CC BY
33
УДК 004.896 DOI 10.23683/2311-3103-2019-1-75-84
И.А. Пшенокова, О.В. Нагоева, З.А. Сундуков
ИМИТАЦИОННАЯ МОДЕЛЬ ФУНКЦИИ РАСПОЗНАВАНИЯ И ПОНИМАНИЯ СТАТИЧЕСКИХ ОБЪЕКТОВ САМООБУЧАЮЩИМСЯ РОБОТОМ НА ОСНОВЕ МУЛЬТИАГЕНТНЫХ НЕЙРОКОГНИТИВНЫХ
АРХИТЕКТУР*
Цель работы состоит в разработке имитационной модели на основе мультиагент-ных нейрокогнитивных систем, которая позволит создать эффективный инструментарий для решения задач распознавания и понимания роботом неструктурированных потоков входных данных. Задача исследования состоит в разработке имитационной модели функции распознавания статических объектов, показанных на камеру. Представленная имитационная модель функции распознавания и понимания статических объектов самообучающимся роботом на основе мультиагентных нейрокогнитивных архитектур позволяет в автономном режиме создавать понятия и категории, используя многомодальные потоки входной информации и интерактивное взаимодействие с пользователями расширять систему этих понятий и категорий и уточнять связи между ними. На этой основе могут быть разрешены проблемы формализации семантики естественного языка для лингвистических комплексов, ограниченных предметной областью, что позволит использовать диалоговую систему для решения проблемы постановки роботам сложных миссий. Формализация семантики «здравого смысла» на основе самоорганизации мультиагентных нейро-когнитивных архитектур позволит разработать имитационные модели понимания естественно-языковых высказываний. Это, в свою очередь, снимет ограничение на создание диалоговой системы, позволяющей операторам с использованием естественно-языкового описания формировать постановку задачи и изложение ее существенных условий.
Cамообучающийся робот; мультиагентные системы; нейрокогнитивная архитектура; имитационная модель; распознавание образов.
I.A. Pshenokova, O.V. Nagoeva, Z.A. Sundukov
SIMULATION MODEL OF RECOGNITION AND UNDERSTANDING OF STATIC OBJECTS BY A SELF-LEARNING ROBOT BASED ON MULTI-AGENT NEUROCOGNITIVE ARCHITECTURES
The purpose of this study is to develop a simulation model based on multi-agent neurocogni-tive systems, which will create an effective tool for solving the problems of recognition and understanding by the robot of unstructured input data flows. The task is to develop a simulation model of the recognition function of static objects shown on the camera. The presented simulation model of recognition and understanding of static objects by a self-learning robot on the basis of multiagent neurocognitive architectures allows to create concepts and categories using multimodal flows of input information and interaction with users to expand the system of these concepts and categories and clarify the relationship between them. On this basis, the problems of formalization of the semantics of natural language for linguistic complexes limited by the subject area can be solved, which will allow the use of a dialogue system to solve the problem of setting complex missions to robots. Formalization of semantics of "common sense" on the basis of self-organization of multi-agent neurocognitive architectures will allow to develop simulation models of understanding of natural language statements. This, in turn, will remove the restriction on the creation of a dialogue system that allows operators using a natural language description to form the formulation of the problem and the statement of its essential conditions.
Self-learning robot; multi-agent systems; neurocognitive architecture; simulation model; pattern recognition.
* Работа выполнена при поддержке проектов РФФИ 18-01-00658 А, 19-01-00648 А.
Введение. К настоящему моменту развитие и массовое распространение роботов в значительной степени сдерживается двумя нерешенными научными проблемами:
1. Проблема постановки сложных миссий.
2. Проблема автономного обучения роботов целенаправленным действиям с заданным качеством.
Преодоление указанных проблем связано с решением теоретических вопросов формализации семантики «здравого смысла», разработки имитационных моделей понимания ситуаций и контекстов, синтеза субоптимального управления комплексной динамикой робота, разработки моделей самообучения. Общие решения этих фундаментальных вопросов искусственного интеллекта не найдено, в силу, прежде всего, использования устаревших формальных систем для имитационного моделирования.
