازگشتی

SNI – سیستم هوش مصنوعی

FP - عملکرد تناسب اندام

TF - تابع هدف

ES – سیستم خبره

معرفی

در ابتدا، هوش مصنوعی به عنوان علم ایجاد ماشین های فکری تلقی می شد. این رشته جام مقدس علوم کامپیوتر به حساب می آمد. با گذشت زمان، هوش مصنوعی به یک رشته کاربردی تر تبدیل شده است. این حوزه هنوز شامل مطالعه مکانیسم های تفکر است. در چارچوب هوش مصنوعی، راهبردهای مختلفی برای حل مسائل پیچیده عملی کامپیوتری در نظر گرفته شده است. علاوه بر این، امروزه مشخص شده است که هوش خود موجودی بسیار پیچیده است که نمی توان آن را در چارچوب یک نظریه توصیف کرد. نظریه های مختلف آن را در سطوح مختلف انتزاع توصیف می کنند. یادگیری در پایین‌ترین سطح توسط شبکه‌های عصبی، ماشین‌های تشخیص، الگوریتم‌های ژنتیک و سایر اشکال محاسباتی ارائه می‌شود که توانایی انطباق، درک و تعامل با دنیای فیزیکی را مدل‌سازی می‌کنند. در سطح بالاتری از انتزاع، سازندگان سیستم های خبره، عوامل هوشمند، مدل های تصادفی و سیستم های درک زبان طبیعی کار می کنند. این سطح نقش فرآیندهای اجتماعی را در ایجاد، انتقال و بازیابی دانش در نظر می گیرد. بالاترین سطح انتزاع شامل رویکردهای منطقی، از جمله مدل های قیاسی، ابداعی، سیستم های پشتیبان حقیقت و سایر اشکال و روش های استدلال است.

این راهنما اصول اولیه برخی از نظریه های سطح پایین را با وظایف عملی برای مطالعه الگوریتم ها بر اساس مفاد این نظریه ها بیان می کند. به طور خاص، مبانی تئوری تشخیص الگو با وظیفه مطالعه توابع متمایز خطی و توابع تشابه در نظر گرفته شده است. تئوری شبکه‌های عصبی مصنوعی با فرمول‌بندی مسئله بررسی ویژگی‌های شبکه‌های عصبی مصنوعی در مسئله تشخیص الگو. الگوریتم‌های ژنتیک با فرمول‌بندی مسئله مطالعه ویژگی‌های آنها هنگام جستجوی حداکثر یک تابع. برای انجام کارهای تحقیقاتی، باید بتوانید به برخی از زبان های برنامه نویسی، ترجیحاً شی گرا، برنامه ریزی کنید.

1.1. خاستگاه نظریه هوش مصنوعی

1.1.1. مفهوم هوش مصنوعی

مدت، اصطلاح هوش(هوش) از کلمه لاتین intellectus به معنای ذهن، عقل، ذهن و توانایی های تفکر یک فرد گرفته شده است. به ترتیب هوش مصنوعی(AI، در معادل انگلیسی: هوش مصنوعی، AI) ویژگی سیستم‌های خودکار برای انجام وظایف فردی هوش انسانی است.

هر هوش مصنوعی مدلی از تصمیم گیری است که توسط هوش طبیعی یک فرد انجام می شود. هوش مصنوعی می تواند واجد شرایط مقایسه با هوش طبیعی باشد، مشروط بر اینکه کیفیت راه حل های تولید شده بدتر از متوسط هوش طبیعی نباشد.

1.1.2. هوش مصنوعی در حلقه اتوماسیون

در چنین سیستم هایی، حلقه کنترل معرفی می شود تصمیم گیرنده(DM).

تصمیم گیرنده سیستم ترجیحی خود را در رابطه با معیار مدیریت شی و حتی هدف از وجود شیء دارد. تصمیم گیرنده، اغلب، حداقل تا حدی با حالت های ارائه شده توسط سیستم کنترل خودکار سنتی موافق نیست. تصمیم گیرنده، به عنوان یک قاعده، پارامترهای اصلی سیستم را کنترل می کند، در حالی که بقیه توسط سیستم های کنترل محلی کنترل می شود. وظیفه خودکارسازی فعالیت های تصمیم گیرندگان در حلقه کنترل است.

هوش مصنوعی یک حوزه تحقیقاتی است که مدل‌ها و نرم‌افزارهای مربوطه را ایجاد می‌کند که به رایانه‌ها اجازه می‌دهد تا مسائل خلاقانه و غیر محاسباتی را حل کنند، که در فرآیند حل نیاز به پرداختن به معناشناسی (مسئله معنا) دارد.

هوش مصنوعی یک سیستم نرم افزاری است که تفکر انسان را در رایانه تقلید می کند. برای ایجاد چنین سیستمی، مطالعه فرآیند تفکر تصمیم گیرنده، برجسته کردن مراحل اصلی این فرآیند و توسعه نرم افزاری که این مراحل را در رایانه بازتولید می کند، ضروری است.

1.1.3. مفهوم وظیفه و فعالیت فکری

یکی از ویژگی های هوش انسان توانایی حل مسائل فکری از طریق کسب، به خاطر سپردن و تبدیل هدفمند دانش در فرآیند یادگیری از تجربه و سازگاری با شرایط مختلف است.

وظایف فکری- مشکلات، تقسیم رسمی فرآیند یافتن راه حل که برای آنها به مراحل ابتدایی جداگانه اغلب بسیار دشوار است، حتی اگر راه حل آنها به خودی خود دشوار نباشد.

ما فعالیت مغز با هدف حل مشکلات فکری را تفکر یا فعالیت فکری می نامیم.

