CC BY
711
,WtJ обчислювальні системи
УДК 6S 1.3
В.А. ЯЩЕНКО
ТЕОРИЯ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА (ОСНОВНЫЕ ПОЛОЖЕНИЯ)
Анотація. У рамках біонічного підходу розглянуто основні положення теорії штучного інтелекту як галузі знань, що розглядає закономірності побудови і функціонування інтелектуальних систем на базі багатовимірних нейроподібних зростаючих мереж. Теорія штучного інтелекту містить вчення про нейроподібні елементи і багатовимірні нейроподібні зростаючі мережі, тимчасову та довготривалу пам'ять, вчення про функціональну організацію «мозку» систем із штучним інтелектом, про сенсорні системи, модулюючі системи, моторні системи, умовні і безумовні рефлекси, рефлекторні дуги (кільця), мотивацію, цілеспрямовану поведінку, про «мислення», «свідомость», «підсвідомость і штучну особистість, яка формується в результаті навчання і виховання». Ключові слова: біонічний підхід, багатовимірні нейроподібні зростаючі мережі, сенсорна система, модулююча система, моторна система, умовний і безумовний рефлекси, рефлекторна дуга.
Аннотация. В рамках бионического подхода рассмотрены основные положения теории искусственного интеллекта как области знаний, которая рассматривает закономерности построения и функционирования интеллектуальных систем на базе многомерных нейроподобных растущих сетей. Теория искусственного интеллекта включает учение о нейроподобных элементах и многомерных нейроподобных растущих сетях, временной и долговременной памяти, учение о функциональной организации «мозга» систем с искусственным интеллектом, о сенсорной системе, модулирующей системе, моторной системе, условном и безусловном рефлексах, рефлекторной дуге (кольце), мотивации, целенаправленном поведении, о «мышлении», «сознании», «подсознании и искусственной личности, формируемой в результате обучения и воспитания».
Ключевые слова: бионический подход, многомерные нейроподобные растущие сети, сенсорная система, модулирующая система, моторная система, условный и безусловный рефлексы, рефлекторная дуга.
Abstract. According to the bionic approach, the article describes, the conceptual issues of the theory of artificial intelligence as a field of knowledge that examines patterns of the construction and operation of intelligence systems based on the multidimensional neural-like growing networks. The general theory of artificial intelligence includes the study of neural-like elements and multidimensional neural-like growing networks, temporary and prolonged memory, study of the functional organization of the “brain” of the systems with the artificial intelligence, about the sensing system, modeling system, motor system, conditioned and unconditioned reflexes, reflex arc (ring), motivation, purposeful behavior, about “thinking”, “consciousness ”, “unconscious and artificial personality is _ formed as a result of training and education ”. Keywords: bionic approach, multidimensional neural-like growing networks, sensor system, modulating system, motor system, conditioned and unconditioned reflex, reflex arc.
«... Очень многие ученые исключают для себя возможность восхищения собственными открытиями, полагая, что этому помешают прагматичный ум и научное понимание проблемы. Но известный астроном Карл Саган как-то отметил, что понимание не умаляет изумления, вызванного открытием, как познание не лишает жизнь полноты красок, звуков, света. Я соглашаюсь с Саганом».
Джефф Хокинс
1. Вступление
В работе кратко изложены основные положения теории искусственного интеллекта, разработанной на базе многомерных рецепторно-эффекторных нейроподобных растущих сетей.
Термин «искусственный интеллект» предложен в 1956 г. на семинаре с аналогичным названием в Стенфордском университете (США). Таким образом, проблема создания
© Ященко В. А., 2011
ISSN 1028-9763. Математичні машини і системи, 2011, № 4
искусственного интеллекта (ИИ), возникшая в прошлом столетии, и по сей день решается лучшими умами человечества. Чл.-корр. НАНУ, ректор Донецкого университета информатики и искусственного интеллекта А.И. Шевченко в [1] пишет: «Анализ проблематики исследований в области искусственного интеллекта показывает, что в настоящее время, с одной стороны, идет интенсивная дифференциация ее предметных областей и, с другой стороны, происходит своеобразная интеграция исследований в рамках поиска возможностей построения общей теории. Интеграция исследований диктуется необходимостью объединения всего комплекса исследований в области искусственного интеллекта в единое целое на основе общей универсальной концепции или идеи, восходящей к своему функциональному прототипу: думающей (мыслящей) и действующей (физически) личности - человеку».
В теории искусственного интеллекта такой общей универсальной концепцией являются многомерные рецепторно-эффекторные нейроподобные растущие сети, которые восходят к своему функциональному прототипу - биологическим нейронным сетям.
2. Основные положення теории искусственного интеллекта
Теория искусственного интеллекта - область знаний, рассматривающая закономерности построения и функционирования интеллектуальных систем на базе многомерных рецеп-торно-эффекторных нейроподобных растущих сетей. Теория искусственного интеллекта включает учение о нейроподобных элементах и многомерных нейроподобных растущих сетях, временной и долговременной памяти, учение о функциональной организации «мозга» систем с искусственным интеллектом, о сенсорной системе, модулирующей системе, моторной системе, условном и безусловном рефлексах, рефлекторной дуге, мотивации, целенаправленном поведении, о «мышлении», «сознании», «подсознании и искусственной личности, формируемой в результате обучения и воспитания».
