Графический диспетчер движения поездов
Составление расписания — оптимизационная задача (оптимизируются известные технико экономические показатели) значительной трудоемкости, поэтому до сих пор диспетчер фактически работает вручную, хотя существуют некоторые эвристические алгоритмы.
Традиционно расписание движения поездов через перегон, контролируемый одним диспетчером, составляется графически, в виде схемы с подразумеваемой системой координат: горизонтально — время, вертикально — расстояние от одного конечного пункта до другого с указанием промежуточных расстояний. Тогда график движения каждого поезда будет представлен в виде наклонной линии с переменным углом наклона, с учетом остановок. Общий угол наклона линии соответствует направлению движения поезда. Несколько поездов, следующих через перегон, порождают сложную «картинку» их обслуживания согласно приоритетам, возможного схождения путей в один, длины поезда (с учетом длины путей станций), необходимой скорости следования, запретом остановок.
Диспетчер должен умело управлять поездами так, чтобы за время ожиданий одних поездов на пунктах перегона провести другие, выдержав приоритет: скорый, пассажирский, сквозной, сборный и т.д., по возможности избежав столкновений и остановок вне пунктов следования.
На рис. 9.11 показан график движения поездов на однопутном перегоне. Здесь кривая 1 соответствует скорому поезду, кривые 2 и 3 — двум сквозным поездам, следующим в одном направлении из пункта А. Кривая 4 соответствует сборному поезду, следующему, как и поезд, в противоположном направлении из пункта В.
Существенное Существенное возбуждение возбуждение нейрона первого нейрона второго расписания расписания
Можно представить себе мастерство, интуицию
Можно представить себе мастерство, интуицию и опыт диспетчера, действительно демонстрирующего искусство!
Мы имеем дело с трудно формализуемой задачей и с необходимостью расширения интеллектуальных возможностей диспетчера. Конструируя нейросеть, необходимо выделить основные события, составляющие исходную ситуацию с четким ответом «да — нет», «10» .
Как автоматизировать решение задачи для каждого конкретного перегона на основе богатого опыта диспетчера эксперта? Прежде всего надо определить понятие «ситуация», выделив и систематизировав все показатели и характеристики: максимальное количество поездов, следующих через перегон в разных направлениях, и допустимые интервалы следования, типы поездов, различные сочетания этих типов, установленные скорости движения и допустимые отклонения, разрешенные остановки, длину состава (при известной длине резервных путей на пунктах перегона). Необходимо разработать способ отображения ситуации на входном слое нейросети.
Далее следует выделить эталонные ситуации и сопоставить им картинки, аналогично приведенным на рис. 9.11, т.е. каждой картинке эталону нужно поставить в соответствие нейрон выходного слоя сети и проложить трассу опорный путь возбуждения от эталона к соответствующему нейрону.
Нейросеть позволит нам перейти от статики экспертной системы (фактически таблицы) к динамике, позволяющей по любой случайной ситуации получать ответ на вопрос: «какая картинка в большей степени соответствует этой ситуации?».
Однако таким образом нельзя исключить аварии, т.е. на этом анализ ситуации не заканчивается. Мы не использовали всю информацию нейросети.
Во первых, сравнение величины возбуждения нейрона выходного слоя (пусть и максимальной) по предъявленной ситуации с величиной возбуждения этого нейрона по эталону может свидетельствовать о достоверности полученного ответа. Если разница лежит в пределах экспериментально установленной точности, то ответ найден. Если же точность недостаточна, то можно построить (автоматически, конечно) приоритетный ряд, выделив нейроны выходного слоя с близкими (ближайшими) величинами возбуждения. Эти величины возбуждения нейронов образуют веса, которые необходимо учесть при использовании картинок, соответствующих этим нейронам.
Во вторых, должна быть решена проблема формирования усредненной картинки по нескольким картинкам с их весами, где основные элементы сместятся в некоторое промежуточное положение. Только тщательное экспериментальное исследование даст ответ на вопрос о возможности и конкретной практической применимости такого решения проблемы.
Например, в исследуемом отрезке времени (см. рис. 9.11) поезд появляется на контролируемом перегоне. Возникают следующие вопросы:
И так по всем поездам
1. Сколько поездов на обслуживании:
n = 1?
n =2 ?
n=n ?
max
2. Каков момент появления поезда:
i = 1?
i = 2?
t=t ?
max
3. Каково направление движения:
от пункта A ?
от пункта B ?
4. Каков тип поезда:
скорый? товарный? и т.д.
И так по всем поездам в планируемом отрезке времени. Таким образом, в зависимости от обстановки, которая ожидается на период планирования, составляется сложная усредненная картинка — график движения.