فعالیت فکری مستلزم توانایی استنتاج، تولید و ساختن راه حلی است که به طور صریح و آماده در سیستم وجود ندارد. نتیجه گیری از راه حل ها تنها در صورتی امکان پذیر است که بازنمایی درونی دانش در سیستم وجود داشته باشد ( مدل های دنیای بیرون) - یک نمایش رسمی از دانش در مورد دنیای بیرونی (حوزه موضوعی در حال خودکار شدن).

1.1.4. اولین قدم ها در تاریخ هوش مصنوعی

اولین برنامه های اجرای ویژگی های فعالیت فکری:

1. ترجمه ماشینی (1947). در اتحاد جماهیر شوروی، از سال 1955، کار در زمینه ترجمه ماشینی با ... وظیفه ترجمه ماشینی مستلزم جداسازی دانش از کد بود. ظهور یک زبان واسطه اولین تلاش برای ایجاد زبانی برای بازنمایی درونی دانش بود.

2. چکیده خودکار و بازیابی اطلاعات (1957، ایالات متحده آمریکا). ایده جداسازی سیستمی از ارتباطات و روابط بین حقایق فردی، که در مفهوم اصطلاحنامه تجسم یافته است.

3. اثبات قضایا (1956، ایالات متحده آمریکا). پیدایش برنامه ای برای اثبات قضایای منطق گزاره ای: منطق دان- نظریه پرداز. در سال 1965، روش تفکیک ظاهر شد (J. Robinson، ایالات متحده آمریکا)، در سال 1967 - روش معکوس (USSR). روش ها ایده استفاده را پیاده سازی می کنند ابتکاری- قوانین تجربه شده برای کاهش جستجوی گزینه ها هنگام استخراج راه حل.

4. تشخیص الگو (اوایل دهه 60). ایده هایی در تئوری تشخیص مربوط به یادگیری یافتن قاعده تعیین کننده از مجموعه ای از مثال های مثبت و منفی.

در سال 1956، K. Shannon، M. Minsky و J. McCarthy کنفرانسی را در دارتموث (ایالات متحده آمریکا) ترتیب دادند تا تجربیات عملی در توسعه برنامه های هوشمند را خلاصه کنند.

1.1.5. ایجاد یک مبنای نظری

در سال 1969، اولین کنفرانس بین المللی هوش مصنوعی (IJCAI) در واشنگتن برگزار شد. در سال 1976 مجله بین المللی هوش مصنوعی شروع به انتشار کرد. در طول دهه 70، جهت گیری های نظری اصلی تحقیق در زمینه سیستم های هوشمند ظهور کرد:

− بازنمایی دانشرسمی کردن دانش در مورد محیط خارجی، ایجاد یک مدل داخلی از جهان خارج.

- ارتباط، ایجاد زبان برای تعامل بین سیستم و کاربر؛

- استدلال و برنامه ریزی، تصمیم گیری در موقعیت های جایگزین.

- ادراک (دید ماشین)، به دست آوردن داده ها از محیط خارجی.

- آموزش، استخراج دانش از تجربه سیستم؛

- فعالیت، رفتار فعال سیستم بر اساس اهداف عملیاتی خود.

1.1.6. مسائل فلسفی نظریه هوش مصنوعی

در این بخش، سؤالات اصلی و برخی نظرات در مورد آنها در مورد مسائل متداول و گسترده در نظریه هوش مصنوعی فهرست می شود.

آیا امکان بازتولید هوش وجود دارد؟ بازتولید خود از نظر تئوری امکان پذیر است. امکان اساسی خودکارسازی حل مشکلات فکری با استفاده از رایانه با خاصیت جهانی بودن الگوریتمی تضمین می شود. با این حال، نباید فکر کرد که رایانه ها و روبات ها در اصل می توانند هر مشکلی را حل کنند. مشکلاتی از نظر الگوریتمی غیرقابل حل وجود دارد.

هدف از ایجاد هوش مصنوعی چیست؟ بیایید فرض کنیم که یک فرد توانسته است هوشی ایجاد کند که از هوش خود فراتر باشد (حتی اگر نه از نظر کیفیت، بلکه از نظر کمیت). اکنون چه بر سر بشریت خواهد آمد؟ شخص چه نقشی خواهد داشت؟ الان برای چی استفاده میشه؟ و به طور کلی آیا اصولاً ایجاد هوش مصنوعی ضروری است؟ ظاهرا قابل قبول ترین پاسخ به این سؤالات مفهوم «افزایش دهنده هوش» است.

آیا ایجاد هوش مصنوعی بی خطر است؟ فناوری با برخورداری از توانایی‌های هوشی و ارتباطی چندین برابر انسان‌ها، به نیروی مستقل قدرتمندی تبدیل می‌شود که قادر به مقابله با خالق آن است.

1.1.7. مناطق استفاده

1. پردازش زبان های طبیعی، تشخیص تصاویر، گفتار، سیگنال ها و همچنین ایجاد مدل های رابط هوشمند، پیش بینی مالی، استخراج داده ها، تشخیص سیستم، نظارت بر فعالیت های شبکه، رمزگذاری داده ها (جهت – شبکه های عصبی).

2. نانوتکنولوژی، مشکلات خودآرایی، خود پیکربندی و خود ترمیم سیستم های متشکل از تعداد زیادی گره با کارکرد همزمان، سیستم های چند عاملی و روباتیک (محاسبات جهت - تکاملی).

3. سیستم های کنترل ترکیبی، پردازش تصویر، ابزارهای جستجو، نمایه سازی و تحلیل معنای تصاویر، تشخیص و طبقه بندی تصاویر (جهت – منطق فازی).

4. تشخیص پزشکی، آموزش، مشاوره، برنامه نویسی خودکار، تست و آنالیز کیفیت برنامه، طراحی مدارهای مجتمع فوق بزرگ، تشخیص فنی و تدوین توصیه هایی برای تعمیر تجهیزات، برنامه ریزی در زمینه های موضوعی مختلف و تجزیه و تحلیل داده ها (جهت - سیستم های خبره). (ES)).