Аксиома 1. В основе теории искусственного интеллекта лежит аналогия с нервной системой человека.
Система формирования естественного интеллекта - головной мозг, состоящий из множества нейронов, связанных между собой синаптическими связями. Взаимодействуя посредством этих связей, нейроны формируют сложные электрические импульсы, которые контролируют деятельность всего организма и позволяют познавать, обучаться, мыслить логически, систематизировать информацию путем ее анализа, классифицировать, находить в ней связи, закономерности и отличия, ассоциировать ее с подобной и пр. [2].
Функциональная организация мозга. В работах физиологов П.К. Анохина, А.Р. Лу-рия, Е.Н. Соколова [3, 4] и др. с позиции системной организации функций деятельности мозга выделяют различные функциональные системы и подсистемы. Классический вариант интеративной деятельности мозга может быть представлен в виде взаимодействия трех основных функциональных блоков:
1) блок приема и переработки сенсорной информации - сенсорные системы (анализаторы);
2) блок модуляции, активации нервной системы - модулирующие системы (лимбико-ретикулярные системы) мозга;
3) блок программирования, запуска и контроля поведенческих актов - моторные системы (двигательный анализатор).
Сенсорные системы (анализаторы) мозга. Сенсорная (афферентная) система начинает действовать тогда, когда какое-либо явление окружающей среды воздействует на рецептор. В каждом рецепторе воздействующий физический фактор (свет, звук, тепло, давление) преобразуется в потенциал действия, нервный импульс. Анализатор - это многоуровневая система с иерархическим принципом организации. Основанием анализатора
служит рецепторная поверхность, а вершиной - проекционные зоны коры головного мозга. Каждый уровень представляет собой совокупность клеток, аксоны которых идут на следующий уровень. Взаимоотношения между последовательными уровнями анализаторов построены по принципу «дивергенции - конвергенции».
Модулирующие системы мозга являются аппаратом, выполняющим роль регулятора уровня бодрствования, также осуществляющим избирательную модуляцию и актуализацию приоритета той или иной функции. Первым источником активации является внутренняя активность организма или его потребности. Второй источник активации связан с воздействием раздражителей внешней среды.
Моторные (двигательные) системы мозга. Для двигательных областей коры характерен прежде всего синтез возбуждений различной модальности с биологически значимыми сигналами и мотивационными влияниями. Им свойственна дальнейшая, окончательная трансформация афферентных влияний в качественно новую форму деятельности, направленную на быстрейший выход афферентных возбуждений на периферию, т.е. на аппараты реализации конечной стадии поведения.
Система формирования искусственного интеллекта - «мозг» системы, представляющий собой активную, ассоциативную, однородную структуру - многомерную рецеп-торно-эффекторную нейроподобную растущую сеть, состоящую из множества нейропо-добных элементов, связанных синаптическими связями. Нейроподобные элементы воспринимают, анализируют, синтезируют и сохраняют информацию, позволяют системе познавать, обучаться, мыслить логически, систематизировать и классифицировать информацию, находить в ней связи, закономерности, отличия и вырабатывать сигналы управления внешними устройствами.
2.1. Основные правила и определения теории искусственного интеллекта
Аксиома 2. Основная функциональная единица структуры «нервной системы» интеллектуальных систем - искусственный нейрон (нейроподобный элемент).
Определение 1. Нейроподобный элемент - упрощенная модель биологического нейрона, состоящая из устройства (аналога тела клетки) с множеством возбуждающих и тормозных входов, модулирующим входом и одним выходом. Выход (аналог аксона) состоит из множества проводников и множества окончаний. На входы устройства поступает информация (коды, пачки импульсов). Устройство обрабатывает информацию в соответствии с правилами формирования нейроподобной растущей сети, генерирует коды (пачки импульсов) и по нитям аксона одновременно или с разделением во времени передает их на входы других нейронов. Входы нейрона (аналог синапсов) представляют собой рецепторы, реагирующие или не реагирующие на ту или иную часть поступающего на них кода, тем самым увеличивая или уменьшая уровень возбуждения нейроподобного элемента и интенсивность его ответной реакции. При этом амплитуда и частота сигнала могут регулироваться.
Аксиома 3. Все свободные от информации нейроподобные элементы есть нейроподобные элементы новизны.
Аксиома 4. Все нейроподобные элементы, несущие (запомнившие) в себе некую информацию, есть нейроподобные элементы тождества.
Аксиома 5. При отсутствии информации на рецепторах нейроподобных элементов новизны они находятся в режиме слабого случайного фонового возбуждения.
Аксиома 6. Фоновое возбуждение есть постоянно изменяющаяся случайная величина возбуждения нейроподобного элемента.