Однако мы говорим об ассоциативном
Однако мы говорим об ассоциативном мышлении, реализуемом нейросетью, о возможности нейросети интерполировать принимаемое решение. Что означает ее ответ: «На 60 из 100 это «картинка» А, но на 30 из 100 «картинка» В, а на 8 из 100 «картинка» С»? Непонятно, но наводит на мысль о возможности автоматического выполнения операций над «картинками». Однако получение «усредненной картинки» должно быть строго обосновано непрерывностью основных параметров, отсутствием скачков. Например, кажущаяся непринципиальной разница в один вагон может привести к тому, что на станции Пырловка поезд не впишется в длину запасного пути.
где «+» — условная операция наложения «картинок», а операция «х» использует вес данной «картинки» и определяет долю ее участия в формировании "картинки"результата.
Графически это может означать направление смещения, растяжения и сжатия, в общем, деформации основных общих элементов «картинок» А, В, С для получения результата.
Кстати, на основе такой операции преобразования "картинок" получают среднестатистические образы населения стран и регионов, производят этническое прогнозирование и т.д.
В любом случае работа нейросетевого диспетчера должна сопровождаться работой анимационной модели, наглядно имитирующей движение поездов по сформированному графику и эффектно, в деталях воспроизводящей возможную катастрофу. Модель, в свою очередь, может служить средством обучения нейросети. А потому всегда должно быть предусмотрено, что окончательное принятие решения — за человеком.
И вот после некоторых размышлений
Тогда подросток стирает рисунок, и КОМПИ приходит в состояние недоуменного ожидания. И вот после некоторых размышлений художник изображает... велосипед.
«Что это такое?» — спрашивает КОМПИ.
«Это — велосипед, на нем катаются», — следует ответ.
Дальнейшая пауза свидетельствует о том, что происходит обучение нейросети. Ситуация, отразившаяся на нейронах входного слоя, образующих экран для рисования, передается нейрону выходного слоя (или коры). Этот нейрон будет теперь соответствовать «эталону» — велосипеду. Нейрон, в свою очередь, должен определить возбуждение нейрона, ведающего действием «кататься». Запускаются программы, имитирующие движения КОМПИ, и он неуклюже, конечно же, неправильно и смешно, как его учили, например, обращаться с осликом, подминает под себя копию введенного изображения велосипед.
Возникает потребность расширения (в условиях производящей компании) возможностей игры дополнением специальных программ имитации красивого велосипеда (распознанного по корявому эталону) и всех действий КОМПИ при езде на нем.
Средствами трехмерной трафики, например 3D Studio MAX, производя деформаций сокращающихся мышц, можно имитировать действия и мимику. Состав же программных процедур, включаемых в каждом такте управления для такой деформации, и их параметры определяются возбуждением нейронов выходного слоя сети при распознавании заданной ситуации — рисунка на экране. Еще не установлено точно, может ли это MАХ, однако ясно, что результат достигается средствами двумерной и трехмерной компьютерной графики, на основе управления деформацией объектов. Не исключено, что здесь потребуется разработка новых систем компьютерной графики, основанных на «мышечной» деформации.
Например, создав объект в плоской или трехмерной памяти, мы можем, дважды щелкнув мышью, задать точку начала и точку конца мышцы, зафиксировав ее в списке в качестве нового невидимого объекта. Сокращение и растягивание мышцы сопровождается вычислением адресов такой пересылки информации, при которой, видимо, отображается улыбка и другие движения.
Таким образом можно осуществлять программируемую анимацию. Ряд программ различных действий, их запуск в зависимости от решений нейросети формируют комплекс интересных игр и даже сценических постановок.
Итак, развитие игры, выпуск новых модификаций, расширяющих возможности, может в конце концов привести к весьма сложному и многообразному взаимодействию юноши, влюбленного в компьютер, и компьютерного человечка, живущего в нем.
Сетевые технологий, т.е. совместное использование многих компьютеров, обеспечивают широкие перспективы развития подобных игр. И это не только весело. Это серьезный и важный принцип управления, который может быть использован во многих производственных и зрелищных приложениях.
Компьютерный человечек компи
Известно, какое значение компьютерным играм придает самый богатый человек планеты Б. Гейтс. Вволю наигравшись в холодную войну, мы тоже можем себе позволить подумать о радости и развлечениях, а также о бизнесе!..
