Задачи искусственного интеллекта 7 Тест по теме «История развития искусственного интеллекта» 9 (стр. 9 из 24)

a) продукционные модели;

b) фреймы;

c) имитационные модели;

d) семантические сети;

e) формально - логические модели.

3. Что представляют собой семантическая сеть?:

a) сетевой график, вершины которого - сроки выполнения работ;

b) это нейронная сеть, состоящая из нейронов;

c) ориентированный граф, вершины которого - понятия, а дуги – отношения между ними.

4. Какой из основных типов отношений семантической сети, представленных ниже, может быть названа как АКО (A - Kind – Of)?

a) это;

b) элемент класса;

c) имеет частью;

d) принадлежит;

e) функциональная связь.

5. Чем отличаются семантические сети и фреймы?

a) Элемент модели состоит из множества незаполненных значений некоторых атрибутов, именуемых «слотами»;

b) наследование по AKO- связям;

c) элемент модели – структура, использующаяся для обозначения объектов и понятий.

6. Что объединяет семантические сети и фреймы?

a) организация процедуры вывода;

b) наследование свойств;

c) множества незаполненных значений некоторых атрибутов, именуемых «слотами»;

d) структуры, использующихся для обозначения объектов и понятий.

7. Какие из выражений, представленных ниже, являются структурной частью фрейма?:

a) значение N- го слота;

b) шаблон;

c) примитивные типы данных.

8. На каком формализме НЕ основаны логические модели?:

a) исчисление высказываний;

b) пропозициональная логика;

c) силлогизмы Аристотеля;

d) правильно построенные формулы;

e) нечёткие системы (fuzzy set).

Литература по теме «Представление знаний»

1. Барсегян А.А., Куприянов М.С., Степаненко В.В., Холод И.И. Методы и модели анализа данных: OLAP и Data Mining. – СПб.: БХВ-Петербург, 2004. – 336 с.

2. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем. СПб.: Питер, 2001. с. 384.

3. Рассел С., Норвиг П. Искусственный интеллект: современный подход, 2-е изд. – М.: Вильямс, 2006. - с. 1408.

§2. Нейронные сети

Так как основная задача искусственного интеллекта – моделирование рассуждений, а природное «устройство способное думать» – это мозг, то очевидной задачей является создание «искусственного мозга» «по образу и подобию» человеческого. Исследованием этого вопроса стали заниматься в рамках направления искусственного интеллекта нейрокибернетика.

Устройства мозга изучают такие науки как психология, нейрофизиология, нейробиология, обладающие достаточным объемом знаний. Основной идеей нейрокибернетики стало воссоздание «в железе» клетки мозга – нейрона.

Нейроны - специализированные клетки, способные принимать, обрабатывать, кодировать, передавать и хранить информацию, организовывать реакции на раздражения, устанавливать контакты с другими нейронами, клетками органов. Уникальными особенностями нейрона являются способность генерировать электрические разряды и передавать информацию с помощью специализированных окончаний — синапсов.

Число нейронов мозга человека приближается к 10¹¹. На одном нейроне может быть до 10 000 синапсов. Если только эти элементы считать ячейками хранения информации, то можно прийти к выводу, что нервная система может хранить 10¹⁹ ед. информации, т. е. способна вместить практически все знания, накопленные человечеством.

На рис. 8. приведена схема строения "типичного" нейрона.

Рис. 8. Общая схема строения биологического нейрона.

Тело клетки содержит множество ветвящихся отростков двух типов. Отростки первого типа, называемые дендритами за их сходство с кроной раскидистого дерева, служат в качестве входных каналов для нервных импульсов от других нейронов. Эти импульсы поступают в сому или тело клетки размером от 3 до 100 микрон, вызывая ее специфическое возбуждение, которое затем распространяется по выводному отростку второго типа - аксону. Длина аксонов обычно заметно превосходит размеры дентритов, в отдельных случаях достигая десятков сантиметров и даже метров. Нейрон может находиться в 2 состояниях: возбужденном или невозбужденном.

1943 год стал годом рождения теории искусственных нейронных сетей. Дж. Маккалок и У. Питт предложили модель формального нейрона (рис. 9) и описали основные принципы построения нейронных сетей.