5. وظایف حمل و نقل، محاسبات توزیع شده، بارگذاری بهینه منابع (جهت - روش های کاهش جستجو).

6. توسعه سیستم های بزرگ طراحی نرم افزار، تولید کد، تایید، تست، ارزیابی کیفیت، شناسایی امکان استفاده مجدد، حل مشکلات در سیستم های موازی (جهت - مهندسی هوشمند).

7. ایجاد کارخانه های سایبری کاملاً خودکار.

8. بازی، رفتار اجتماعی عواطف انسانی، خلاقیت.

9. فن آوری های نظامی.

1.2. معماری سیستم های هوش مصنوعی

1.2.1. عناصر معماری AII

معماری سیستم های هوش مصنوعی(SII) - سازماندهی ساختاری که در آن تصمیم گیری و به کارگیری دانش در یک حوزه خاص رخ می دهد. کلی ترین طرح SII در شکل نشان داده شده است. 1. هیچ هوش مصنوعی واقعی به این شکل وجود ندارد؛ بلوک های خاصی ممکن است از دست رفته باشند. در AIS همیشه فقط دو بلوک وجود دارد: پایگاه دانش و مکانیسم استنتاج.

بیایید انواع اصلی هوش مصنوعی در سیستم های پردازش و کنترل اطلاعات خودکار را در نظر بگیریم:

- SII برای کنترل فرآیند تکنولوژیکی؛

- تشخیص SII؛

- برنامه ریزی و اعزام SII؛

- روبات های هوشمند

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

برنج. 1. طرح تعمیم یافته AIS

1.2.2. کنترل فرآیند SII

معماری سیستم اطلاعات کنترل فرآیند خودکار در شکل 1 نشان داده شده است. 2.

ویژگی های این سیستم:

- استفاده از اطلاعات فناورانه برای مدیریت (مشخصات اندازه گیری شده محصول در مورد پارامترها و ساختار تجهیزات).

- مکانیسم استنتاج برای اصلاح داده ها و توسعه توصیه ها و تصمیمات مدیریتی استفاده می شود.

- نیاز به کار در زمان واقعی؛

- نیاز به اجرای استدلال زمانی (با در نظر گرفتن شرایط متغیر).

این سیستم در سه سطح عمل می کند:

- پایگاه دانش (KB) شامل قوانینی برای حل مشکلات، رویه های حل مشکلات، داده های مربوط به حوزه مشکل است، یعنی خود فناوری و کل استراتژی مدیریت فرآیند در سطح پایگاه های دانش سازماندهی شده است.

- حافظه کاری حاوی اطلاعاتی در مورد ویژگی های مشخص شده و داده های مربوط به فرآیند مورد بررسی است (DB).

- مکانیسم خروجی (در یک سیستم معمولی این یک تنظیم کننده است) شامل یک مکانیسم کنترل کلی برای دستیابی به هدف نهایی (یک راه حل قابل قبول) است.

یک جزء مهم بلوک های ارتباطی بین فرآیند فن آوری با پایگاه داده و پایگاه دانش (بلوک های "تحلیل داده ها" و "داده های فرآیند") است. آنها دسترسی سطح بالایی به اطلاعات تولید در مورد فرآیند فن آوری از اشیاء سطح پایین را برای کاربر فراهم می کنند، یعنی با به روز رسانی، محتوای پایگاه داده و پایگاه دانش را به روز نگه می دارند. این واحدها همچنین عملکردهای نظارتی را برای جلوگیری از شرایط بحرانی ارائه می دهند.

توجیه و توضیح تعادل و کفایت پاسخ سیستم به توسعه وضعیت تولید توسط بلوک های "رابط گفتگو" و "داده های کنترل" ارائه شده است.

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

برنج. 2. ساختار سیستم های کنترل خودکار برای کنترل فرآیندهای تکنولوژیکی

1.2.3. تشخیص SII

این سیستم اساساً هیچ تفاوتی با سیستم قبلی ندارد. و از آنجایی که علائم عیوب مختلف ممکن است تا حد زیادی منطبق باشند و تظاهرات آنها ثابت نباشد، این سیستم ها حاوی اجزای جامع تری برای اثبات و توضیح تشخیص هستند. بنابراین، اغلب در چنین سیستم هایی، تصمیمات از نقطه نظر احتمال ذهنی ارزیابی می شوند.

1.2.4. SII خطوط روباتیک و سیستم های تولید انعطاف پذیر

از ویژگی های چنین سیستم هایی وجود مدل جهانی است. یک سیستم روباتیک در محیط خاص خود عمل می کند و توضیح دقیق این محیط اصولا امکان پذیر است. این مدل ریاضی محیط نامیده می شود مدل دنیای بیرون. این محتوای اصلی پایگاه دانش ربات هوش مصنوعی است و بخشی دیگر از پایگاه دانش دانش در مورد اهداف سیستم است (شکل 3).

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

برنج. 3. خطوط روباتیک SII و سیستم های تولید انعطاف پذیر

سیستم درک وضعیت محیط شامل موارد زیر است:

- حسگرهایی که مستقیماً با محیط خارجی مرتبط هستند.

- سیستم فرعی پیش پردازش؛

- بلوک تقسیم بندی ویژگی های مشخصه؛

- توصیف نمادین وضعیت محیط.

- توصیف معنایی وضعیت محیط.

- بلوک برای تشکیل مدلی از وضعیت محیط.

مکانیسم استنتاج یا سیستم برنامه ریزی رفتار، اقدامات ربات در محیط خارجی را در نتیجه وضعیت فعلی و مطابق با هدف جهانی تعیین می کند. شامل:

- سیستم های خروجی تصمیم.

- واحد برنامه ریزی حرکت محرک ها.

سیستم اجرای عملیات شامل:

- زیر سیستم کنترل درایو؛

− رانندگی؛

- محرک ها.