Пора объединить все разнообразие направлений творческого применения компьютера как средства, инструмента и объекта искусства. Сказанное может быть материализовано виртуальной структурой под названием Computer Art Studio и отражать направления: трехмерная и плоская анимация, графика и живопись; туристические объекты и исторические реконструкции; нейрокомпьютерные игры и анимация; литературный и музыкальный дизайн; фантастика и др. Вот так благодаря логической цепочке «интеллект искусство» нейросетевые технологии должны занять подобающее им место в рядах Великого Искусства...
Представим себе школьника, который не успев протереть заспанные глаза, включает компьютер. На экране появляется милая, мордашка КОМПИ, популярного (нам пока неизвестного) героя (рис. 9.10). Наш школьник не очень твердо, но вполне узнаваемо, рисует ананас. КОМПИ приходит в восторг. Все мимические мышцы компьютерной мордашки приходят в движение.
Парк фантасмагорий
Представим себе парк развлечений, в который заходит наша группа под руководством гида и, желая отдохнуть, устремляется в тенисто прохладный уголок с причудливым ландшафтом. И вдруг изза трепещущих кустов выползают монстры — крокодилы, вздымаются головы ящеров. Лохматый неандерталец ладит каменное орудие, подымается на свои курьи ножки избушка. Гигантской головой оживает скала, покрытая нежными незабудками, деревья и кусты качают ветками. Наше замешательство и паника вызывают ответную реакцию: окружающие смеются, сердятся, радуются, угрожают.
Рассмотрим возможный принцип действия отдельного объекта (рис. 9.9), который контролирует сектор обзора. Электронно оптическое «зрение» может быть расположено не обязательно в глазах, а упрятано в любой другой части тела, например на груди.
Весь сектор обзора разбит на элементарные сегменты, образованные телесными углами в 1 — 2°. Первоначально должна быть предусмотрена реакция только на преобладающий в сегменте цвет. Например, красный цвет должен запускать комплекс программ ярости и повторный обзор строки для усиления ярости при последующем раздражении.
Желтый цвет может вызывать кокетство и эротическое возбуждение, зеленый — умиротворение, коричневый — ритмичный шаг и покачивание головой, голубой — благостное умиление с возведенными к небу глазами и т.д.
Обзор сегментов совершается по строкам, с частотой, согласующейся со скоростью обработки компьютером. Последняя, в свою очередь, обусловлена прохождением входного сигнала через нейросеть и различной степенью возбуждения нейронов выходного слоя, запуском программ движения на базе этих нейронов с параметрами, определяемыми величинами возбуждения и инерционностью такой сложной системы.
Итак, из каких элементарных движений складывается поведение объекта? Расширение — сужение глаз, открывание — закрывание рта, улыбка, покачивание головой, поднятие — опускание рук, угрожающий шаг (если вес позволяет), вертикальное — горизонтальное помахивание хвостом, призывное движение таза и др.
Как упоминалось ранее, в одном такте могут запускаться несколько программ, инициирующих движения с текущего состояния. В результате имитируется суммарная реакция на ситуацию в секторе обзора и ее изменение, обеспечивается непредсказуемость, неожиданность и восторг публики. А если представить себе, что такой реакцией наделены деревья, скалы, вода и ветры, то какой фантасмагорический получится фейерверк!..
Печать рукописи
Ясно, что восстановить рукописный текст способно только ассоциативное мышление, поэтому автоматизация воспроизведения написанного является актуальной задачей. В основе распознавания по признакам лежит все та же методика чистописания1.
В разд. 1 рассматривалось «признаковое» определение букв: а
— кружочек с палочкой справа, заканчивающейся хвостиком вправо, б— кружочек с хвостиком сверху, ц — палочка с хвостиком вправо, к нему примыкает палочка, а к ней справа внизу странный специфический крючок и т.д.
Представим себе сканирование текста через «окно просмотра» (рис. 9.12) на входном слое нейросети. Рецепторы связаны с нейронами промежуточного выходного слоя, закрепленными за признаками.
предусмотреть случайные, обусловленные почерком отклонения
Соединение выполнено так, чтобы «захватить» букву, т.е. предусмотреть случайные, обусловленные почерком отклонения буквы от эталона и выявить ее отдельные признаки. Комбинации выявленных признаков, в виде сигналов возбуждения нейронов промежуточного выходного слоя, рассматриваемого в качестве входного слоя второго логического уровня, на выходном слое нейросети определяют распознаваемую букву.