Определение 2. Нейроподобные элементы чувства - элементы, у которых порог возбуждения увеличивается или уменьшается в зависимости от состояния внутренних подсистем
системы или от результата исполняемой функции. Нейроподобные элементы чувства имеют связи с мотонейронами управления результатом выполняемых действий.
Определение 3. Временная память. Время, необходимое для анализа и запоминания информации нейроном новизны. При поступлении информации (которая системе неизвестна) на рецепторы сенсорной области между ближайшим нейроподобным элементом новизны (уровень возбуждения которого невысокий, но выше всех остальных ближайших нейропо-добных элементов новизны) и рецепторами сенсорной области образуются связи, связям присваиваются весовые коэффициенты, а нейроподобному элементу некоторый порог возбуждения. При неоднократном повторении этой информации порог возбуждения увеличивается. При достижении максимального возбуждения нейроподобный элемент становится нейроподобным элементом тождества и переводится в долговременную память. Определение 4. Долговременная память - все нейроподобные элементы тождества. Определение 5. Нейронная сеть - это параллельная связная сеть простых адаптивных элементов, которая взаимодействует с объектами реального мира аналогично биологической нервной системе.
Определение 6. Нейроподобная растущая сеть - это совокупность взаимосвязанных нейро-подобных элементов, предназначенных для приема анализа и преобразования информации в процессе взаимодействия с объектами реального мира, причем в процессе приема и обработки информации сеть изменяет свою структуру.
3. Нейроподобные растущие сети
Нейроподобные растущие сети (н-РС) - новый тип нейронных сетей, включающий в себя следующие классы: многосвязные (рецепторные) нейроподобные растущие сети (мн-РС); многосвязные (рецепторные) многомерные нейроподобные растущие сети (ммн-РС); ре-цепторно-эффекторные нейроподобные растущие сети (рэн-РС); многомерные рецептор-но-эффекторные нейроподобные растущие сети (мрэн-РС).
Н-РС описываются в виде направленного графа, где нейроподобные элементы представляются его вершинами, а связи между элементами его ребрами.
Таким образом, сеть представляет собой распараллеленную динамическую систему с топологией направленного графа, которая выполняет переработку информации посредством изменения своего состояния и структуры в ответ на воздействия внешней среды.
В теории нейроподобных растущих сетей основными понятиями являются понятия структуры и архитектуры, раскрывающие схему связей и взаимодействия между элементами сети:
топологическая (пространственная) структура - это направленный граф связей элементов сети;
логическая структура определяет принципы и правила формирования связей и элементов сети, а также логику ее функционирования;
физическая структура - схема связей физических элементов сети (в случае аппаратной реализации нейроподобной растущей сети).
Архитектура сети определяется схемой связей физических элементов сети и правилами формирования связей и элементов, а также логикой ее функционирования.
При рассмотрении основ теории нейроподобных растущих сетей используются некоторые положения теории графов.
Направленными или ориентированными графами называются графы, в которых ориентация дуг имеет принципиальное значение. Дуга на графе может рассматриваться как упорядоченная пара вершин или как направленная линия, соединяющая вершины.
Вершины графа S = (A,D) называются смежными, если они соединены дугой. Смежными дугами называются дуги dim, djm, имеющие общую вершину am.
Исходящей дугой называется дуга, которая исходит из вершины ат, т.е., если вершина ат является началом, но не является концом дуги . Заходящей дугой называется дуга , которая заходит в вершину ат, т.е., если вершина ат является концом дуги , но не является началом дуги .
Топологическая структура н-РС представляется связным ориентированным графом (рис. 1). С помощью графов в теории мн-РС рассматриваются процессы прохождения и запоминания информации в сети.
Нейроподобные растущие сети формально задаются следующим образом:
$ = ^, A, D, M, P, N), где R = {гг }, г = 1,п - конечное множество рецепторов; Ar = \а1},
г = 1,к - конечное множество нейроподобных элементов; D = {di}, г = 1,е - конечное множество дуг, связывающих рецепторы с нейроподобными элементами и нейроподобные элементы между собой; Р = {р}, г = 1,к N = к , где Р - порог возбуждения вершины аг, Р = / {тг ) > Р0 (Р0 - минимально допустимый порог возбуждения) при условии, что множеству дуг D, приходящих на вершину аг, соответствует множество весовых коэффициентов М = {тг}, г = 1,^ , причем mi может принимать как положительные, так и отрицательные значения.
Определение 7. Многосвязной (рецепторной) нейроподобной растущей сетью называется ациклический граф, в котором минимальное число заходящих дуг на вершины графа аг
равно переменному коэффициенту п, а каждой дуге di, приходящей на вершину аг, соответствует определенный весовой коэффициент тг . Каждой вершине аг присваивается определенный порог возбуждения. Вершины, не имеющие заходящих дуг, называются рецепторами, остальные вершины называются нейроподобными элементами.
