Экология энергетики Атомные станции Атомная энергетика Все франшизы собранные на http://rarf.ru/ 2016 года. Нормы радиационной безопасности Специальные меры защиты Потенциальные аварийные ситуации на АЭС Последствия радиационной аварии

Методы и модели искусственного интеллекта

Мем № 19: «Обладая возможностью запоминать и взаимосвязывать огромное число каузальных сил, компьютер может нам помочь справляться с проблемами на гораздо более глубоком, чем обычно уровне. Он может просеивать громадные массивы данных, чтобы отыскать едва уловимые образцы, помочь собрать разрозненные "крупицы информации" в большое по объему и значению целое... Можно ожидать, что компьютеры углубят всю культуру суждения о причинности, усиливая наше понимание взаимосвязанности вещей, помогая нам синтезировать значимое "целое" из вихря кружащихся вокруг нас разрозненных данных»

Э. Тоффлер ["Третья волна", цит. по: Леонов, URLв].

Развитие концепции искусственного интеллекта

Современные исследователи экономики, истории, философии и геополитики признают уже как свершившийся факт начало эры "Третьей волны", концепция которой описана и сформулирована в известной книге американского футуролога Э. Тоффлера. Третья волна – зарождение цивилизации, в которой доминирующим ресурсом развития становятся Информация и Знание. В этой связи наступает переосмысление наших взглядов на компьютеры и информационные технологии [Райс, 1998, Смолл, 1997]. Внедрение технологии в Сибири. Первая мини-ТЭЦ, внедренная в Омском регионе

Однако и сами традиционные компьютерные технологии в предшествующее десятилетие столкнулись с лавинообразным ростом информации, которую не в состоянии обработать. На первый план выдвинулись трудно формализуемые проблемы и задачи, оперирующие с нечеткими множествами [Заде, 1974; Орловский, 1981; Масалович, 1995, URL]. Необходимость бесконечно создавать терабайты программного обеспечения вылилась в "творческий" кризис, выход из которого связан с переходом на качественно новый информационно-технологический уровень, который могут обеспечить только системы искусственного интеллекта [Нильсон, 1973, Хант, 1978; Уинстон, 1980; Лорьер, 1991]. Поэтому дальнейшее развитие средств компьютеризации во всем мире проходит под знаком программы "Вычисления в Реальном мире" (Real World Computing – RWC), инициированной Японией в 1992 г. [Горбань с соавт., 1998]. В ней речь идет прежде всего о том, чтобы дать вычислительным и управляющим системам возможность самостоятельно, без помощи "переводчика"-человека воспринимать сигналы внешнего мира и воздействовать на него. Авторы программы огромную роль – до 30-40% ее содержания – отводят развитию систем искусственного интеллекта, исследованию естественных и созданию искусственных нейросетевых систем.

Искусственный интеллект ИИ (artificial intelligence) обычно трактуется как свойство автоматических систем брать на себя отдельные функции мыслительной способности человека, например, выбирать и принимать оптимальные решения на основе ранее полученного опыта и рационального анализа внешних воздействий [Сотник, URL]. Речь идет, в первую очередь, о системах, в основу которых положены принципы обучения, самоорганизации и эволюции при минимальном участии человека, но привлечении его в качестве учителя и партнёра, гармоничного элемента человеко-машинной системы.

Естественно, что попытки создать ИИ на базе компьютеров начались на заре развития компьютерной техники. Тогда господствовала компьютерная парадигма, ключевыми тезисами которой утверждалось, что машина Тьюринга является теоретической моделью мозга, а компьютер – реализацией универсальной машины и любой информационный процесс может быть воспроизведён на компьютере. Такая парадигма была доминирующей долгое время, принесла много интересных результатов, но главной задачи – построения ИИ в смысле моделирования мышления человека, так и не достигла. Компьютерная парадигма создания ИИ, потерпевшая крах в связи с неправильным набором ключевых предпосылок, логично трансформировалась в нейроинформатику, развивающую некомпьютерный подход к моделированию интеллектуальных процессов. Человеческий мозг, оперирующий с нерасчленённой информацией, оказался значительно сложнее машины Тьюринга. Каждая человеческая мысль имеет свой контекст, вне которого она бессмысленна, знания хранятся в форме образов, которые характеризуются нечёткостью, размытостью, система образов слабо чувствительна к противоречиям. Система хранения знаний человека характеризуется высокой надёжностью вследствие распределённого хранения знаний, а оперирование с информацией характеризуется большой глубиной и высоким параллелизмом.