Возможно, что при появлении очередной буквы, письма понадобится процедура разглядывания: увеличение — уменьшение, наклон влево — вправо, до тех пор, пока при некоторой фиксации образа не начнется распознавание. Поэтому в дополнение к попытке «захвата» изображение располагается в «окне просмотра» так, что его центр тяжести совмещается с центром окна. Далее изображение растягивается или сжимается, приобретает наклон влево или вправо так, чтобы получить максимальное соответствие по размеру и углу наклона с эталонами, подававшимися в процессе обучения. Впрочем, вышеуказанные манипуляции могут осуществляться динамически на основе проб в процессе распознавания буквы.
Для выявления всех признаков и их относительного положения «окно просмотра» необходимо разбить на сектора, определяющие понятия слева, справа, вверху, внизу, внизу справа и т.д.
Определенную трудность представляют пропуски и пробелы. Например, как отличить букву с от буквы о? Ведь может возбудиться «полный кружок» последней, только с меньшим значением величины возбуждения.
Необходимо наряду с позитивным изображением элементов букв анализировать их негативное изображение, тогда пустота в соответствии с эталоном будет возбуждать рецепторы, обретет активность. Наличие пустоты так же определяется посредством возбуждения нейронов, как и видимые линии.
Очевидно, что для понимания текста одного лишь распознавания букв недостаточно. Необходимо произвести распознавание слов, включив в работу контекст. Только таким комплексным методом восстанавливается смысл написанного, и это сулит неограниченные возможности развития и совершенствования нейросетевой технологии прочтения.
Представим себе все варианты будущего
Представим себе все варианты будущего поведения нашей системы принятия решений для ее обучения. Графическая структура логического функционирования создаваемой системы приведена на рис. 9.2.
Одновременное выполнение этих событий обозначим
1. Скорость кукуевского паровоза — 60 км/ч (событие AY). Скорость пырловского паровоза — 60 км/ч (событие В\). Одновременное выполнение этих событий обозначим А1&B1. Тогда точка встречи находится как раз посредине перегона, что скорее всего требует помощи линейного с соломкой. Но возможен и другой исход за счет неточного определения скоростей. Тогда на всякий случай потребуется линейный с флажком. Решение, согласно которому оба линейных отправляются на границу второго и третьего километров, обозначим R1. С ним связаны расходы на единовременное пособие Ml.
2. Скорость кукуевского паровоза — 60 км/ч (событие АХ), скорость пырловского — 80 км/ч (событие B2). Выполняется условие АХ&В2. Тогда точка встречи находится на втором километре пути, и, следовательно, требуется решение R2: «Отправить линейного с флажком на второй километр!» В активе указанного линейного появляется сумма М2 условных единиц.
3. Скорость кукуевского паровоза 80 км/ч (событие А2), скорость пырловского — 60 км/ч (событие В\). Выполняется условие А2&В1. Тогда точка встречи находится на третьем километре пути, что требует сочувственного вмешательства линейного с соломкой (решение R3), с оплатой труда в М3 условных единиц.
4. Скорость кукуевского и пырловского паровозов — 80 км/ч (событие А2&В2), что ввиду высокой скорости перемещения линейных требует решения R4 с затратами М4.
А теперь оживим эту структуру, заставим ее действовать так же, как, по видимому, на логическом уровне действуют структуры нашего мозга. Представим себе, что на месте каждого овала (далее кружочка, см. рис. 9.2) действует нейроподобный элемент или просто нейрон. Нейроны рецепторы приходят в возбужденное состояние (подобно сетчатке глаза) в соответствии с той ситуацией, которая задана на входе системы. Рассмотрим, например, ситуацию А1&В2. Положим величины возбуждения нейронов А1 и B2 равными единице и запишем
Подчеркнем тот факт, что возбуждение нейроноврецепторов осуществляется в результате ввода информации.
Для «принимающих» возбуждение нейронов (направление распространения сигналов возбуждения указано стрелками) в результате выполнения передаточной функции формируется величина возбуждения V.
Пусть в нашем случае эта функция имеет вид
где i индекс нейрона, передающего свое возбуждение, h — порог.
и рассчитаем величины возбуждения нейронов
Следует учесть, что функция
Положим А = 1 и рассчитаем величины возбуждения нейронов выходного слоя R\ — R4 для ситуации А\& В2:
Таким образом, при точном знании ситуации получаем предусмотренное решение. Проверим, что наша сеть так же правильно работает и по остальным эталонам, по которым мы ее обучили, наметив направления распространения возбуждений от каждой исходной посылки к следствию.
Теперь поэкспериментируем.
Задавая события по принципу «да — нет», «1—0», мы предполагали булевский тип исходных данных. А что если обобщить тип исходных данных, допустив рассмотрение значений, интерпретируемых как достоверность? Или каких то других взаимных оценок, используемых людьми, не сведущими в теории вероятности и не знакомыми с понятием «полное множество событий»?