Наиболее перспективной направлением в имитационном моделировании, рассматриваемых научным сообществом, являются мультиагентные системы (МАС), которые в наибольшей степени способны приблизить решение задачи создания искусственного интеллекта роботов.
Основы мультиагентного моделирования представлены в работах [1-5].
Первые практические разработки МАС связаны с именами В. Лессера [6], К. Хьюитта [7] и Лената [8], Смита [9]. Процесс разработки и применения МАС начинается с создания системы класса DVMT (Distributed Vehicle Monitoring Test) для распознавания ситуаций дорожного движения. В настоящее время МАС находят свое применения для решения практических задач различных сфер: системы управления и контроля сложными процессами в промышленности и экономике, поисковые системы в сети интернет, системы управления и контроля сложными процессами в медицине, системы телекоммуникации, энергетические сети, транспорт и движение пешеходов компьютерные игры и киноиндустрия и др. [10-14].
Указанные задачи связаны с большими потоками неструктурированных входных данных, что ставит во главу угла нерешенные проблемы понимания ситуаций и контекстов роботом. Предложенная в работе модель на основе мультиа-гентных нейрокогнитивных архитектур позволяет решить задачу формализации семантики обработки неструктурированных данных.
Цель работы состоит в том, чтобы с помощью нейрокогнитивной архитектуры на основе мультиагентных систем разработать имитационную модель, которая позволит создать эффективный инструментарий для решения задач распознавания и понимания роботом неструктурированных потоков входных данных.
Задача исследования состоит в разработке имитационной модели функции распознавания статических объектов, показанных на камеру.
Распознавание статических объектов на основе обучения мультиагент-ных нейрокогнитивных архитектур. Предлагаемый подход к имитационному моделированию основан на вычислительной абстракции мультиагентных нейро-когнитивных систем, демонстрирующих архитектурное соответствие самоорганизующимся нейрокогнитивным сетям головного мозга [15]. Нейрокогнитивная архитектура состоит из рациональных программных агентов-нейронов, целевой функцией которых является максимизация энергии, приобретаемой ими при переходе в те, или иные состояния [16]. Эти агенты действуют проактивно [17], поэтому на каждом шаге дискретного времени они решают задачу синтеза плана поведения на несколько шагов вперед вплоть до горизонта планирования. Эта задача сводится к выбору в дереве решений пути, субоптимального по критерию максимизации суммарной энергии вознаграждения, получаемой агентом за переход в определенное состояние в составе этого пути. Количество шагов до горизонта планирования равно высоте дерева решений. Энергия рассматривается как мера активности агента в среде и представляет собой безразмерную величину. Энергию агенты могут получить, в основном, от других агентов в качестве «платы» за при-
обретение ценных для себя знаний. Следовательно, агентам для «выживания» необходимо заключать контракты друг с другом для обмена информации на энергию. Такая функциональная зависимость называется мультиагентным экзистенциальным отображением или V - функция (айн-функция) [18].
Представленная в статье мультиагентная нейрокогнитивная архитектура (МАРИ) состоит из таких агентов, мотивированных на решение локальных задач для максимизации собственной энергии. Информацию агент получает за счет наличия у него сенсорной подсистемы, состоящей из рецепторов, регистрирующих внешние (экстероцепторы) и внутренние (интероцепторы) параметры различных модальностей и формирующей систему афферентных сигналов агента. Функционирование агентов происходит на основе внутренних баз знаний, состоящих из продукционных правил, условная часть которых определяет начальную и конечную ситуацию, а ядро - действие, которое переводит агента из начальной ситуации в конечную. При этом каждой входящей ситуации, сформированной на основе сенсорной подсистемы, сопоставляется оценка энергии, которую агент приобретает, или теряет, попав в эту ситуацию.