1.2.5. برنامه ریزی و اعزام SII

هدف: حل مشکلات مدیریت عملیاتی، مقایسه نتایج نظارت بر عملکرد یک شی از نظر وظایف برنامه ریزی شده، و همچنین نظارت (شکل 4).

نظارت بر- تفسیر مداوم یا دوره‌ای سیگنال‌ها و صدور پیام‌ها در مواقع بروز شرایطی که نیاز به مداخله دارند.

ویژگی این سیستم ها اقدام بلادرنگ، ارتباط با پایگاه داده توزیع شده یک سیستم کنترل یکپارچه است. چنین سیستمی ضروری است زیرا داده های AIS بخشی از سیستم های کنترل است.

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

برنج. 4. برنامه ریزی و اعزام SII

1.3. مشکل بازنمایی دانش در AIS

1.3.1. دانش و داده

مشکل بازنمایی دانش به عنوان یکی از مشکلات هوش مصنوعی مطرح شد. این با ایجاد سیستم های عملا مفید، در درجه اول ES، مورد استفاده در پزشکی، زمین شناسی و شیمی مرتبط است. ایجاد چنین سیستم هایی مستلزم تلاش های فشرده برای رسمی کردن دانش انباشته شده در علم مربوطه است.

اصطلاح "بازنمایی دانش" با مرحله خاصی در توسعه نرم افزار کامپیوتری همراه است. اگر در مرحله اول برنامه ها غالب بودند و داده ها نقش کمکی را به عنوان نوعی "غذا" برای برنامه های "گرسنه" ایفا می کردند، در مراحل بعدی نقش داده ها به طور پیوسته افزایش می یافت. ساختار آنها پیچیده تر شد: از یک کلمه ماشینی واقع در یک سلول حافظه رایانه، انتقالی به بردارها، آرایه ها، فایل ها و لیست ها وجود داشت. نقطه اوج این توسعه انواع داده های انتزاعی - کلاس ها بود. توسعه مداوم ساختارهای داده به تغییر کیفی آنها و انتقال از نمایش داده به بازنمایی دانش منجر شده است.

کسب دانش

سطح بازنمایی دانش نه تنها از نظر ساختار پیچیده تر، بلکه از نظر ویژگی های مهم با سطح بازنمایی داده ها متفاوت است: قابلیت تفسیر، وجود ارتباطات قابل طبقه بندی، وجود روابط موقعیتی(همزمان بودن، قرار گرفتن در یک نقطه از فضا و غیره، این روابط سازگاری موقعیتی دانش خاصی را که در حافظه ذخیره شده است، تعیین می کند). علاوه بر این، سطح دانش با ویژگی هایی مانند وجود رویه های ویژه برای تعمیم، پر کردن دانش موجود در سیستم و تعدادی از رویه های دیگر مشخص می شود.

ارائه داده ها جنبه انفعالی دارد: یک کتاب، یک جدول، یک حافظه پر از اطلاعات. نظریه هوش مصنوعی بر جنبه فعال بازنمایی دانش تأکید دارد: کسب دانشباید به یک عملیات فعال تبدیل شود که نه تنها به خاطر سپردن، بلکه همچنین استفاده از دانش درک شده (اکتسابی، جذب شده) برای استدلال مبتنی بر آن امکان پذیر است.

1.3.2. ایده ماشین های خود توسعه

تحقیقات در زمینه هوش مصنوعی تحت تأثیر ایده های سایبرنتیک - در درجه اول ایده مشترک بودن فرآیندهای کنترل و انتقال اطلاعات در موجودات زنده، جامعه و فناوری، به ویژه در رایانه ها، به وجود آمد.

مقبولیت فلسفی مسئله هوش مصنوعی در شکل سنتی آن به دلیل این ایده زیربنایی بود که نظم و ارتباط ایده ها همان نظم و ارتباط چیزها است. بنابراین، ایجاد ساختاری در یک کامپیوتر که «دنیای ایده‌ها» را بازتولید می‌کند، صرفاً به معنای ایجاد ساختاری هم‌شکل با ساختار جهان مادی است، یعنی ساختن «مدل الکترونیکی جهان». این مدل به عنوان یک مدل کامپیوتری در نظر گرفته شد - مدلی از دانش بشر در مورد جهان. فرآیند تفکر انسان در رایانه به عنوان جستجوی ماشینی برای چنین تحولات مدلی تعبیر شد که قرار بود مدل رایانه ای را به یک حالت نهایی خاص منتقل کند. AGI به دانشی در مورد چگونگی انجام تبدیل حالت‌های مدل منجر به یک هدف از پیش تعیین‌شده نیاز داشت - حالتی با ویژگی‌های خاص. در ابتدا، اعتقاد گسترده ای به توانایی اساسی یک رایانه برای مطالعه مستقل مدل ذخیره شده در آن، یعنی آموزش خود به یک استراتژی برای دستیابی به یک هدف تعیین شده وجود داشت.

این توانایی فرضی به عنوان امکان خلاقیت ماشینی، به عنوان مبنایی برای ایجاد «ماشین‌های تفکر» آینده تفسیر شد. و اگرچه در سیستم‌هایی که واقعاً توسعه می‌یابند، هدف بر اساس تجربه انسانی با کمک الگوریتم‌های مبتنی بر تجزیه و تحلیل نظری مدل‌های ایجاد شده و نتایج آزمایش‌های انجام‌شده بر روی آنها، ایده‌های ایجاد خودآموزی به دست آمد. سیستم ها به نظر بسیاری امیدوار کننده ترین هستند. تنها در دهه 1980 اهمیت مسئله استفاده از دانش انسان در مورد واقعیت در سیستم های هوشمند درک شد که منجر به توسعه جدی پایگاه های دانش و روش های استخراج دانش شخصی متخصصان شد.