Например, в результате искажения информации начальник станции Кукуевка пребывает в раздумье: скорость пырловского паровоза равна не то 60 км/ч, не то 80 км/ч, но скорее всего 60 км/ч. Он по наитию набирает: А1 = 1, В1 = 0,7, В2 = 0,4. На какую ситуацию это похоже и какое решение принять?
Мы видим, что максимальной величины
Считаем:
Мы видим, что максимальной величины возбуждения достиг нейрон R1, определивший главное решение. Но мы вправе учесть и решение R2 с меньшим приоритетом, дав линейному с флажком дополнительные указания. По известной формуле математического ожидания оценим, на сколько облегчится карман начальника станции Кукуевка:
Таким образом, сформирована уже обученная нейросеть.
А что если объединить решения
А что если объединить решения R1 и R4, отличающиеся только скоростью передвижения линейных? Следуя рассмотренному выше принципу, мы получили бы сеть на рис. 9.3.
Легко видеть, что максимальное возбуждение, соответствующее решению /И, достигается всегда, когда задана ситуация, требующая максимального возбуждения только лишь нейронов R2 или R3. Сеть дает побочный эффект, что требует корректировки решения. Она заключается в том, что если максимально и одинаково возбудились два нейрона выходного слоя и один из них R1, то верное решение соответствует второму. Если максимально возбудился только нейрон R1, то он представляет правильное решение.
В данном случае происходит коллизия
В данном случае происходит коллизия при замене операций конъюнкции л и дизъюнкции v одной операцией &. Ведь логический предикат возбуждения решения R1 имеет вид
Благодаря этому справедлива гипотеза о минимальной длине статической цепочки в разд. 2.9.
Тогда легко провести коррекцию, построив обученную сеть так, как показано на рис. 9.4, введя так называемые скрытые нейроны 1 и 2.
Рис.9.4. Обученная нейросеть
Выбор нейросети, обучение, трассировка. Мы построили нейросеть, пользуясь приемами, известными специалистам схемотехникам, разрабатывающим устройства компьютера. Мы соединили элементы связями — «проволочками», произведя трассировку для правильного распространения сигнала в соответствии с желаемой функцией. Как неоднократно указывалось выше, все это относится к уже обученной сети. Причем из рассмотрения полностью исключен тот параметр, настройка которого позволяет обучить сеть, в частности, проложить нужные "проводочки" и перекусить ненужные.
в данном случае только выполняет
Нейрон в данном случае только выполняет передаточную функцию, один из видов которой и был рассмотрен. Более полная модель нейрона заключается в следующем. Нейрон имеет несколько входов — дендритов, каждый из которых обладает весом синапсической связи. В результате выполнения передаточной функции возбуждение нейрона через ветвящийся аксон передается дендритам других, связанных с ним нейронов. Дендрит воспринимает сигнал, пропорциональный своему весу. Таким образом и формируется сеть, в которой различаются входной и выходной слои. Передаточная же функция с учетом синапсических весов для нашего простейшего случая (при компьютерном моделировании чаще всего другого и не требуется) имеет вид
В результате весь смысл построения и обучения нейросети заключается в том, что синапсические веса регулируются, обусловливая пути прохождения возбуждений в сети.
В частности, представив некоторую абстрактную сеть и построив на ее основе сеть для игры в рулетку, положим некоторые веса связей, равными единице (наличие "проводочков"), а некоторые (или все оставшиеся) — равными нулю (отсутствие «проводочков»). Но ведь допустимы и некоторые промежуточные значения весов, хотя для практических целей наш подход оправдан.
Подойдем к построению нейросети для игры в железнодорожную рулетку иначе. Ранее сеть создавалась по известным условиям игры, теперь пусть нам задана нейросеть, а мы обучим ее для игры в рулетку.
Изобразим некоторый ориентированный ациклический граф (рис.9.5) и придадим ему смысл нейросети, поставив в соответствие его вершинам — нейронам (кроме предполагаемых рецепторов) все ту же передаточную функцию. Вот только как заставить сеть так реагировать на очевидные эталоны, чтобы максимального возбуждения достигали нейроны выходного слоя, соответствующие решениям? Для этого необходимо, полагая первоначально все веса нулевыми (или минимальными), увеличить некоторые из них до максимального значения или до единицы. Проще всего именно так и действовать: сначала все веса нулевые ("проводочки" есть, но их сопротивление чрезвычайно высоко), затем выбранные нами веса положим равными единице. Вышесказанное равносильно тому, что какието "проводочки" оставлены, а какието перекушены. Описанное действие по обучению нейросети мы называем трассировкой.