В составе нейрокогнитивной архитектуры выделяются когнитивные узлы, выполняющие разнородные функции, но связанные друг с другом по данным. Такие когнитивные узлы состоят из программных агентов-нейронов, которые, в свою очередь, также могут быть объединены в когнитивную архитектуру, в составе которой могут быть выделены мультиагентные когнитивные узлы. Такая рекурсия, в принципе, не ограничена по глубине вложенности. Можно выделить следующие взаимосвязанные когнитивные узлы - распознавания входных образов, оценки, целеполагания, синтеза плана действий, моделирования последствий выполнения плана, управления выполнением плана [19].
Рассмотрим работу когнитивного узла распознавания входных образов на примере распознавания статических объектов, показанных на камеру.
На рис. 1 представлена минимальная архитектура мультиагентной нейроког-нитивной системы, состоящая из агентов-экстероцепторов, позволяющих принимать и обрабатывать внешние сигналы, это - агенты Видео-цвет, Видео форма, Клавиатура, агенты-экстероэффекторы, позволяющие передавать внутренние сигналы пользователю, это - Дисплей и агенты-фабрики, создающие агентов определенного типа на входящую новую сигнатуру.
Фабрика-действий Фабрика-времени
Рис. 1. Минимальная архитектура мультиагентной нейрокогнитивной системы
Такая минимальная нейрокогнитивная архитектура на вход получает статическую картинку с изображением геометрических фигур. По афферентному пути к агентам экстероцепторам приходят сообщения, в которых содержатся сигнатуры для формы фигуры, в виде последовательности линий и углов между ними, и для цвета, в виде набора числовых значений из цветового спектра. Если сигнатура впервые поступила в систему, то она попадает на вход агентов-фабрик. В нашем примере это агенты Фабрика-форма и Фабрика-цвет, которые создают новых концептуальных агентов типа понятие-форма и понятия-цвет соответственно.
При создании новых агентов к ним подгружается геном, представляющий собой набор продукционных правил (рис. 2), содержащих необходимую информацию для выживания агента в мультиагентной системе.
Ii
" id" : ObjectId{"5a27f6c3a3aacOaa22fbe44e") ,
"AgentType" : "colour".
"Icnowledgefcase" : [
{
"currentCondition" : [
{
"From" : "Status",
"Max" : 0,
"Message" : "New",
"Mill" : 0,
"Time" : 0
}
] , "desiredCondition" : [
{
"From" : "Желудок",
"Max" : 0,
"Message" : "Энергия увеличилась",
"Mill" : 0,
"Time" : 0
}
] , "rjleAction" : [
{
"Message" : "Какой это цвет?".
"Time" : 0,
"To" : "Дисплей"
},
{
"Message" : "Waiting for the answer".
"Time" : 0,
"To" : "Status"
} ],
Рис. 2. Геном концептуального агента типа понятие-цвет
Согласно геномам, агенты для заполнения своих валентностей, за недостающей информацией обращаются к пользователю с вопросами через агентов-экстерэффекторов. Так как данные, поступившие новые, система МАРИ запрашивает у пользователя названия пришедших к ней сигнатур. На рис. 3 это вопросы «Какой это цвет?», «Какая это форма?», «Что это?», «Что объект делает?», «Где?», «Когда?».
Пользователь, отвечая на вопрос, запускает процедуру заключения энергетических контрактов между агентами и создания новых концептуальных агентов типа понятие-объект, понятие-действие, понятие-время, понятие-место. Так как любое концептуальное понятие должно быть подкреплено его вербальным представлением, в системе на каждого концептуального агента создаются соответствующими фабриками агенты типа понятие-слово.
Согласно геномам концептуальных агентов для запуска процедуры заключения энергетических контрактов, необходимо сделать рассылку сообщений, соответствующую их типам.
Прилагательные: концепты и слова делают рассылку "Кто купит информацию, отвечающую на вопрос какой?".
Существительные: концепты и слова делают рассылку "Кто купит информацию, отвечающую на вопрос что?"
Глаголы: концепты и слова делают рассылку "Кто купит информацию, отвечающую на вопрос что делает?"
Время делает рассылку: "Кто купит информацию, отвечающую на вопрос когда?".
Место делает рассылку: "Кто купит информацию, отвечающую на вопрос где?".
Для упрощения записи, указанные вопросы на рис. 3 и в формальной записи сокращены до «Какой?», «Что?», «Что делает?», «Когда?», «Где?».
