- •Глава 1. Компьютерные информационные технологии Этапы развития ит по виду инструментариев
- •Классификация кит
- •Классификация кит по проблемам, стоящим на пути информатизации общества
- •Классификация кит по преимуществу, которое приносит компьютерная технология
- •Информационные технологии обработки данных
- •Основные компоненты обработки данных
- •Технологическая система обработки информации
- •Информационные технологии управления
- •Автоматизация офиса
- •Ит поддержки принятия решений
- •Основные компоненты систем ппр
- •История создания сппр
- •Классификация сппр
- •Типы сппр
- •Области применения сппр Телекоммуникации
- •Банковское дело
- •Страхование
- •Розничная торговля
- •Рынок сппр
- •Ит экспертных систем
- •Особенности экспертных систем, применение экспертных систем
- •Модули представления знаний в экспертной системе
- •Логическая модель представления знаний
- •Продукционная модель представления знаний
- •Ит программирования
- •Objtct-ориентированное программирование
- •Агентно-ориентированное программирование Основные термины и определения
- •Свойства агента
- •Понятие многоагентной системы (mac)
- •Процесс самоорганизации в мультиагентной системе
- •Классификация эвм по этапам создания
- •Классификация эвм по назначению
- •Классификация универсальных эвм по размерам и функциональным возможностям
- •СуперЭвм
- •Большие эвм
- •Малые эвм
- •МикроЭвм
- •Компьютерые сети
- •Классификация вс
- •Основные формы взаимодействия абонентских эвм
- •Характеристика процесса передачи данных Режим передачи данных
- •Аппаратная реализация передачи данных Способы передачи данных
- •Аппаратные средства приема передачи
- •Характеристики коммуникационной сети
- •Архитектура компьютерных сетей Эталонные модели взаимодействия систем
- •Протоколы компьютерной сети Понятие протокола
- •Основные виды протоколов
- •Стандарты протоколов
- •Локальные вычислительные сети (лвс)
- •Архитектуры лвс Однораноговая сеть
- •Сеть с выделенным сервером
- •Понятие клиент и сервер
- •Типовые топологии лвс
- •Кластерные эвм
- •Краткая история появления и обзор существующих кластерных систем
- •Кластеры класса Беовульф Определение Беовульф
- •Классификация Беовульф
- •Программные пакеты, используемые кластерами Беовульф
- •Сетевые соединения
- •Анализ текущего состояния кластерных технологий
- •Недостатки кластеров
- •Grid — виртуализация ресурсов
- •Grid — продукты и технологии Sun
- •Искусственный интеллект
- •Загадка человеческого мозга
- •Нейросети и нейрокомпьютеры
- •Мозговые аналогии нейросетей
- •О моделировании нейронных сетей
- •Этапы развития нейрокомпьютеров
- •Модель нейрона
- •Обучение нейронной сети
- •Структурные модели нейронных систем Сети с отсутствие обратных связей
- •Сети с обратными связями
- •Сети с симметричными связями
- •Сети с системой усиления-торможения (сут)
- •Направления исследования нейросетей
- •Интеллектуальные робототехнические системы
- •Экономические аспекты внедрения интеллектуальных роботов в жизнь
- •Генетические алгоритмы
- •Эволюционное программирование
- •Транспьютеры
- •Транспьютерные сети
- •Обеспечение безопасности информационных систем
- •Критерии оценки информационной безопасности
- •Методы и средства защиты информации Методы
- •Средства защиты информации
- •Угрозы информационной безопасности
- •Вирусные атаки
- •Международно-правовой опыт в сфере компьютерной информации
- •Метод деления отрезком пополам
- •Метод золотого сечения
- •Методы вычисления корня функции одной переменной Метод простой итерации
- •Метод деления отрезка пополам
- •Метод Ньютон
- •Метод Вегстейна
- •Интерполяция функции
- •Решение задачи Коши для системы дифференциальных уравнений
- •Метод Зейделя
- •Метод простой итерации
- •Решение систем линейных алгебраических уравнений (слау)
- •Метод исключения Гаусса
Сети с обратными связями
Сети персептронного типа не имеют памяти, то есть вектор выхода У у них полностью зависит от комбинации входов Х.
У сетей с обратными связями, имеются соединения с выходом нейронов на входы других нейронов.
Таким образом, формируется аналог памяти нервной системы.
В этой модели возникает одна очень важная проблема: как избежать возбуждения последовательности нейронов по кольцу обратной связи.
Хотя установлено наличие в головном мозге большого числа обратных связей, пока еще не совсем ясно, как мозг надежно избегает подобного типа возбуждения.
Сети с симметричными связями
В этой модели ,образуются ансамбли с более жесткими связями.
В отличие от персептрона ансамблевая модель может обучаться и без учителя.