Правило 1. Если при восприятии информации возбуждается подмножество вершин ¥ из
множества вершин, имеющих непосредственную связь с вершиной аг, и Р > к , то связи вершины аг с вершинами из подмножества ¥ ликвидируются, и к сети присоединяется новая вершина аг+1, входы которой соединяются с входами всех вершин подмножества ¥,
а выход вершины аг+1 соединяется с одним из входов вершины аг, причем входящим связям вершины аг+1 присваиваются весовые коэффициенты тг, соответствующие весовым коэффициентам ликвидированных связей вершины аг, а вершине аг+1 присваивается порог возбуждения р, равный сумме весовых коэффициентов связей, входящих в вершину аг+1, или присваивается порог возбуждения Рг, равный /(тг), (некоторой функции от весовых коэффициентов связей, входящих в вершину аг+1).
Исходящей связи вершины аг+1 присваивается весовой коэффициент тг+1. Связям, исходящим из рецепторов, присваивается весовой коэффициент тгг (рис. 2).
О > к, то к сети присоединяется новая ассоциативная вершина аг+1, которая соединяется
заходящими дугами со всеми вершинами подмножества С . Каждой из заходящих дуг присваивается весовой коэффициент тг, а новой
вершине аг+1 присваивается порог возбуждения Раг+1, равный сумме весовых коэффициентов тг входящих дуг или присваивается порог возбуждения р, равный /(тг) (некоторой функции от весовых коэффициентов связей, входящих в вершину аг+1). Новая вершина аг+1 находится в состоянии возбуждения (рис. 3).
Определение 8. Информационным пространством называется область нейроподобной растущей сети, состоящая из множества вершин и дуг, объединенных в единую информационную структуру одного из отображений.
Определение 9. Множество взаимосвязанных ациклических графов, описывающих нейроподобные растущие сети в различных информационных пространствах, называются многосвязными многомерными нейроподобными растущими сетями (ммн-РС).
Правило 3. Если при восприятии информации, представляемой в различных информационных пространствах, возбуждается подмножество Q конечных вершин, то эти вершины соединяются между собой дугами.
Рецепторно-эффекторные нейроподобные растущие сети формально задаются следующим образом:
$ = Аг, Dr,Рг, N. Е, Ае, De, Ре,Ме, Ne ), R = {■}, г = 1,п
- конечное множество рецепторов, Аг = {аг}, г = 1,к - конечное множество нейроподобных элементов рецепторной зоны, Dг = {ё.}, г = 1,е - конечное множество дуг рецепторной зоны, Е = {ег}, г = 1, е - конечное множество эффекторов, Ае = {аг }, г = 1,к - конечное множество нейроподоб-ных элементов эффекторной зоны, Бе = {ё1}, г = 1,е - конечное множество дуг эффекторной зоны, Рг = {Рг}, Ре = {Рг}, г = 1,к , где Р - порог возбуждения вершины аг, аге Рг = / (тг) при условии, что множеству дуг Бг, Бе, приходящих на вершину агг, аге, соответствует множество весовых коэффициентов Мг ={тг},
Ме ={ тг}, г = 1,^ , причем тг может принимать как положительные, так и отрицательные значения. Nг, Nе - переменные коэффициенты связности рецепторной и эффектор-
ной зон.
Определение 10. Рецепторно-эффекторной нейроподобной растущей сетью называется двухсторонний ациклический граф, в котором минимальное число заходящих дуг на вновь образуемые вершины графа равно переменному коэффициенту п , каждой дуге, приходящей на вершины рецепторной зоны, соответствует определенный весовой коэффициент, а вершинам - определенный порог возбуждения, и каждой дуге, приходящей на вершины эффекторной зоны, соответствует определенный весовой коэффициент, а вершинам - определенный порог возбуждения, Вершины, не имеющие заходящих дуг, называются рецепторами, вершины, не имеющие исходящих дуг, называются эффекторами, остальные вершины - нейроподобные элементы (рис. 4).
Рис. 4. Топологическая структура рэн-РС
Рис. 3. Правило 2
этом ¥ > к , и при генерации действий эффекторной зоной возбуждается подмножество Ое и G > к , то связи вершины с вершинами из подмножества ¥Г ликвидируются и к сети
Г ~
присоединяется новая вершина а+1 , входы которой соединяются с выходами всех вершин
т-» Г Г
подмножества ¥Г , а выход вершины а,+1 соединяется с одним из входов вершины а1 , причем входящим связям вершины а^+1 присваиваются весовые коэффициенты ш{, соответствующие весовым коэффициентам ликвидированных связей вершины а\, а вершине
а+{ присваивается порог возбуждения Ра,+}, равный функции от весовых коэффициентов связей, входящих в вершину а+{. Исходящей связи вершины а1+1Г присваивается весовой коэффициент ш1, равный/(Ра1+{). Связям, исходящим из рецепторов, присваивается весовой коэффициент, равный коду признака Ъ{, соответствующего данному рецептору.
В эффекторной зоне к сети присоединяется
е
новая ассоциативная вершина а,+1 , которая соединяется исходящими дугами со всеми вершинами подмножества Ое. Каждой из исходящих дуг присваивается весовой коэффициент шi, равный / (Рае) соответствующей вершины из подмножества Ое, а новой вершине ai+le присваивается минимальный порог возбуждения Pai+le, равный функции от весовых коэффициентов шi входящих
дуг. Вершина аГ рецепторной зоны соединяется
исходящей дугой с новой вершиной эффекторной зоны. Новые вершины сразу же после введения в сеть находятся в возбужденном состоянии (рис. 5). Правило 5. Если при восприятии информации рецепторным полем возбуждается подмножество ¥Г
К* Г О.