1.3.3. بازتاب به عنوان جزئی از فعالیت فکری

با توسعه این جهت، ایده مدیریت بازتابی به وجود آمد. تا این مرحله، در سایبرنتیک، کنترل به عنوان انتقال سیگنال هایی به یک شی تلقی می شد که مستقیماً بر رفتار آن تأثیر می گذارد و اثربخشی کنترل از طریق بازخورد - کسب اطلاعات در مورد واکنش های جسم کنترل شده به دست می آمد. انعکاسییکسان کنترل- انتقال اطلاعاتی است که بر تصویر شی از جهان تأثیر می گذارد. بنابراین، بازخورد غیر ضروری به نظر می رسد - وضعیت سوژه برای فرستنده اطلاعات، یعنی برای شی شناخته شده است.

AGI های سنتی بر اساس ایدئولوژی رفتار هدف گرا مانند بازی شطرنج است که در آن هدف هر دو طرف این است که به قیمت هر فداکاری مات کنند. تصادفی نیست که برنامه های شطرنج برای توسعه روش های هوش مصنوعی بسیار مهم هستند.

تجزیه و تحلیل عملکرد مدل خود یا مدل "کل واقعیت اطراف" (در چارچوب کار)، کنترل بر وضعیت آن، پیش بینی وضعیت چیزی بیش از اجرای بازتاب نیست. انعکاس یک متا سطح مشخص است. با استفاده از زبان های برنامه نویسی سطح بالا، مانند Prolog، که به شما امکان می دهد اهداف را فرموله کنید و نتیجه گیری های منطقی در مورد دستیابی به این اهداف بسازید، کار پیاده سازی بازتاب می تواند تا حدی حل شود. با کمک آنها می توانید یک روبنای خاص بسازید، یک سطح متا خاص که به شما امکان می دهد رفتار قبلی را ارزیابی کنید. با این حال، هنگام در نظر گرفتن اصطلاح "بازتاب عمیق" یا "بازتاب چند سطحی"، مشکل ساخت مدل‌ها توسط خود سیستم به وجود می‌آید. اینجاست که انواع داده های انتزاعی به کمک می آیند. آنها به شما اجازه می دهند با ساختارهای داده با هر پیچیدگی محدودی کار کنید. بنابراین، می‌توان در نظر گرفت که سیستم‌های هوش مصنوعی می‌توانند شامل یک مدل بازتابی باشند.

بنابراین، نمی‌توان یک نظام فکری را بدون توانایی ارزیابی و «درک» اعمال آن، یعنی تأمل، کامل دانست. علاوه بر این، بازتاب را باید یکی از ابزارهای اصلی برای ساختن رفتار سیستم ها دانست. به زبان ریاضیات، تأمل شرط لازم برای وجود یک نظام فکری است.

1.3.4. زبان های بازنمایی دانش

به یک معنا، هر برنامه کامپیوتری حاوی دانش است. یک برنامه مرتب‌سازی حبابی حاوی دانش برنامه‌نویس در مورد نحوه ترتیب دادن عناصر یک لیست است. درک ماهیت یک برنامه کامپیوتری که مشکل مرتب‌سازی لیست‌ها را حل می‌کند، اصلا آسان نیست. این شامل دانش برنامه نویس در مورد روش حل مسئله است ، اما علاوه بر این دانش ، شامل دیگران نیز می شود:

- نحوه دستکاری سازه های زبان از زبان برنامه نویسی مورد استفاده ؛

- نحوه دستیابی به عملکرد بالای برنامه؛

- نحوه انتخاب روش های مناسب برای حل مشکلات خاص پردازش داده ها که با این وجود نقش مهمی در دستیابی به نتیجه نهایی دارند و نحوه سازماندهی مدیریت فرآیند.

زبان های بازنمایی دانشزبان‌های سطح بالا هستند که به طور خاص برای رمزگذاری صریح بخش‌هایی از دانش بشری، مانند قوانین نفوذ و مجموعه‌ای از ویژگی‌های اشیاء معمولی طراحی شده‌اند و سطح بالای زبان در این واقعیت آشکار می‌شود که تا آنجا که ممکن است، جزئیات فنی مکانیسم بازنمایی دانش از کاربر پنهان است. بر خلاف زبان های برنامه نویسی معمولی، زبان های بازنمایی دانش از نظر مقدار کد برنامه بسیار مقرون به صرفه هستند. این تا حد زیادی به این دلیل است که مترجم زبان از بسیاری از جزئیات کوچک مراقبت می کند.

با وجود مزایای ذکر شده چنین زبان هایی، نباید وجود مشکلات خاصی در استفاده از آنها را فراموش کرد.

انتقال از توصیف دانش دامنه به تمام زبان‌های قابل فهم «انسانی» به بازنمایی آن در قالب نوعی فرمالیسم درک شده توسط رایانه، به مهارت خاصی نیاز دارد، زیرا توصیف نحوه انجام مکانیکی چنین کاری غیرممکن است (حداقل امروزه). دگرگونی. از آنجایی که قابلیت‌های استنتاج منطقی که یک برنامه می‌تواند پیاده‌سازی کند، مستقیماً با انتخاب نحوه بازنمایی دانش مرتبط است، این نمایش دانش است، نه استخراج آن، که گلوگاه در عمل طراحی ES است.

S.G. تولماچف

هوش مصنوعی.

مدل های شبکه عصبی

وزارت آموزش و پرورش و دانشگاه فنی دولتی بالتیک فدراسیون روسیه "Voenmech"

گروه پردازش اطلاعات و سیستم های مدیریت

S.G. تولماچف

هوش مصنوعی.

مدل های شبکه عصبی

آموزش

سن پترزبورگ

UDC 004.8 (075.8) T52

تولماچف، اس.جی.