Агенты, заинтересованные в увеличении своей энергии, в обмен на имеющуюся у них информацию отвечают на запрос. Реализация заключенных контрактов позволяет агентам увеличивать продолжительность своей жизни и исключить попадание в терминальное состояние, равносильное гибели агента [20].
Алгоритм создания фабриками концептуальных агентов, агентов типа понятия-слова и заключения энергетических контрактов через рассылку сообщений для распознавания и понимания геометрических фигур представлен на рис. 3. Заключение энергетических контрактов на рисунке обозначены более жирной линией.
Рис. 3. Алгоритм работы самообучающейся мультиагентной нейрокогнитивной архитектуры для распознавания и понимания геометрических фигур
Процедуру заключения энергетических контрактов формально можно записать в следующем виде:
^Кеогог*:т("Что?")
С™ ^К/огт*:т("Что?")
^красный Wb'ect*\ ш("КаКОЙ? ") Ккртсный $,adiective*\ш("Какой?")
^квадратный - ^ ^* *: т (" КаКО й ? " ) (1)
^квадратный т("КаКОЙ? ")
^находится "» K0bíeCt*-. Ш("ЧТ0 ДвЛавТ? ") ^находится "» Xtime*\ ш("ЧТ0 ДвЛавТ? ")
Кй°ДшсЯ Xlocus*\ т("Что делает?") KÜZ™ *verb*-- т("Что делает?") ^тстоле Xaction*\ш("Где? ") ^годня "» $,action*\ ш("Когда?") На такие запросы агенты отвечают единообразно в виде:
К/ - К-*:т ("Я " ) . (2)
В выражениях (1), (2) символ * рядом с типом агента означает массовую рассылку сообщения всем агентам указанного типа в системе.
Возникающая при этом функциональная зависимость записывается в следующем виде.
Для агентов концептов типа о Ь/ е с t
„iobject ..fraction \ кубик ^находится/'
object _ ..(„colour \ кубик ^V красный/'
„object _ y(xf°rm кубик V квадратный/'
„íobject _ noun Л кубик -1/^tNкyбик-cyщ>^
Для агентов концептов типа
и,action .J s*object\
'^находится -"^кубик )'
paction _ %.f\*locus Л
^находится * ( Кна сто ле' ,
paction _ s¿time Л К нахо дит ся * V К с е г о дня у ,
paction _ syverb Л
К нахо дит ся * V К нахо дит ся—гл у .
Для агентов концептов типа
colour _ ..(„object\ ^красный у кубик )'
socolor _ ..Г„adjective \ ^красный V красный—пр/'
Для агентов концептов типа /о гш
form
квадратный form
= v( xobiect\
У кубик J'
_ vfs>adjective \
KB ад p ат ный ^ V кв ад p ат ный—п р/ .
Для агентов концептов типа
ftlocus _ ^ 4Лна столе * V ]
action находится J
Для агентов концептов типа
\>time »^сегодня
Для агентов слов типа
s>noun Лкубик—сущ
Для агентов слов типа
к
.
_ s>action Л
У V ^»находится J ■
= у( xobiect)
у кубик у
adjective _ visï1
красный—пр V
^adjective _
color красный.
квадратный—пр V квадратный.
Для агентов слов типа
sjverb _ paction Л
^находится—гл * v ^находится/ .
Согласно таким айн-функциям, агенты всегда стремятся на запрос своих контрактников сообщить требуемую информацию для максимизации суммарной энергии вознаграждения и увеличения продолжительности своей жизни. Реализация заключенных контрактов позволяет агентам при повторном показе изображения на камеру распознать и понимать геометрические фигуры.
Для тестирования представленного алгоритма, была разработана программная система, демонстрирующая работу мультиагентной нейрокогнитивной архитектуры МАРИ для распознавания и понимания образов в системе машинного зрения самообучающегося робота (рис. 4,5).