Продемонстрируем алгоритм трассировки, введя упрощения
Продемонстрируем алгоритм трассировки, введя упрощения по сравнению с рассмотренным в разд. 3.
Компьютерная обработка нейросети значительно облегчается, если сеть представлена матрицей следования S (рис. 9.6, а), где наличие связи обозначается ее весом.
1. Произведем трассировку возбуждений нейронов [А\,
Исключим из матрицы S строки и столбцы, соответствующие не интересующим нас нейронам входного и выходного слоев. Матрица примет вид
Присвоим нейронам, соответствующим нулевым строкам
Присвоим нейронам, соответствующим нулевым строкам — входам матрицы = 2. Таким образом обеспечивается возможность повторного использования нейронов при получении других решений. Исключаем из матрицы
принимает вид, приведенный на рис. 9.6, в.
Рис. 9.6. Матрица следования для игры:
а — общий вид; б для трассировки первого решения;
в — первый шаг преобразования;
г — второй шаг преобразования;
д для трассировки второго решения;
е первый шаг преобразования матрицы следования для обучения второму эталону;
ж — второй шаг преобразования матрицы следования для обучения второму эталону;
Повторяем описанные выше действия, что
Исключаем из матрицы
представлен на рис. 9.6, г. Повторяем описанные выше действия, что приводит к замене единицей единственного нуля.
Не приводя промежуточного рисунка, отметим, что мы подтвердили высоким (единичным) весом связи А1 1, 1R1.
2. Произведем трассировку [А1,
Сформируем матрицу
Строка, соответствующая нейрону 1, содержит одну единицу, при том, что
Присваиваем строкам — входам матрицы = 2. Присваиваем нейрону 2 признак «возбужден», а нейроны А1 и В2 исключаем из рассмотрения. Среди оставшихся строк исключаем «пустую», соответствующую нейрону 3 и не обладающую признаком «возбужден». Исключаем и соответствующий столбец. Матрица
Таким образом, в результате трассировки на данном шаге сложились связи с единичными весами А1 2, 2
3. Повторив алгоритм построений, легко найдем связи с единичными весами А2 3, 3
4. Трассировка последнего пути возбуждения [А2, В2] в которой не отражены те нейроны, в строках которых число единиц меньше соответствующего значения т (рис. 9.6, з). Но ведь в ней вообще нет никаких связей!
Придется их ввести, да еще с единичными весами согласно условию задачи. Очевидно, что больше трех эталонов эта сеть воспринять не способна. Таким образом, мы вводим дополнительные связи с единичными весами А1 R4.
Обученная сеть, где выделены связи
Обученная сеть, где выделены связи с единичными весами, окончательно представлена на рис. 9.7. Лишние "проводочки" можно перекусить.
Вычислим с помощью нашей передаточной функции величины возбуждения нейронов для ситуации А1&B2: = 1, О, = 0.
Ни один нейрон выходного слоя не возбудился! То же для ситуаций А1&В1 и А2&В1. Для случая А2&В2 имеем: = 0, = 0, = 0,
Отметим, что в процессе распространения по сети возбуждение «гаснет», не доходя до выходного слоя. Значит, следует уменьшить пороги, но тогда величины возбуждений нейронов выходного слоя становятся различными для разных ситуаций, ибо различна длина путей возбуждения. Это затрудняет корректное участие нейронов в тех случаях, когда данный выходной слой является входным для следующего логического уровня сети. Следовательно, наша передаточная функция не годится для выбранной структуры нейросети.
Приведем еще одну передаточную функцию,
Приведем еще одну передаточную функцию, определяющую величину V возбуждения нейрона:
Рассчитайте и убедитесь, что, например, для А = 1 сеть правильно распознает все эталонные ситуации, обеспечивая равную величину возбуждения нейронов выходного слоя. Так, в ситуации А1&В1 получаем следующие величины возбуждения нейронов: = =
Сеть правильно реагирует на недостоверные ситуации и позволяет находить среднее.
А главное в том, что игра имеет массу перспектив развития. Что если скорость паровозов — величина переменная и случайная, так же, как и чередование и длина однопутных участков, и решение следует принимать и корректировать в динамике, в зависимости от длины пройденного пути и значения скорости? Что если один машинист агрессивен, а другой желает уклониться от столкновения? И т.д.
Сивилла прорицательница
В век всеобщей информатизации мы склонны ассоциативно прогнозировать: что будет с нами завтра, каковы общие тенденции и что предпринять?