سیستم های هوش مصنوعی T52 مدل های شبکه عصبی: کتاب درسی / S.G. تولماچف؛ بالت. حالت فن آوری دانشگاه – سن پترزبورگ، 2011. 132 ص.

شابک 978-5 -85546-633-1

اطلاعات اولیه در مورد ساختار و اصول عملکرد شبکه های عصبی مصنوعی ارائه شده است. عملکرد یک نورون رسمی، طبقه‌بندی شبکه‌های عصبی بر اساس معماری و انواع آموزش، فرمول‌بندی‌های معمولی مسائل مختلف شبکه عصبی و روش‌های حل آنها در نظر گرفته می‌شود.

در نظر گرفته شده برای دانشجویان ارشد که در رشته های "سیستم ها و فناوری های اطلاعات" و "سیستم های مدیریت و پردازش اطلاعات خودکار" تحصیل می کنند.

UDC 004.8 (075.8)

داوران: دکتر تک. پروفسور علوم، سر. علمی کارمند OJSC "Concern "Granit-Electron"" S.N. شاروف; Ph.D. فن آوری علوم، پروفسور، سر. بخش I5 BSTU N.N. اسمیرنوا

مورد تایید شورای تحریریه و انتشارات دانشگاه

معرفی

یکی از قدرتمندترین ابزارها برای ایجاد سیستم‌های هوشمند، شبکه‌های عصبی مصنوعی (ANN) هستند که مکانیسم‌های پردازش اطلاعات اولیه ذاتی مغز انسان را مدل‌سازی می‌کنند. مشخص است که مغز به روشی اساسی متفاوت و اغلب کارآمدتر از هر ماشین محاسباتی ساخته شده توسط انسان کار می کند. این واقعیت است که دانشمندان را برای سال‌های متمادی برانگیخته است تا روی ایجاد و تحقیق شبکه‌های عصبی مصنوعی کار کنند.

مغز یک سیستم پردازش اطلاعات بسیار پیچیده است. این توانایی را دارد که اجزای ساختاری خود را به نام نورون ها سازماندهی کند تا بتوانند وظایف خاص (تشخیص الگو، پردازش حسی، عملکردهای حرکتی) را چندین برابر سریعتر از سریعترین رایانه های مدرن انجام دهند. نمونه ای از چنین کار بینایی طبیعی است. کارکردهای سیستم بینایی شامل ایجاد یک ایده از دنیای اطراف به شکلی است که توانایی تعامل با آن را فراهم می کند. مغز به طور متوالی وظایف تشخیص را انجام می دهد (مثلاً تشخیص چهره آشنا در یک محیط ناآشنا) و 100 ... 200 میلی ثانیه را صرف این کار می کند. انجام کارهای مشابه و کمتر پیچیده در رایانه می تواند چندین ساعت طول بکشد.

برای درک بزرگی چالش ایجاد ماشینی که عملکردی مانند مغز ما دارد، فقط باید به برخی از کارهای معمولی که هر روز انجام می‌دهیم فکر کنیم. فرض کنید پشت میز خود نشسته اید و در این زمان همکار شما که از تعطیلات بازگشته است وارد اتاق می شود. او یک تی شرت جدید پوشیده است، عینک آفتابی روی صورت برنزه اش است، و کمی جوان تر به نظر می رسد زیرا ریش خود را تراشیده است. آیا او را می شناسید؟ بدون شک از آنجایی که لباس مبدل جزء برنامه های او نیست. در حین گفتگو از شما می پرسد: کتابی که به شما دادم تا بخوانید کجاست؟ شما سوال را به درخواست برگرداندن کتاب تعبیر می کنید. سپس به میز خود نگاه کنید و

در میان کتاب‌ها و پشته‌های کاغذی که روی آن قرار دارد، کتاب مورد نظر را می‌بینی، دست به سوی آن دراز می‌کنی، آن را از انبوه اسناد بیرون می‌آوری و به همکارت می‌دهی. چنین کارهای روزمره نیازی به تلاش ذهنی زیادی از ما ندارد، اما حل هر یک از آنها شامل بسیاری از مراحل دقیق محاسبه شده است. دشواری حل چنین مسائلی را می توان هنگام برنامه ریزی یک سیستم کامپیوتری برای تشخیص اشیاء از روی ظاهر یا ویژگی های دیگر، تصمیم گیری بسته به زمینه و غیره احساس کرد.

یک مثال ساده تر، سونار خفاش است که یک سیستم مکانیابی اکو فعال است. این مکان یاب علاوه بر ارائه اطلاعات در مورد فاصله تا جسم مورد نظر، به شما امکان می دهد پارامترهای جسم مانند سرعت نسبی، اندازه عناصر جداگانه و جهت حرکت را محاسبه کنید. برای استخراج این اطلاعات از سیگنال دریافتی، مغز کوچک خفاش محاسبات عصبی پیچیده ای را انجام می دهد.

چه چیزی به مغز انسان یا خفاش اجازه می دهد تا به چنین نتایجی دست یابد؟ در بدو تولد، مغز ساختار کاملی دارد که به آن اجازه می‌دهد قوانین خود را بر اساس آنچه معمولاً تجربه نامیده می‌شود، بسازد. تجربه در طول زمان تا آخرین روزهای زندگی فرد انباشته می شود، به ویژه تغییرات گسترده ای که در دو سال اول زندگی رخ می دهد.