Синапсы нейрона – места контактов нервных волокон – согласно этой модели, передают сигналы, определяя силу воздействия сигнала с этого входа на выходной сигнал, поступающий на аксон. Для этого каждому входу ставится в соответствие весовой коэффициент w_i. Дендриты получают входной сигнал, представленный вектором x_i. Затем нейрон обрабатывает поступивший сигнал, производя взвешенное суммирование и нелинейное преобразование, используя для этого активационную функцию (функции активации могут быть разными, наиболее распространенные линейная, пороговая и сигмойда), аргументом которой будет результат суммирования минус пороговое значение. Это значение определяет уровень сигнала, на который нейрон будет реагировать.

Рис. 9. Модель формального нейрона

Главным свойством биологического нейрона является его способность к обучению, его универсальность, способность решать различные задачи. Описанная выше модель неспособна к этому. Обучаемой она стала лишь в 1949 году благодаря Д.Хеббу (D. Hebb ), который, опираясь на физиологические и психологические исследования, выдвинул гипотезу об обучаемости биологических нейронов. Его метод обучения стал отправной точкой для алгоритмов обучения нейронных сетей без учителя.

Уже через год после этого в 1957 году в мировом научном мире произошло второе по значимости в истории нейронных сетей событие: американский физиолог Ф. Розенблатт разработал модель зрительного восприятия и распознавания — перцептрон (perceptron), а затем и построил первый нейрокомпьютер Марк-1.

Нейронные сети была просты, понятны и многообещающи. Сложные процессы мышления, казалось, были готовы раскрыться перед человеком, для их описания требовались лишь элементарные математические операции: сложение, умножение и линейная функция. На персептрон, а затем и многослойный персептрон возлагались большие надежды, поэтому бурный энтузиазм, с которым он был принят, достаточно быстро сменился жесткой критикой.

В 1969 году вышла в свет книга «Персептроны» М. Минского и С. Паперта, которая ознаменовала окончание первого этапа в истории нейронных сетей. В этой книге был проведен анализ возможностей однослойных нейронных сетей и их ограничений.

Ограничения, обнаруженные Минским, были характерны однослойным нейронным сетям, но не многослойным нейронным сетям, которым была присуща другая проблема – их обучение.

Предложенный 1986 году Д. Румельхардом алгоритм обратного распространения ошибки стал одним из ведущих факторов, породивших современный нейросетевой бум, т.к. являлся эффективным способом обучения нейронной сети достаточно произвольной структуры.

Нейронные сети могут реализовываться как программно, так и аппаратно. Постепенно направление нейрокибернетика преобразовалось в нейрокомпьютинг, шестое поколение компьютеров, базирующееся на нейронных сетях, имеющее свои достоинства и недостатки. Сравнительный анализ машины фон Неймана, идеи которой воплощены в первых 4 поколениях, и биологической нейронной системы, являющейся прообразом нейрокомпьютера, представлен в таблице 1.

Таблица 2. Сравнение машины фон Неймана с биологической нейронной системой.

Машина фон Неймана	Биологическая нейронная система
Процессор	Сложный	Простой
	Высокоскоростной	Низкоскоростной
	Один или несколько	Большое количество
Память	Отделена от процессора	Интегрирована в процессор
	Локализована	Распределенная
	Адресация не по содержанию	Адресация по содержанию
Вычисления	Централизованные	Распределенные
	Последовательные	Параллельные
	Хранимые программы	Самообучение
Надежность	Высокая уязвимость	Живучесть
Специализация	Численные и символьные операции	Проблемы восприятия
Среда функционирования	Строго определенная	Плохо определенная
	Строго ограниченная	Без ограничений

Классификация искусственных нейронных сетей

По топологии (рис. 10, рис. 11):

- полносвязные (каждый нейрон связан со всеми остальными нейронами, в том числе и сам с собой);

- многослойные (нейроны располагаются слоями и каждый нейрон последующего слоя связан со всеми нейронами текущего слоя).

Рис. 10. Полносвязная нейронная сеть Рис. 11. Слоистая нейронная сеть

По организации обучения:

- с учителем (нейронную сеть обучают, подавая на вход значения обучающей выборки и предоставляя требуемые выходные значения);

- без учителя (на входы нейронной сети подают множество объектов и нейронная сеть сама делит их на кластеры или классы).

По типам структур (рис. 12):

- нейроны с одним типом функции активации (все нейроны сети имеют одну функцию активации f(x), например, линейную);

- нейроны с несколькими типами функций активации (нейроны сети имеют различные функции активации).