Рис. 4. Визуальный редактор мультиагентной нейрокогнитивной архитектуры МАРИ, в котором создаются концептуальные агенты и агенты-слова для распознавания геометрических фигур
Рис. 5. Редактор демонстрирует работу МАРИ по распознаванию и пониманию изображения, повторно показанного на камеру
Заключение. Представленная имитационная модель функции распознавания и понимания статических объектов самообучающимся роботом на основе муль-тиагентных нейрокогнитивных архитектур позволяет в автономном режиме создавать понятия и категории, используя многомодальные потоки входной информации и интерактивное взаимодействие с пользователями расширять систему этих понятий и категорий и уточнять связи между ними.
На этой основе могут быть разрешены проблемы формализации семантики естественного языка для лингвистических комплексов, ограниченных предметной областью, что позволит использовать диалоговую систему для решения проблемы постановки роботам сложных миссий [21].
Формализация семантики «здравого смысла» на основе самоорганизации мультиагентных нейрокогнитивных архитектур позволит разработать имитационные модели понимания естественно-языковых высказываний. Это, в свою очередь, снимет ограничение на создание диалоговой системы, позволяющей операторам с использованием естественно-языкового описания формировать постановку задачи и изложение ее существенных условий.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Тарасов В.Б. От многоагентных систем к интеллектуальным организациям: философия, психология, информатика. - М.: Эдиториал УРСС, 2002. - 352 с.
2. Рассел С., Норвиг П. Искусственный интеллект. Современный подход. - 2-е изд. - Изд. дом "Вильямс", 2006. - 1408 с.
3. Wooldridge M. An Introduction to MultiAgent Systems Second Edition. - Wiley, 2009. - 484 p.
- ISBN: 0470519460.
4. Multiagent Systems: A Modern Approach to Distributed Artificial Intelligence / ed. by G. Weiss. - The MIT Press, 1999. - 643 p. - ISBN: 0262232030.
5. Shoham Y., LeytonBrown K. Multiagent Systems: Algorithmic, GameTheoretic, and Logical Foundations. - Cambridge University Press, 2008. - 504 p. - ISBN: 05.
6. Lesser V.R. and Erman L.D. Distributed interpretation: a model and experiment // IEEE Trans. Computers. - 1980. - Vol. 29 (12). - P. 1144-1163.
7. Xewitt C. Viewing Control Structures as Patterns of Message Passing // Artificial Intelligence.
- 1977. - Vol. 8, No. 3. - P. 323-364.
8. Lenat D. BEINGS: Knowledge as Interacting Experts // Proc. of the 1975 IJCAI Conference.
- 1975. - P. 126-133.
9. Smith R.G. The Contract Net Protocol: High Level Communication and Control in a Distributed Problem Solver // IEEE Transactions on Computers. - 1980. - Vol. 29, No. 12. - P. 1104-111.
10. Rzevski G. Modelling large complex systems using multi-agent technology // In Proc. of 13th ACIS International Conference on Software Engineering, Artificial Intelligence, Networking, and Parallel/Distributed Computing (SNPD2012), August 8-10, Kyoto, Japan, 2012. - P. 434-437.
11. Chen Yao et al. Multi-agent systems with dynamical topologies: Consensus and applications // IEEE circuits and systems magazine. -2013. - Vol. 13, No. 3. - P. 21-34.
12. Chen M., Athanasiadis D., Al Faiya B., McArthur S., Kockar I., Lu H. & De Leon F. Design of a multi-agent system for distributed voltage regulation //19th International Conference on Intelligent Systems Application to Power Systems (ISAP), 19 Oct 2017. Piscataway, NJ.: IEEE. - 6 p.
13. Granichin Oleg, Khantuleva Tatjana, Amelina Natalia. Adaptation of Aircraft's Wings Elements in Turbulent Flows by Local Voting Protocol // IFAC Proceedings. - 2017.
14. Городецкий В.И., Карсаев О.В., Самойлов В.В., Серебряков С.В. Прикладные много-агентные системы группового управления // Искусственный интеллект и принятие решений. - 2009. - № 2.
15. Nagoev Z.V. Multiagent recursive cognitive architecture // Biologically Inspired Cognitive Architectures 2012, Proceedings of the third annual meeting of the BICA Society, in Advances in Intelligent Systems and Computing series. - Springer, 2012. - P. 247-248.