из множества вершин, имеющих непосредственную связь с вершиной а1 рецепторной зоны, при этом ¥ > к , и при генерации действий эффекторной зоной возбуждается под-
F*-» е
е из множества вершин, имеющих непосредственную связь с вершиной а1 эффекторной зоны, и ¥ > к , то связи вершины аГ с вершинами из подмножества ликви-
Г
дируются, и к сети присоединяется новая вершина а1+1 , входы которой соединяются с выходами всех вершин подмножества ¥г, а выход вершины ai+JГ соединяется с одним из входов вершины аГ, причем входящим связям вершины ai+iГ присваиваются весовые коэффициенты ш1, соответствующие весовым коэффициентам ликвидированных связей вершины
аТ, а вершине ai+{ присваивается порог возбуждения Ра+ /, равный функции от весовых коэффициентов связей, входящих в вершину. Исходящей связи вершины ai+JГ присваивается весовой коэффициент ш1, равный /(Ра+!Г). Связям, исходящим из рецепторов, присваивается весовой коэффициент, равный коду признака Ъi, соответствующего данному
рецептору. В эффекторной зоне связи вершины ае1 с вершинами из подмножества ¥е лике ~
видируются, и к сети присоединяется новая вершина ai+l , выходы которой соединяются с
входами всех вершин подмножества ¥е, а вход вершины а;+16 соединяется с одним из выходов вершины а'е, причем входящим связям вершины ai+Je присваиваются весовые коэффициенты шi, соответствующие весовым коэффициентам ликвидированных связей вершины а'е, а вершине а+1г присваивается порог возбуждения Pai+Je, равный функции от весовых коэффициентов исходящих связей вершины а . Входящей связи вершины а+16 присваивается весовой коэффициент ш1, равный /[Ра’е). Новая вершина ai+lГ рецепторной
зоны соединяется исходящей дугой с новой вершиной а+16 эффекторной зоны. Новые вершины сразу же после введения в сеть находятся в возбужденном состоянии (рис.6). Правило 6. Если при восприятии информации рецепторным полем возбуждается подмножество Ог, при этом О > к , и при генерации действий эффекторной зоной возбуждается подмножество Ое и О > к , то в рецепторной зоне к сети присоединяется новая ассоциа-
Г
тивная вершина а^ , которая соединяется заходящими дугами со всеми вершинами подмножества О . Каждой из заходящих дуг присваивается весовой коэффициент ш{, равный
соответствующей вершины из подмножества С;, а новой вершине ai+1 присваивается минимальный порог возбуждения Pai+!, равный функции от суммы весовых коэффициентов шi заходящих дуг. В эффекторной зоне к сети присоединяется новая ассоциатив-
е
ная вершина а+1 , которая соединяется исходящими дугами со всеми вершинами подмножества Ое. Каждой из исходящих дуг присваивается весовой коэффициент ш1, равный
! (Рае) соответствующей вершины из подмножества Ое, а новой вершине присваивается
минимальный порог возбуждения Ра+ 1е, равный функции от весовых коэффициентов ш1
исходящих дуг. Новая вершина рецепторной зоны соединяется исходящей дугой с новой вершиной эффекторной зоны. Новые вершины сразу же после введения в сеть находятся в возбужденном состоянии (рис. 7).
Правило 7. Если при восприятии информации рецепторным полем возбуждается подмножество Ог и О > к , и при генерации действий эффекторной зоной возбуждается под-
F*-» е
е из множества вершин, имеющих непосредственную связь с вершиной а эффекторной зоны, и ¥ > к , то в рецепторной зоне к сети присоединяется новая ассоциа-
Г
тивная вершина а^ , которая соединяется заходящими дугами со всеми вершинами подмножества Ог. Каждой из заходящих дуг присваивается весовой коэффициент ш1, равный
! (Ра;) соответствующей вершины из подмножества С;, а новой вершине ai+1 присваивается минимальный порог возбуждения Ра+{, равный функции от весовых коэффициентов ш{ входящих дуг. В эффекторной зоне связи вершины а с вершинами из подмножества
Fe
е ликвидируются, и к сети присоединяется новая вершина ai+] , выходы которой соеди-
Fe
е, а вход вершины ai+l соединяется с оде е
ним из выходов вершины а1 , причем выходящим связям вершины ai+\ присваиваются весовые коэффициенты ш{, соответствующие весовым коэффициентам ликвидированных связей, а вершине ai+Je присваивается порог возбуждения Pai+Je, равный функции от весовых коэффициентов исходящих связей вершины ai+le. Входящей связи вершины а+16 присваивается весовой коэффициент шi, равный /(Рае). Новая вершина рецепторной зоны соединяется исходящей дугой с вершиной а1 эффекторной зоны. Новые вершины сразу же после введения в сеть находятся в возбужденном состоянии (рис. 8).