Формализация обработки огромных потоков оперативной информации, в основном в средствах массовой информации, все более привлекает специалистов по прогнозу. В то же время здесь открываются огромные возможности для шарлатанов, и кажется удивительным, как остаются незамеченными несбывшиеся предсказания «авторитетных», не сходящих с телеэкрана, ясновидящих.
Поставить прогноз на научную базу — вот задача современных честных ревнителей перспективы.
Основой прогнозирования являются состав и частота появления слов и выражений, характеризующих политический этап или целый исторический период. Далее следует анализ исторического опыта, определяющий, к чему это приводило в прошлом, и к чему может привести впредь. Комбинации и частота следования слов (рис. 9.14) образовывали критическую массу для неотвратимой цепной реакции социальных катаклизмов...
Итак, появление каждого «судьбоносного» слова добавляет определенное настроение нейросети. Результирующее настроение определяется распределением возбуждений нейронов выходного слоя — его максимумом, значением среднего, предпочтительным рядом. Частота их появления меняется во времени, обязательно предопределяя знаменательные события: развал Советского Союза, путч, вехи экономического краха, социальные и региональные беспорядки...
не только формально, скажем, по
... Наша задача — не только формально, скажем, по частоте использования тех или иных слов и выражений, но и на основе ассоциативного восприятия воспроизвести динамику социально экономического, политического и морально психологического движения общества.
В таком случае практический аппарат прогноза реализуется
нейросетью, с помощью которой запоминаются отклонения вида "если —то", фиксирующие степень влияния часто употребляемых . слов и выражений на прогноз социального, политического и экономического развития общества. Например, «безусловная победа , одной политической партии» — «увеличение веса тенденции тоталитаризма», «арест «олигарха» — «рост объема вывоза капитала», «эмиссия ценных бумаг компании» — «опасность банкротства». Указанные отношения не однозначны, так как эмиссия ценных бумаг может, наоборот, свидетельствовать об успешной
деятельности предприятия и экономики в целом.
Очевидно, что указанная задача прогнозирования относится к классу трудно формализуемых. Это говорит об универсальности нейросетевых технологий, применимости средств искусственного интеллекта там, где неприменим никакой математический метод расчета.
Служба безопасности
Охрана покоя семьи, противодействие взломщикам грабителям актуальная задача нашего бурного времени. Мы справедливо предполагаем развитие рынка средств автоматического распознавания «свой — чужой» по мере объявленного роста благосостояния народных масс, находящего все большее число покупателей. Как же устроено такое средство охраны — предупреждения (рис. 9.8)?
Основой логической деятельности устройства, конечно же, является нейросеть.
Представим себе многоуровневую нейросеть, первый логический уровень которой подбирает «словесный портрет» на основе признаков изображения, поступившего на его экран. В результате анализа, возможно, с двух точек — анфас и в профиль, установлено:
волосы черные, шевелюра пышная, на 5 баллов;
лоб высокий, залысины, поперечные морщины;
брови густые, вразлет, сросшиеся на переносице, № 8;
нос орлиный, № 4 и т.д.
Конечно, баллы и номера не выставляются, они означают только, какой нейрон промежуточного выходного слоя возбудится максимально. Да и это нам знать ни к чему. Просто произойдет распределение возбуждений между нейронами промежуточного выходного слоя той части нейросети, что обучена распознаванию признаков. Возбуждение этих нейронов как нейронов входного слоя второй части нейросети, т.е. второго логического уровня, должно в результате обучения привести к существенному отличию «папы» от «слесаря дяди Юры», приходившего днем проверить исправный кран. Иными словами, привести к идентификации кто это: «свой» или «чужой»? Можно предусмотреть и особые приметы: чрезмерно красный нос, подозрительные красные пятна на лице и др. При формировании голосового ответа (задействован третий логический уровень) учитывается и эта дополнительная информация.
Все чаще появляются научные работы,
Все чаще появляются научные работы, посвященных нейросетевым моделям, которые порождают все больше интересных, эффективных технологий для решения задач управления, планирования, распознавания образов и принятия решений. В этом разнообразии мы выделили лишь то направление, которое непосредственно связано с принципами человеческого интеллекта, с ассоциативным мышлением. Фактически это — построение таблиц, фиксирующих опыт и реализующих принцип «если — то», «посылка — следствие». Важным достоинством этих таблиц является то, что они позволяют наглядно воспроизводить функции многих переменных, не совместимых по типам и по физической природе. Эти функции не имеют формального математического описания и потому отображают трудно формализуемые задачи. Автоматическая интерполяция опыта является неотъемлемым свойством нейронной сети. Она позволяет делать вывод «на что больше всего это похоже и что следует предпринять», а также производить необходимое усреднение.