Связность внутри групп нейроподобных элементов, которые наиболее часто возбуждались одновременно, будет значительно выше, чем по сети в целом. Так образуются ядра ансамблей, в которых накапливаются комбинации признаков, наиболее часто встречающихся во входных образах.
Количество образов, которые можно запомнить и восстановить в ансамблевой сети, может значительно превышать число нейронов сети, особенно при малых образах.
В этой сети возникает проблема перевозбуждения ансамблей. Разработаны алгоритмы защиты от этого.
Сети с системой усиления-торможения (сут)
Основой здесь является не нейрон, а нейронный ансамбль.
Влияние СУТ на нейронную сеть двойственно: вначале она выделяет наиболее активный в данный момент ансамбль, увеличивает его активность и притормаживает все остальные ансамбли. Затем воздействие СУТ на этот ансамбль постепенно ослабевает и в момент, когда активным становится другой ансамбль, СУТ переключается на него. Далее все повторяется до тех пор, пока образ не будет осознан.
Направления исследования нейросетей
Существует два направления исследования нейросетей:
М-сети
А-сети.
У А-сетей формальным элементом является нейрон. Цель этой сети — это моделирование процесса формирования ансамблей. В А-сетях активно используется процесс обучения на примерах. А-сеть имеет возможность распознавания образов, обобщения, логического вывода.
У М-сетей формальным элементом является ансамбль нейронов. М-сети в основном используются для создания экспертных систем и систем принятия решений. Их обучение не связано с большими затратами ресурсов.
Возможен и синтез сетей: М-сеть в какой-то момент становится А-сетью; А-сеть дообучается и затем становится М-сетью.
Кроме приведенного в настоящее время существует множество алгоритмов структурного формирования сети и правил определения синоптических весов Wi.
Интеллектуальные робототехнические системы
С проблемами искусственного интеллекта тесно связаны вопросы разработки специальных механизмов и машин, имитирующих умственную деятельность и сложные физические действия человека — интеллектуальных роботов. Интеллектуальный робот — это система, управляемая компьютером и способная к самостоятельному целенаправленному взаимодействию с окружающей средой. В самом общем случае такая система способна:
воспринимать и распознавать объекты окружающей среды;
формировать внутреннее представление об окружающей среде и протекающих в ней процессах;
принимать решения и формировать планы собственных действий в соответствии с заданными целями на основе накопленных знаний и опыта;
изменять обстановку окружающей среды путем манипулирования с ее объектами;
общаться с человеком на языках, близких к естественному.
Интеллектуальный робот — неизменный элемент гибкой производственной системы. Он может быть легко перепрограммирован на решение различных производственных задач. При этом отпадает необходимость реорганизации производственных участков и промышленных цехов.
Интеллектуальный робот получает визуальную, звуковую информацию из внешнего мира через специальную сенсорную систему, посредством которой он связан с окружающей средой. Основным орудием воздействия робота на окружающую среду является его манипулятор. Необходимые степени свободы при его функционировании обеспечиваются системой перемещения робота и его манипулятора. Другими важнейшими подсистемами робота являются система связи с человеком и когнитивная система. В когнитивной системе производится обработка всей полученной информации, необходимой для управления собственным поведением робота в реальной производственной среде. Именно в этой системе реализуются функции, в совокупности напоминающие человеческую психику, такие, как восприятие, память, решение задач и обучение.
Разрабатываемые в настоящее время интеллектуальные роботы не являются в достаточной мере совершенными. В большинстве случаев они состоят из манипулятора, датчиков визуальной и тактильной информации, системы распознавания зрительных образов, механизмов для определения расстояний, развитых программных средств обработки информации об окружающей среде и планирования действий робота и управляющей системы.
Интеллектуальные роботы грядущих поколений будут содержать, кроме того, средства распознавания и понимания слитной человеческой речи (вначале ограниченный набор слов и выражений), подсистему обучения, совершенный автоматический решатель задач (способный к переформулированию задач при возникновении непредвиденных ситуаций), совершенные механизмы поиска и обработки различных видов информации и развитые средства вывода (в том числе при наличии неполной, нечеткой и неопределенной информации).
Разработка интеллектуальных робототехнических систем с такими возможностями потребует решения многих сложных научно-технических задач, для которых в настоящее время можно лишь наметить перспективные пути их решения. Многие робототехнические задачи ведут к большим трудностям организации вычислений, связанным, в частности, с необходимостью обработки в реальном масштабе времени больших объемов часто сменяющихся данных. К таким задачам, прежде всего, относятся восприятие и анализ сцен с движущимися объектами, логическое рассуждение, вывод и планирование деятельности, распознавание и понимание слитной речи. Подобные задачи можно эффективно решать только на параллельных компьютерах с очень высоким быстродействием.
Кроме актуальной задачи создания перспективных архитектур компьютеров с применением новейших видов технологий изготовления микросхем, важной задачей является разработка параллельных алгоритмов и программ задач робототехники.