Определение 8. Множество взаимосвязанных двухсторонних ациклических графов, описывающих состояние объекта и вырабатываемые им действия в различных информационных пространствах, называются многомерными рецепторно-эффекторными нейроподобными растущими сетями.
Топологическая структура многомерной рецеп-торно-эффекторной нейроподобной растущей сети (мрэн-РС) представляется графом (рис. 9). Формально мрэн-РС задаются следующим образом:
£ = (Я, Аг, Бг,Рг, N Е, Ле,Бе, Ре,Ие, N ); Я з Я*, Я, Я,;
Аг з Ау, А,, А,; Бг з Бу, Б,, Б,; Рг з Р,, Р,, Р,;
Иг з И,, И, И,; Иг з N.. N И,; Е з Ег,Еа,Ем;
.А е з .А г, .А а1, .А а2 ; ^Б е з г, ^Б а1, ^Б а2 ; Р е з Р г, Р а1, Р а2 ;
Ие з Иг, Иа1, Иа2; Ne з Nг, Ndl, Nd2; здесь Я,, Я,, Я,
- конечное подмножество рецепторов, А у, А,, А,- конечное подмножество нейроподобных элементов, Бу, Б,, Б, - конечное подмножество дуг, Ру, Р,, Р, - конечное множество порогов возбуждения нейроподобных элементов рецепторной зоны, принадлежащих, например, визуальному, слуховому, тактильному информационным пространствам, Nг - конечное множество переменных коэффициентов связности рецепторной зоны, Ег,Еа,Еа1 - конечное подмножество эффекторов, Аг,Аа^1,Аа^2 - конечное подмножество нейроподобных элементов, Бг, Ба, Б а2 - конечное подмножество дуг эффекторной зоны, Рг, Рм, Ра2 - конечное множество порогов возбуждения нейроподобных элементов эффекторной зоны, принадлежащих, например, речевому информационному пространству и пространству действий, Ne - конечное множество переменных коэффициентов связности эффекторной зоны. Правило 8. Если при поступлении на рецепторные поля различных информационных пространств внешней информации в рецепторных зонах этих информационных пространств возбуждается подмножество Qr конечных вершин, принадлежащих этим описаниям, и при этом в эффекторных зонах соответствующих информационных пространств возбуждается подмножество Qе конечных вершин, вырабатывающих набор действий, соответствующих входной информации, то вершины рецепторных зон этих информационных пространств, принадлежащие подмножеству Qr, соединяются между собой двунаправленными дугами. Вершины эффекторных зон, принадлежащие подмножеству Qе, также соединяются между собой двунаправленными дугами.
рные отношения, для ко-
-*• -*• 1 -*• а1,а2,...,агде ai буле-
4. Математический аппарат описания функциональной организация «мозга» систем с искусственным интеллектом
В теории нейроподобных растущих сетей рассматриваются бина торых задаются множество вершин (нейроподобных элементов)
вой вектор конечной размерности, {а, ак} множество пар из этих элементов. Пара ai, ак
—►
принадлежит подмножеству Я тогда и только тогда, когда вектор ai находится в отношении Я с элементом ак .
Базовые свойства пар векторов, основанные на операции конъюнкции, применяемой к компонентам векторов, т.е. ai хак = (а^ & Ъ(1), а(2) & Ъ(2), ... , а(П) & Ъ(П)), здесь & -конъюнкция, х - операция «векторной» конъюнкции.
Эти базовые конъюнктивные свойства пар векторов а , с следующие:
1. а х с = а . 2. а х с Ф а .
3. а х с = с . 4. а х с Ф с .
5. а х с = 0 . 6. а х с Ф 0.
Комбинации основных свойств пар векторов по три дают восемь исключающих друг друга отношений:
1. а я 1 с ° (а х с = а )п (а х с = с )п (а х с Ф 0 ).
2. а я 2 с ° (а х с Ф а )п (а х с Ф с )п ( а х с = 0).
3. а я 3 с ° (а х с Ф а )п (а х с Ф с )п (а х с Ф 0).
4. а я 4 с ° (а х с Ф а )п (а х с = с )п (а х с Ф 0).
5. а я 5 с ° (а х с = а )п (а х с Ф с )п (а х с Ф 0).
6. а я 6 с ° (а х с = а )п (а х с Ф с )п (а х с = 0).
7. а я 7 с ° (а х с Ф а )п (а х с = с )п (а х с = 0).
8. а Я 8 с ° (а х с = а )п (а х с = с )п (а х с = 0).
Здесь п - логическое И.
Очевидно, что отношения Я6, Я7, Я8 тривиальны, так как в каждом из них один или оба вектора равны нулю. На основании анализа основных конъюнктивных свойств пар векторов сформулируем следующие утверждения:
Утверждение 1. На множестве пар векторов а , а ’ е А можно определить пять основных, исключающих друг друга отношений Я1, Я2, Я3, Я4, Я5.