16. Нагоев З.В. Интеллектика, или мышление в живых и искусственных системах. - Нальчик: Изд-во КБНЦ РАН, 2013. - 211 с.
17. Анохин П.К. Системный анализ интегративной деятельности нейрона // Успехи физиол. наук. - 1974. - Т. 5, № 2. - С. 5-92.
18. Нагоев З.В. Мультиагентные экзистенциальные отображения и функции // Известия КБНЦ РАН. - 2013. - № 4 (54). - С. 64-71.
19. Ivanov P., Nagoev Z., Pshenokova I., Tokmakova D. Forming the Multi-Modal Situation Context in Ambient Intelligence Systems on the Basis of Self-Organizing Cognitive Architectures // 5th World Congress on Information and Communication Technologies (WICT), 14-16 December, Morocco. - 2015.
20. Nagoev Z., Nagoeva O., Tokmakova D. System Essence of Intelligence and Multi-agent Existential Mappings // 15th International Conference on Hybrid Intelligent Systems (HIS 2015), Seoul, South Korea, Springer International Publishing Switzerland 2016, A. Abraham et al. (eds.), Hybrid Intelligent Systems, Advances in Intelligent Systems and Computing. 420.
- 2016. - P. 67-76. - DOI 10.1007/978-3-319-27221 -4_6.
21. Nagoev Z., Gurtueva I., Lutikova L. Model of automatic speech recognition using multi-agent recursive cognitive architecture // Biologically Inspired Cognitive Architectures 2018, Meeting of the BICA Society. - Springer, 2018. - P. 156-163.
REFERENCES
1. Tarasov V.B. Ot mnogoagentnykh sistem k intellektual'nym organizatsiyam: filosofiya, psikhologiya, informatika [From multi-agent systems to intellectual organizations: philosophy, psychology, computer science]. Moscow: Editorial URSS, 2002, 352 p.
2. Rassel S., Norvig P. Iskusstvennyy intellekt. Sovremennyy podkhod [Artificial Intelligence. Modern approach]. 2nd ed. Izd. dom "Vil'yams", 2006, 1408 p.
3. Wooldridge M. An Introduction to MultiAgent Systems Second Edition. Wiley, 2009, 484 p. ISBN: 0470519460.
4. Multiagent Systems: A Modern Approach to Distributed Artificial Intelligence, ed. by G. Weiss. - The MIT Press, 1999, 643 p. ISBN: 0262232030.
5. Shoham Y., LeytonBrown K. Multiagent Systems: Algorithmic, GameTheoretic, and Logical Foundations. Cambridge University Press, 2008, 504 p. ISBN: 05.
6. Lesser V.R. and Erman L.D. Distributed interpretation: a model and experiment, IEEE Trans. Computers, 1980, Vol. 29 (12), pp. 1144-1163.
7. Xewitt C. Viewing Control Structures as Patterns of Message Passing, Artificial Intelligence, 1977, Vol. 8, No. 3, pp. 323-364.
8. Lenat D. BEINGS: Knowledge as Interacting Experts, Proc. of the 1975 IJCAI Conference, 1975, pp. 126-133.
9. Smith R.G. The Contract Net Protocol: High Level Communication and Control in a Distributed Problem Solver, IEEE Transactions on Computers, 1980, Vol. 29, No. 12, pp. 1104-111.
10. Rzevski G. Modelling large complex systems using multi-agent technology, In Proc. of 13th ACIS International Conference on Software Engineering, Artificial Intelligence, Networking, and Parallel/Distributed Computing (SNPD2012), August 8-10, Kyoto, Japan, 2012, pp. 434-437.
11. Chen Yao et al. Multi-agent systems with dynamical topologies: Consensus and applications, IEEE circuits and systems magazine, 2013, Vol. 13, No. 3, pp. 21-34.
12. Chen M., Athanasiadis D., Al Faiya B., McArthur S., Kockar I., Lu H. & De Leon F. Design of a multi-agent system for distributed voltage regulation, 19th International Conference on Intelligent Systems Application to Power Systems (ISAP), 19 Oct 2017. Piscataway, NJ.: IEEE, 6 p.