Переработка информации в любых интеллектуальных системах основывается на использовании фундаментального процесса – обучения. Образы обладают характерными объективными свойствами в том смысле, что разные распознающие системы, обучающиеся на различном материале наблюдений, большей частью одинаково и независимо друг от друга классифицируют одни и те же объекты. Именно эта объективность образов позволяет людям всего мира понимать друг друга. Обучением обычно называют процесс выработки в некоторой системе специфической реакции на группы внешних идентичных сигналов путем многократного воздействия на распознающую систему сигналов внешней корректировки. Механизм генерации этой корректировки, которая чаще всего имеет смысл поощрения и наказания, практически полностью определяет алгоритм обучения. Самообучение отличается от обучения тем, что здесь дополнительная информация о верности реакции системе не сообщается.

Мы рассмотрели в предыдущем разделе два основных принципа обучения распознаванию образов – геометрический, основанный на построении разделяющих поверхностей в пространстве образов, и структурный (лингвистический), основанный на выделении базовых структурных признаков и отношений между ними. Однако, например, концепции построения нейронных сетей, нелинейных по своей природе, предоставляют качественно более мощные методы моделирования процесса распознавания, позволяющие воспроизводить чрезвычайно сложные зависимости. 

Интеллектуальные информационные системы могут использовать "библиотеки" самых различных методов и алгоритмов, реализующих разные подходы к процессам обучения, самоорганизации и эволюции при синтезе систем ИИ. Поскольку к настоящему времени нет ни обобщающей теории искусственного интеллекта, ни работающего образца полнофункциональной ИИ-модели, то нельзя сказать, какой из этих подходов является правильным, а какой ошибочным: скорее всего они способны гармонично дополнять друг друга.

Искусственный интеллект реализуется с использованием четырех подходов (с трудом удержимся, чтобы не произнести модное «парадигм»): логического, эволюционного, имитационного и структурного. Все эти четыре направления развиваются параллельно, часто взаимно переплетаясь.

Природа и математическое мышление Идеологической основой технологической цивилизации является Научная Идеология, или Сциентизм (англ. Science). Она основана на вере в существование небольшого числа точно формулируемых законов природы, на основе которых все в природе предсказуемо и манипулируемо. Природа рассматривается как гигантская машина, которой можно управлять, если известен принцип ее функционирования. Эта научная идеология, как заметил еще Э. Мах, часто играет роль религии технологической цивилизации.

Выявлены два основных направления исследований: экосистемное и популяционное. Показано, что при изучении растительных сообществ чаще используется экосистемный подход, а сообществ наземных животных и птиц – популяционный. Сообщества водных организмов служат объектом для обоих подходов. К математическим ключевым словам были отнесены названия статистических характеристик, методов преобразования и обработки данных, пакетов прикладных программ.

В тех случаях, когда установлено постоянное и удовлетворительно точное согласие между математической моделью и опытом, такая модель приобретает практическую ценность. Эта ценность может быть достаточно велика, вне зависимости от того, представляет ли сама модель чисто математический интерес. Итак, сформулируем еще один принцип математического моделирования в экологии: модель должна иметь конкретные цели. Условно такие цели можно подразделить на три основных группы: 1) компактное описание наблюдений; 2) анализ наблюдений (объяснение явлений); 3) предсказание на основе наблюдений (прогнозирование).