توسعه نورون ها با مفهوم انعطاف پذیری مغز - توانایی تنظیم سیستم عصبی مطابق با شرایط محیطی مرتبط است. پلاستیسیته مهمترین نقش را در عملکرد نورون ها به عنوان واحدهای اولیه پردازش اطلاعات در مغز انسان ایفا می کند. به روشی مشابه، نورون های مصنوعی در یک ANN پیکربندی می شوند. به طور کلی، ANN ماشینی است که روشی را که مغز یک مشکل خاص را حل می کند، مدل می کند. این شبکه با استفاده از اجزای الکترونیکی (پردازنده های عصبی) پیاده سازی شده و یا توسط برنامه ای که بر روی یک کامپیوتر دیجیتال اجرا می شود، مدل سازی شده است. به منظور دستیابی به عملکرد بالا، شبکه های عصبی مصنوعی از ارتباطات بسیاری بین سلول های محاسباتی ابتدایی - نورون ها استفاده می کنند. در میان بسیاری از تعاریف شبکه های عصبی، دقیق ترین تعریف شبکه عصبی مصنوعی به عنوان یک ماشین تطبیقی است: شبکه های عصبی مصنوعیتوزیع شده است

یک پردازشگر موازی متشکل از عناصر استاندارد پردازش اطلاعات که دانش تجربی را جمع آوری کرده و آن را برای پردازش بعدی فراهم می کند. یک شبکه عصبی از دو جهت شبیه مغز است:

1) دانش از محیط وارد شبکه عصبی می شود

و استفاده از شبکه در فرآیند یادگیری؛

2) برای جمع آوری دانش، از اتصالات بین نورونی که وزن سیناپسی نیز نامیده می شود، استفاده می شود.

روشی که برای انجام فرآیند یادگیری استفاده می شود، الگوریتم یادگیری نامیده می شود. عملکرد آن این است که وزن سیناپسی شبکه عصبی مصنوعی را به روشی خاص اصلاح کند تا شبکه ویژگی های لازم را به دست آورد.

اصلاح وزنه ها یک روش سنتی برای آموزش ANN است. این رویکرد نزدیک به نظریه فیلترهای خطی تطبیقی است که در کنترل استفاده می شود. با این حال، برای یک ANN نیز امکان تغییر توپولوژی خود وجود دارد، بر اساس این واقعیت که در یک مغز زنده نورون‌ها می‌توانند از بین بروند و اتصالات سیناپسی جدیدی ایجاد شود.

بنابراین، شبکه های عصبی مصنوعی قدرت محاسباتی خود را به لطف دو ویژگی اصلی خود درک می کنند: ساختار موازی توزیع شده و توانایی یادگیری و تعمیم دانش به دست آمده. ویژگی تعمیم به توانایی ANN برای تولید خروجی های صحیح برای سیگنال های ورودی اشاره دارد که در طول فرآیند یادگیری در نظر گرفته نشده اند. این دو ویژگی ANN را به یک سیستم پردازش اطلاعات تبدیل می کند که قادر به حل مسائل پیچیده چند بعدی است که در حال حاضر غیرقابل حل هستند.

لازم به ذکر است که در عمل، ANN های مستقل اغلب نمی توانند راه حل های آماده ارائه دهند. آنها باید در سیستم های پیچیده ادغام شوند. یک مسئله پیچیده را می توان به تعدادی از مسائل ساده تر تقسیم کرد که برخی از آنها را می توان با شبکه های عصبی حل کرد.

حوزه های کاربرد ANN بسیار متنوع است: تشخیص و تحلیل متن و گفتار، جستجوی معنایی، سیستم های خبره و سیستم های پشتیبانی تصمیم، پیش بینی قیمت سهام، سیستم های امنیتی. چندین مثال از استفاده از شبکه عصبی مصنوعی در مناطق مختلف وجود دارد.

1. سیستم های امنیتی حمل و نقل. شرکت آمریکایی

Science Application International Corporation از ANN استفاده کرد

پروژه TNA او دستگاه در حال توسعه برای شناسایی مواد منفجره پلاستیکی در چمدان های بسته بندی شده طراحی شده است. چمدان ها با ذراتی بمباران می شوند که باعث تشعشعات ثانویه می شوند که طیف آن توسط یک شبکه عصبی تجزیه و تحلیل می شود. این دستگاه احتمال کشف مواد منفجره بالای 97 درصد را فراهم می کند و قادر است 10 قطعه چمدان را در دقیقه اسکن کند.

2. بسته های نرم افزاری شبکه عصبی در بازارهای مالی بانک شیمیایی آمریکا از یک سیستم شبکه عصبی از داده های عصبی برای پیش پردازش تراکنش ها در مبادلات ارزی استفاده می کند و تراکنش های "مشکوک" را فیلتر می کند. سیتی بانک از سال 1990 از پیش بینی شبکه های عصبی استفاده کرده است. معاملات خودکار بازدهی را نشان می دهد که از بیشتر کارگزاران بیشتر است. شایان ذکر است که مجموعه مقالات سمینار «هوش مصنوعی دروال استریت» شامل چندین جلد وزین است.

3. نظارت و طبقه بندی خودکار اخبار. محل

دانستن موضوع پیامک نمونه دیگری از استفاده از ANN است. سرور اخبار Convectis (محصول Aptex Software Inc.) طبقه بندی خودکار پیام ها را به دسته ها ارائه می دهد. با بررسی معانی کلمات بر اساس متن، Convectis قادر است موضوعات را در زمان واقعی تشخیص دهد و جریان های عظیمی از پیام های متنی ارسال شده از طریق شبکه های رویترز، NBC، CBS و غیره را دسته بندی کند. پس از تجزیه و تحلیل پیام، یک حاشیه نویسی، یک لیست از کلمات کلیدی و لیستی از دسته هایی که این پیام به آنها تعلق دارد ایجاد می شود

4- خودکار سازی وسایل نقلیه هوایی بدون سرنشین. هواپیمای شناسایی مافوق صوت LoFLYTE (Low-Observable Flight Test Experiment)، یک هواپیمای بدون سرنشین جت 2.5 متری است که توسط Accurate Automation Corp برای ناسا و نیروی هوایی ایالات متحده ساخته شده است. در چارچوب برنامه حمایت از مشاغل کوچک نوآور. این یک توسعه تجربی برای کشف اصول جدید خلبانی است. این شامل شبکه های عصبی است که به خلبان خودکار اجازه می دهد تا با کپی کردن تکنیک های پرواز خلبان یاد بگیرد. با گذشت زمان، شبکه‌های عصبی تجربه کنترلی را به دست می‌آورند و سرعت پردازش اطلاعات به آن‌ها اجازه می‌دهد تا به سرعت راهی برای خروج در موقعیت‌های شدید و اضطراری پیدا کنند. LoFLYTE برای پرواز در سرعت های مافوق صوت طراحی شده است، جایی که زمان واکنش خلبان ممکن است برای واکنش مناسب به تغییرات شرایط پرواز کافی نباشد.