На основе утверждения 1 определяются следующие основные операции построения н-РС.
Пусть внешняя информация, поступающая на рецепторное поле, представлена множеством Wr ={;/} , г е!;, j е1г, а возбуждения, поступающие на эффекторное поле, множеством We ={$}, ieIe, jeJe.
Для всех пар векторов а , а ’ е Wr, а , а ’ е We, где Wr - множество векторов строк длины к рецепторной зоны и We - множество векторов строк длины I эффекторной зоны, введем исключающие друг друга отношения Яг I, Яе I для рецепторной и эффектор-ной зон соответственно.
а Я;1 а' а,, а Г е А • (а,х а,+1 = а \) п (а,х а,+1 = а,*1 п (а,х а,+1 Ф 0)
здесь х +1 - конъюнкция векторов аг и а}+\ П - логическое И;
аЯг1а°"а!а1 е
А:
(а,х аТ=а>)п (а,х аТ=п х Ф 0)=
а я^а^аа+'сА :(а,1ха,1+1 ф ф =0)-
ая 3а °"а’,а’,+1е А :(а’,х а’,+1 ф а ) п(а’,х а’,+1 ф а, +1) х а’,+1 ф 0); а я4а°"а,1,а,1+1еА '-ахафа’1)п(а,1 ха, +х=а, +Ь^(а>1 ха, +1ф0)-аяг 5а°"а1,а1+1е А :(а,,ха,,+1=а’1)п(а,1ха,1 +1 ф а+1)п(а), ха),+1 ф 0);
аяе1а°"а,а1г +1еА '■(а^ха1*1=а,)п(.а,гха, +х=а^ыа1,ха1*1 ф0);
а яе2а Ф"а’14+1е А :а ха+1 ф а, )п(а>, ха’, +1 ф а’, +1)п(а), ха+1=0); аяе3а +1е А •са’ха1+1ф а’1)п(а,1 х1+1 ф а,+1)^(а), ха,+1ф 0); а яе4а °"а4+1е А :а аХф ха,+1=а,1+ь^(а,1 ха,+1 ф °л-аяе5а °"а1а1+1еА 'а а1=п^аа1 Ф ф 0).
а Я;,а
>
а Яе,а
A. Пусть имеется множество векторов а Г,, а 2 , а 3 ,..., а кп и —, а;3,-,..., Се, для рецепторной и эффекторной зон соответственно.
B. Проверяем, в каком из отношений Яг1, Яг2, Яг3, Яг4, Яг5 находится пара векторов а , а ' из множества пар рецепторной зоны
(а г- , а г,),(а г1 , а г,),(а г1 , а г,),...,(а г, , а г,)
и од новременно, в каком из отношений Яе1, Яе2, Яе3, Яе4, Яе5 находится пара векторов
а ,а ’ из множеств пар эффекторной зоны (ае 1,а ке1),(а 2га ке1),(а \га ке1),...,(а к-1 ,а ке1), где к пробегает от 2 до к + g, здесь g - число новых векторов.
Рецепторная зона. Если пара векторов (а1;1, а кн) находится в отношении Яг1, Яг2, Я3,
Яг4, Яг5, то соответственно выполняются операции Ог/, 0.и2, Qгj3, Оя4 или Qгf :
/О1 /-*• /-*-1 —*к -_к+ 1. -,.1 -,.1 -_к Л -_к + 1 л а 1
УГ1(а ,а) = а,а,,а, ), а„■ := а;,, а„■ := 0, а„■ := 0, шк := Ък -2 _»1 -2
ш^ := Ък, РС1 = / (ша-), РС2 = / (шакУ;
/'Л2 ^.-—*-1 -*.к _*.к+Ц —,.1 —,.1 _*.к _*.к _*.к+1 л а 1
Уг1(а ,а) = а,а„-,а„-), а„-:= а„-,а„-:= а„-, а- '■= 0,шк := Ък
ша := Ък,Ра) = /(ша),Раг = /(ша-);
-—\ /—*■1 -к _—к+1, —Л /-—*-1 --к --1 ч -к /-—•■1 -к
У;1(а ,а) = а,а„-,а„-),а-'■= аха„-ха- и с;,а := аха„-х
к
ха- и с;,,С* 1;= С1ха-,ш<а"= Ък,ш := Ък, ша := /(РСг), -—+1к -—1 -—1 —к —к
рС к+1=/ (ша1), рС1=/ (ша1, ша ■) р—=/ ш, шао;
е4 ✓ —ч , -*-1 —*к -,-к+Ц —,.1 , —,.1 -,-к _Л ,
;1(а ,а ) = а,а;,,а* )= а*:= (а*ха*, ха„)ис;,,а
а
Р С1 = / ша'=ша');
С
= 05m^a':= Ък, ша1 := Ък, ша1 := У" (Р _), Р С = у (ш!?1 )=
а
-\5
/'~\5 —».Ч /-—*-1 —*-к —►к+Ц —,.1 —,.1 _,.к /-—*■! —*-к ——».к+1 л
У;1(с , с) = (с„-,с„-,с„-),а- := с„-, а- := (с„-х с„-х СгР и с,а '■= 0,
——к _с —^ ^
шС-:= Ък, ш?1 := Ък,шС := /(Р^РГ /(.Щ1^Р- = /(шС,шС’).