Важнейшее значение нейронные сети приобретают при построении систем управления и принятия решений. Технологии, основанные на применении «вычислительных» алгоритмов, приводят к тупиковой ситуации, когда традиционно развиваемая элементно конструкторская база не обеспечивает требуемой производительности компьютеров. Нейросетевые технологии, использующие нетрудоемкий принцип ассоциативного мышления и высокий параллелизм, порождают прорыв в достижении необходимой реальной производительности вычислительных средств.
Конечно, статистические исследования накопленного опыта, моделирование и обработка нужны для обучения или построения обученной нейросети. Однако эти исследования проводятся вне рабочего режима, могут быть совместимы с ним, а также допускать корректирование, модификацию и развитие нейросети в процессе и эксплуатации.
Благодаря логическому методу построения математический аппарат нейронных сетей прост и доходчив, разработка нейросети не дорога, она не требует специальных знаний пользователя. В то же время нейросеть легко допускает включение в рассмотрение новых факторов, изменение решений и т.д.
Воспроизведение принципов работы мозга позволяет создавать действительно универсальные, помехозащищенные, адаптивные, несложные и развиваемые информационные технологии в экономике, в бизнесе, в управлении сложными системами, в том числе и социальными, в искусстве, туризме и т.д.
Однако мы осознаем, что Природа действует в соответствии с законами своего развития. Для того чтобы реализовать примитивную логическую передаточную функцию, в нейроне происходит до 240 химических реакций. Создавая интеллект искусственный на принципиальном, логическом уровне, бессмысленно слепо и многотрудно воспроизводить существующие в природе методы, хотя такое моделирование может быть полезно для биологии и медицины. На пути логического создания разума мы не связаны с проблемами энергетики и надежности. Искусственная нейросеть не требует кровоснабжения и не подвергается огню на поражение. И потому мы смело идем по пути абстракции, сублимации и условной имитации, пользуясь богатыми возможностями современного компьютера и логического мышления.
Мы убеждены в необходимости создания студий Computer Art Studio, клубов по интересам и артелей, объединяющих все слои населения, всех возрастов и профессий, для реализации принципов искусственного интеллекта: это и искусство, и наука, и бизнес.
Защита информации
Мы знаем, насколько важна сегодня информация. Защита информации от несанкционированного доступа — идет ли речь о перевозке грузов или о финансовых коммерческих системах — первоочередная задача, актуальность которой все возрастает с развитием сетевых компьютерных и телекоммуникационных тех. нологий. Высокие затраты на ее решение окупаются с лихвой. Однако разнообразятся и средства «взломщика»: сегодня ему нет нужды ломать систему — он просто врывается в офис, и под дулом автомата Калашникова вы становитесь покорным исполнителем его желаний.
Впрочем, моральное состояние клиента выдает его чуткому серверу (рис. 9.13), на расстоянии выполняющему заявки в режиме «клиент — сервер». Наряду со сложной системой паролей, ограничения функций и доступа вашего терминала, успешно преодоленных насильником, предпринимателем и террористом, существует нечто непреодолимое, воплощенное в средствах идентификации пользователя и аутентификации. Это ваш образ, который характеризуется «почерком», психологическими особенностями, общей стратегией работы, т.е. индивидуальными чертами, протестированными системой защиты. Она хранит ваш образ и периодически сверяет с ним характер работы вашего терминала.
Сигнал тревоги может возникнуть не
Сигнал тревоги может возникнуть не только при смене пользователя, но и в случае, когда его моральное состояние порождает серьезные отклонения от запечатленного образа. При этом могут использоваться и тайные специфические сигналы, но ряд основных характеристик обязателен. Это частота ввода символов с клавиатуры, продолжительность пауз между словами, частота использования клавиши "delete" и некоторых других и т.д. Возможно периодическое случайное анкетирование на основе единственного вопроса, требующее ответа «да — нет» и способствующее утверждению сложившегося образа.
Возникает вопрос: а причем здесь нейросеть? Ведь все эти проверки можно делать традиционными способами. Дело в том, что нейросеть — это средство параллельного выполнения сложных логических предикатов. Параллельного — значит, быстрого! А современный сервер — многопроцессорная вычислительная система, успешно выполняет роль нейрокомпьютера. Кроме того, при ассоциативном мышлении по принципу «на что это похоже» используются (конечно, в каких то пределах) неполные и неточные данные, заставляющие по крайней мере встревожиться и послать администратора или даже охрану с проверкой.