- •1 Основные понятия и структурная схема приборного комплекса.
- •17 Принципы построения измерителей навигационных параметров в живом организме.
- •2.Комплексы оборудования самолетов.
- •10 . Основные направления развития исследований и систем искусственного интеллекта
- •4. Основные характеристики и требования, предъявляемые к системам отображения информации.
- •5. Навигационные комплексы. Общие сведения и классификация.
- •11.Диалоговые системы искусственного интеллекта.
- •12 Бионика, как наука.
- •6.Основные закономерности построения навигационных комплексов.
- •7.Навигационные комплексы на базе микропроцессоров.
- •8.Иерархические структуры навигационных комплексов. Системы искусственного интеллекта в навигационных комплексах.
- •18 Общие принципы построения биологических навигационных комплексов.
- •22 Интеллектуальный биологический навигационный комплекс.
- •9.Понятие об искусственном интеллекте. Интеллектуальные системы.
- •13 Обобщенная модель живого организма.
- •14 Основные функции живого организма.
- •15 Навигационная бионика. Общность задач и основных принципов навигации в живой природе и технике.
- •16 Общая характеристика методов навигации.
- •19 Информационное обеспечение пространственной навигации животных.
- •20 Обеспечение точности и надежности функционирования навигационных биосистем.
- •21 .Накопление априорной информации в биологических навигационных комплексах при обучении.
- •23 Основные особенности биологических навигационных комплексов.
- •24 Системы искусственного интеллекта – системы, базирующиеся на знаниях.
- •25 Основные структуры систем искусственного интеллекта.
- •26 Представление знаний.
- •27. Семантические сети.
- •28 Фреймовые модели.
- •29 Логические модели знаний и системы логического вывода.
- •30 Продукции и продукционные системы.
- •31. База знаний систем искусственного интеллекта.
- •32 Стратегия управления и механизм вывода в системах искусственного интеллекта.
- •33 Прямая цепочка рассуждений. База знаний. Обобщенный алгоритм работы.
- •34 Обратная цепочка рассуждений. Дерево решений. База знаний. Обобщенный алгоритм работы.
- •35 Общие методы поиска решений в пространстве состояний.
- •41)Нечеткие множества и лингвистические переменные.
- •42)Операции с нечеткими множествами.
- •37 Особенности разработки баз знаний бортовых экспертных систем.
- •43)Нечеткие алгоритмы.
- •47) Программная и аппаратная реализация нечетких регуляторов.
- •44)Общие принципы построения интеллектуальных систем управления на основе нечеткой логики.
- •45) Процедура синтеза нечетких регуляторов.
- •46) Синтез адаптивной сау с эталонной моделью на основе нечеткой логики.
- •48)Общая характеристика проблемы построения искусственных нейронных сетей. История проблемы.
- •49)Моделирование механизмов человеческого мышления. Модели нейронов.
- •50_Реализация логических функций на формальных нейронах. Проблема «Исключающего или».
- •51 .Искусственные нейронные сети. Общие положения.
- •52 . Персептрон ф. Розенблатта.
- •53 .Адаптивный пороговый элемент.
- •55. Общие принципы построения интеллектуальных сау с использованием нейронных сетей.
- •39 Нечеткая логика: история проблемы, практические приложения.
- •54. Многослойные персептроны. Алгоритм обратного распространения.
- •57 Применение нейронных сетей в задачах адаптации алгоритмов управления нелинейными объектами.
- •62. Нейрокомпьютер фирмы аас.
- •61. Способы реализации нейронных сетей. Примеры реализации нейрокомпьютеров.
- •1. Нейрокомпьютеры на базе транспьютеров.
- •58. Применение нейронных сетей в задачах идентификации математических моделей динамических объектов.
- •59 Обзор возможных вариантов построения нейронных сетей.
- •63.Генетические алгоритмы. Особенности построения и реализации
- •38 Системы искусственного интеллекта с использованием нечеткой логики.
- •36.Проблемы разработки бортовых оперативно-советующих экспертных систем.
50_Реализация логических функций на формальных нейронах. Проблема «Исключающего или».
Как было отмечено выше, формальный нейрон - это абстрактный логический элемент, в котором отражены лишь те свойства живого нейрона, которые связаны с переработкой информации.
Схему формального нейрона («клетки» Мак-Каллока-Питтса) для случая бинарных сигналов (без тормозящих входов и учета задержки) можно представлять следующим образом (рис. 29.4).


Схема клетки Мак-Каллока-Питтса Ступенчатая выходная функция клетки
Данное обозначение было введено М. Мински в 1967 году. Условие возбуждения нейрона здесь принимает вид:
где
l
- значение i-го
входа,
;
- порог возбуждения нейрона. Соответствующая
функция активации нейрона показана на
рис. 29.5.
Моделирование стандартных булевых (логических) функций осуществляется при этом следующим образом (см. рис. 29.6 - 29.7).


2-входовая схема “И”. 3-входовая схема “И”.
Рис. 29.6. Пример реализации логического “И” на формальном нейроне

2-входовая схема “ИЛИ” 4-входовая схема “ИЛИ”
Рис. 29.7. Пример реализации логического “ИЛИ” на формальном нейроне
Известно, что с
помощью операций И, ИЛИ можно реализовать
только монотонные логические функции,
т.е. такие, когда увеличение любого из
входов - аргументов
приводит к увеличению (или неубыванию)
функции
.
Для реализации немонотонных логических
функций, помимо возбуждающих, должны
использоваться и тормозящие входы (см.
рис. 29.8).
На рис. 29.8,а выход
принимает значение только тогда, когда
и
.
Аналогично для схемы на рис. 29.8,б имеем
только в том случае, если
и
;
а на рис. 29.8, в выход
только тогда, когда
.

Рис. 29.8. Примеры реализации логических функций с использованием тормозящих входов
Для реализации более сложных логических функции может использоваться последовательно-параллельное соединение нескольких формальных нейронов, именуемое искусственной нейронной сетью или просто – нейронной сетью (НС).
Допустим, что
логическая функция
задана табл. 29.1.
Таблица 29.1.

Данная функция,
получившая название «Исключающего
ИЛИ» (в зарубежной литературе -
),
реализуется с помощью схемы, представленной
на рис. 29.9.

Рис. 29.9. Реализация функции «Исключающего ИЛИ»
Для того чтобы убедиться в этом, запишем условия возбуждения формальных нейронов:

Действительно,
нейрон
возбужден
только тогда, когда
или
,
а это, в свою очередь, имеет место в
случаях
или
Отличительная
особенность данного примера заключается
в том, что вместо одного линейного
неравенства (29.1) (или (29.2)), характеризующего
условие возбуждения нейрона для схем,
изображенных на рис. 29.4, 29.6 – 29.8, здесь
приходится проверять выполнение уже
двух независимых условий (29.3) и (29.4),
после чего выход рассматриваемой
нейронной сети
вычисляется с помощью стандартной
логической операции ИЛИ:
.
Более того, можно утверждать, что не
существует такой линейной разделяющей
функции
с произвольными весовыми коэффициентами
и порогом
,
что условия:
при

при

определяют логическую функцию, заданную табл. 29.1. Соответственно этому логические функции, представленные на рис. 29.4, 29.6 – 29.8, относят к классу линейно разделимых функций, а логическую функцию «Исключающего ИЛИ» - к классу линейно неразделимых функций. Последнее обстоятельство и потребовало более сложной реализации логической функции на формальных нейронах.