13. Granichin Oleg, Khantuleva Tatjana, Amelina Natalia. Adaptation of Aircraft's Wings Elements in Turbulent Flows by Local Voting Protocol, IFAC Proceedings, 2017.
14. Gorodetskiy V.I., Karsaev O.V., Samoylov V.V., Serebryakov S.V. Prikladnye mnogoagentnye sistemy gruppovogo upravleniya [Applied multi-agent group control systems], Iskusstvennyy intellekt iprinyatie resheniy [Artificial intelligence and decision making], 2009, No. 2.
15. Nagoev Z.V. Multiagent recursive cognitive architecture, Biologically Inspired Cognitive Architectures 2012, Proceedings of the third annual meeting of the BICA Society, in Advances in Intelligent Systems and Computing series. Springer, 2012. pp. 247-248.
16. Nagoev Z.V. Intellektika, ili myshlenie v zhivykh i iskusstvennykh sistemakh [Intellect, or thinking in living and artificial systems]. Nal'chik: Izd-vo KBNTS RAN, 2013, 211 p.
17. Anokhin P.K. Sistemnyy analiz integrativnoy deyatel'nosti neyrona [System analysis of the integrative activity of a neuron], Uspekhi fiziol. nauk [Successes fiziol. sciences], 1974, Vol. 5, No 2, pp. 5-92.
18. Nagoev Z.V. Mul'tiagentnye ekzistentsial'nye otobrazheniya i funktsii [Multiagent existential mappings and functions], Izvestiya KBNTS RAN [Izvestiya KBNTS RAS], 2013, No. 4 (54), pp. 64-71.
19. Ivanov P., Nagoev Z., Pshenokova I., Tokmakova D. Forming the Multi-Modal Situation Context in Ambient Intelligence Systems on the Basis of Self-Organizing Cognitive Architectures, 5th World Congress on Information and Communication Technologies (WICT), 14-16 December, Morocco, 2015.
20. Nagoev Z., Nagoeva O., Tokmakova D. System Essence of Intelligence and Multi-agent Existential Mappings, 15th International Conference on Hybrid Intelligent Systems (HIS 2015), Seoul, South Korea, Springer International Publishing Switzerland 2016, A. Abraham et al. (eds.), Hybrid Intelligent Systems, Advances in Intelligent Systems and Computing, 420, 2016, pp. 67-76. DOI 10.1007/978-3-319-27221 -4_6.
21. Nagoev Z., Gurtueva I., Lutikova L. Model of automatic speech recognition using multi-agent recursive cognitive architecture, Biologically Inspired Cognitive Architectures 2018, Meeting of the BICA Society, Springer, 2018, pp. 156-163.
Статью рекомендовал к опубликованию д.ф.-м.н. С.Ш. Рехвиашвили.
Пшенокова Инна Ауесовна - Институт информатики и проблем регионального управления КБНЦ РАН; e-mail: [email protected]; 360000, КБР, г. Нальчик, ул. И. Арманд, 37-а; тел.: 88662426552; к.ф.-м.н.; зав. лаб. «Интеллектуальные среды обитания».
Нагоева Ольга Владимировна - e-mail: [email protected]; н.с.; отдела мультиагентных систем.
Сундуков Заурбек Амурович - e-mail: [email protected]; стажер-исследователь отдела систем виртуальной реальности и прототипирования.
Pshenokova Inna Auesovna - Institute of Computer Science and Problems of Regional Management of KBSC of the Russian Academy of Sciences; e-mail: [email protected]; 360000, KBR, Nalchik, 37-a, I. Armand street; phone: +78662426552; cand. of phis.-math. sc.; head lab. "Intellektual'nyye sredy obitaniya".
Nagoeva Olga Vladimirovna - e-mail: [email protected]; staff scientist of the department of the multiagent systems.
Sundukov Zaurbek Amurovich - e-mail: [email protected]; trainee researcher department of the virtual reality systems and prototyping.