امروزه شبکه های عصبی مصنوعی توسعه مهمی از مفهوم محاسبات هستند. آنها قبلاً امکان مقابله با تعدادی از مشکلات دشوار را فراهم کرده اند و نوید ایجاد برنامه ها و دستگاه های جدیدی را می دهند که قادر به حل مشکلات هستند که در حال حاضر فقط انسان می تواند انجام دهد. کامپیوترهای عصبی مدرن عمدتاً به عنوان محصولات نرم افزاری استفاده می شوند و بنابراین به ندرت از پتانسیل آنها برای "موازی سازی" استفاده می کنند. عصر محاسبات عصبی موازی واقعی با ظاهر شدن در بازار پیاده سازی سخت افزاری تراشه های عصبی تخصصی و کارت های توسعه طراحی شده برای پردازش گفتار، ویدئو، تصاویر استاتیک و انواع دیگر اطلاعات فیگوراتیو آغاز خواهد شد.

یکی دیگر از زمینه های کاربرد شبکه های عصبی مصنوعی استفاده از آنهاست

V نرم افزار تخصصیعوامل روباتیک طراحی شده برای پردازش اطلاعات به جای انجام کار فیزیکی. دستیارهای هوشمند باید ارتباط کاربران با رایانه را آسان تر کنند. ویژگی متمایز آنها میل به درک هرچه بهتر آنچه از آنها خواسته می شود، از طریق مشاهده و تجزیه و تحلیل رفتار "استاد" آنها خواهد بود. تلاش برای کشف

V این رفتار دارای قوانین خاصی است، عوامل هوشمند باید خدمات خود را به موقع ارائه دهند تا عملیات خاصی را انجام دهند، به عنوان مثال فیلتر کردن پیام های خبری، تهیه نسخه پشتیبان از اسنادی که کاربر روی آنها کار می کند و غیره. به همین دلیل است که شبکه های عصبی مصنوعی قادر به خلاصه کردن داده ها و یافتن الگوهای موجود در آنها هستند، جزء طبیعی این گونه عوامل نرم افزاری هستند.

1. کامپیوتر و مغز

1.1. نورون بیولوژیکی

سیستم عصبی انسان را می توان به یک ساختار سه مرحله ای ساده کرد. مرکز این سیستم مغز است که از شبکه ای از نورون ها تشکیل شده است (شکل 1.1). اطلاعات را دریافت می کند، آن را تجزیه و تحلیل می کند و تصمیمات مناسب می گیرد. گیرنده ها سیگنال های محیط و اندام های داخلی را به تکانه های الکتریکی درک شده توسط شبکه عصبی (مغز) تبدیل می کنند. گیرنده ها ارتباط بین مغز ما و دنیای بیرون را فراهم می کنند و به آن اجازه می دهند اطلاعات دیداری، شنوایی، چشایی، بویایی و لامسه را دریافت کند. اف-

فاکتورها تکانه های الکتریکی تولید شده توسط مغز را به سیگنال های خروجی تبدیل می کنند که ماهیچه ها، اندام های داخلی و دیواره های عروق را کنترل می کنند. بنابراین، مغز عملکرد قلب، تنفس، فشار خون، دما را کنترل می کند، محتوای اکسیژن مورد نیاز خون را حفظ می کند و غیره. نورون های میانی اطلاعات دریافتی از نورون های حسی را پردازش کرده و به نورون های عامل انتقال می دهند.

برنج. 1.1. نمودار ساده شده سیستم عصبی

لازم به ذکر است که مغز از دو نوع سلول ساخته شده است: گلیال و نورون. و اگرچه نقش سلول های گلیال بسیار مهم به نظر می رسد، اکثر دانشمندان معتقدند که بیشتر راه برای درک نحوه عملکرد مغز، مطالعه نورون های متصل در یک شبکه متصل است. این رویکرد در ساخت شبکه های عصبی مصنوعی (ANN) استفاده می شود.

لازم به ذکر است که نظرات دیگری نیز وجود دارد. برخی از محققان بر این باورند که فرآیندهای اصلی نه در شبکه عصبی، بلکه در خود سلول ها، یعنی در اسکلت سلولی آنها، در به اصطلاح میکروتوبول ها رخ می دهد. بر اساس این دیدگاه، هم حافظه و هم حتی هوشیاری با تغییرات پروتئین‌ها در ساختارهای درون سلولی و اثرات کوانتومی مرتبط تعیین می‌شوند.

تعداد نورون های مغز 1010...1011 تخمین زده شده است. در یک نورون بیولوژیکی، واحدهای ساختاری زیر قابل تشخیص هستند (شکل 1.2):

بدن سلولی (سوما)؛

دندریت ها بسیاری از رشته های عصبی کوتاه منشعب (حداکثر 1 میلی متر) هستند که اطلاعات را از سایر نورون ها جمع آوری می کنند.

آکسون تنها رشته عصبی نازک و بلند (گاهی بیش از یک متر) است. آکسون هدایت تکانه ها و انتقال اثرات به سایر نورون ها یا فیبرهای عضلانی را تضمین می کند. در پایان خود، آکسون نیز منشعب می شود و با دندریت های نورون های دیگر تماس برقرار می کند.