Аналитические модели (англ. analytical models) – один из классов математического моделирования, широко используемый в экологии. При построении таких моделей исследователь сознательно отказывается от детального описания экосистемы, оставляя лишь наиболее существенные, с его точки зрения, компоненты и связи между ними, и использует достаточно малое число правдоподобных гипотез о характере взаимодействия компонентов и структуры экосистемы. Аналитические модели служат, в основном, целям выявления, математического описания, анализа и объяснения свойств или наблюдаемых феноменов, присущих максимально широкому кругу экосистем. Так, например, широко известная модель конкуренции Лотки–Вольтерра позволяет указать условия взаимного сосуществования видов в рамках различных сообществ. Попытки моделирования динамики популяций предпринимаются давно. Модель конкуренции (уравнения Лотки–Вольтера, 1925-26 гг.) – классический пример аналитической модели, позволяющей объяснить и проанализировать возможные исходы межвидовой конкуренции. Однако, если модели типа "хищник–жертва" в частных случаях обнаруживали совпадение с данными натурных наблюдений, то значительно хуже обстояло дело с взаимодействием организмов и окружающей среды. Сначала появились частные модели взаимодействия биоты с такими отдельными факторами, как солнечная радиация, температура [Крогиус с соавт., 1969], потом – модели взаимодействия организмов с абстрактными "ресурсами

Эмпирико-статистические модели объединяют в себе практически все биометрические методы первичной обработки экспериментальной информации. Основная цель построения этих моделей состоит в следующем: упорядочение или агрегирование экологической информации; поиск, количественная оценка и содержательная интерпретация причинно-следственных отношений между переменными экосистемы; оценка достоверности и продуктивности различных гипотез о взаимном влиянии наблюдаемых явлений и воздействующих факторов; идентификация параметров расчетных уравнений различного назначения.

Схемы представления результатов статистической обработки для различных критериев и методов анализа Задачи о выборках: анализ распределений, сравнение, поиск зависимостей

Таблицы сопряженности и интервальная математика Математический аппарат, осуществляющий анализ таблиц сопряженности, используется в тех случаях, когда данные, в которых измерены показатели Y  и X, представлены в шкале наименований или порядковой шкале В этих случаях любые статистические методы, основанные на параметрических распределениях, оказываются неприменимыми и анализ таблиц сопряженности [Елисеева, Рукавишников, 1977; Аптон, 1982; Енюков, 1986; Флейс, 1989] оказывается практически единственным надежным видом обработки (хотя существуют, например, специальные методы регрессии типа логит- и пробит-анализа или нейросетевой анализ). Наиболее часто используются иерархические классификации [Айвазян с соавт., 1974; Жамбю, 1988], которые могут быть представлены в двух основных формах – дерева (фиг. А рис. 2.3) и вложенного множества (фиг. В). Дерево представляет собой специальный вид направленного графа – структуры, состоящей из узлов, связанных дугами

Оценка качества водных экосистем по многомерным эмпирическим данным

Методы распознавания образов Как отмечалось выше, реальные гидробиологические объекты отличаются друг от друга какими-либо свойствами, но в то же время, многие из них обладают и некоторой общностью, что позволяет объединять объекты в классы. В математической литературе часто используется тождественное «классу» понятие «образа» и многие задачи классификации объединены под названием "проблемы распознавания образов". Наиболее удачно смысл этого термина сформулирован Н.Г. Загоруйко [1972]: «Под образом будем понимать наименование области в пространстве признаков, в которой отображается множество объектов или явлений реального мира».

Классификация методов распознавания образов; области их применения, наличие ограничений и недостатков

Выбор методов многомерного анализа и особенности их реализации

Логический подход Основой для логического подхода служит булева алгебра и ее логические операторы (в первую очередь, знакомый всем оператор IF ["если"]). Свое дальнейшее развитие булева алгебра получила в виде исчисления предикатов, в котором она расширена за счет введения предметных символов, отношений между ними, кванторов существования и всеобщности. Практически каждая система ИИ, построенная на логическом принципе, представляет собой машину доказательства теорем. При этом исходные данные хранятся в базе данных в виде аксиом, а правила логического вывода – как отношения между ними.

По своим принципам инвариантного отображения среды многорядные алгоритмы МГУА чрезвычайно близки идеям нейросетевого моделирования, в частности, многослойному персептрону Ф. Розенблатта.

Структурный подход и нейросетевое моделирование Под структурным подходом подразумеваются попытки построения систем ИИ путем моделирования структуры человеческого мозга. В последние десять лет впечатляет феномен взрыва интереса к структурным методам самоорганизации – нейросетевому моделированию, которое успешно применяется в самых различных областях – бизнесе, медицине, технике, геологии, физике, т.е. везде, где нужно решать задачи прогнозирования, классификации или управления


Системы автоматизированного контроляв районе АЭС