Операции 0г11, 0г12, 0г13, 0г14 или 0г15 справедливы, если кГ > п1,
-1 . - к 1 1 —к , к , к+1 л
в противном случае, если ап Ф ап , то а„:=а„-, а„:=аг,-, с :=0, ш г!: = Ъ'к , ш г!: = Ъ'к , Р0; = / (шк), Р0, = / (шк) ,
к,: = 0, ак,+1: = 0, шк‘: = Ък, А= /(шк1).
если же С1 ■ = пк■, то а
п ;,
1, если выполнялась операция Ог/1 ,
к = ^ 2, если выполнялась операция 01, 0г1, 0г15,
3, если выполнялась операция Ог/3 .
0,н (а , С)
Если пара векторов (_ 2., С к находится в отношении Яг1, Яг2, Яг3, Яг4, Яг5, то соответственно выполняются операции Ог/, 0г2, Ог/, Ог4 или 0г/.
Далее, если пара векторов ( а
, а
Г 1 ’ х-л Г I
) находится в отношении Яг1, Яг2, Яг3, Я4,
Яг5, то соответственно выполняются операции Ог/, 0гj3, Ог/4 или Ог/5 и т. д. до тех
поP, пока не исчерпается множество пар (с\, ак„), (а2,, ак„), (а1„ ак„),..., (ак-1, ак,).
к
к
Эффекторная зона. Аналогично в эффекторной зоне, если пара векторов ( ? 1 ,аке1) находится в отношении Яе1, Яе2, Яе3, Яе4, Яе5, то соответственно выполняются операции
0ej2, 0ej3, Ое/4 или
ҐЛ1 / - / г1 —к -*-к+1. -*-1 -*-1 ~-к „ --к+1 Л а і
Уе1(а ,а ) -(аеі,аеі,-еі ), -еі-еі, -еі°> аеі :- 0,тк - Ьк
т ?■- Ьк, Р а 1 - / (т -'). Р а2 - / (т ?);
/~\2 , - /-1 -к —►к +К -_1 -_1 —►к —►к —►к+1 Л а 1
Уеі(а ,а )-к,аеі,аеі ), аеі:-аеі,аеі:-аеі, аеі :-0тк:-Ьк
-2 - Ьк. Р-1 - /(т-1).Ра2 - /(т?Х
.-
тк . Ьк
Є3 ^ /—»1 —►к —»к+Ц —*1 / —*-1 —*-к -Л х —»к / —*-1 —*~к
Ш1(а ,а )- (аш,-ш,аш).-ш:- (ашх-шхаи,аш:-(ашхашх
т т і і ї —*1 —*к —*1,к
—*-к . _»к+1 —,.1 —*.к а і а і а гґ т-\0 ,
-ат)иЄщ,ат :-ашхат.тк"-Ьк.тк '-Ьк.та :-/(Р^О,
Ракм - /(Шк' ).Р- - /Ш-.тс').Р-к- /(тк'.тс'):
/'Л4 , —► —►' ч , —Л —*-к —*к +К —,.1 / —*-1 —►к -нЛ —.-к _►
Уш1(а .а )-(аш>аш>ат),аш:-(ашхашхаш)иЄщ.аш:-а
- Ш -к+1 ?Ді
-1 --к --к л л - к
аШ--0=та':-ЬкШ:- Ьк.т- :-/(Р-),Р- - /(тк),
/"\5 . .-..1 -».к _к +Ц _Л _1 _к , _1 _к -*-^ч —►к+1 л
Уш(а ,а)=(ад,,ажа ),ат'■= аш,а™:= (ад,хашха,ъ)и=ад, :=0 ш? := Ък, ш??' := Ък, ш?1 := / (РС;),РС;=/(mсгl)=Ра-=/(mсгl=mсг').
Операции Ое11, Ое12, О1, Ое14 или Ое15 справедливы, если кГ > п1, в противном случае, если С е, ф С ке1,
то —1 —1 -_ к -_ к -_ к +1 п
то а е,: = а е,, а е,: = а е,, а е, : = 0’
если же
а
1
та 1 •• - Ь еР°1 - / (тк])’ Р°1 - / (тк}).
к
то
а
- 0
е і а е і -к + 1 а
,+1: - 0> так ‘: - Ь к . Р -/(4)-
к =
1, если выполнялась операция Qеj1,
2, если выполнялась операция Qеj2, Qеf, Qef,
13:
3, если выполнялась операция Qеj .
йеі (а, -)
Если пара векторов ( — е — е.) находится в отношении Яе1, Яе2, ЯеЗ, Ее4, Яе5, то
соответственно выполняются операции Qej1, Qej2, Qej3, Qej4 или ^5•
Далее, если пара векторов ( — 3 к,) находится в отношении Яє1, Яє2, ЯєЗ, Яє4,
Яе5, то соответственно выполняются операции Qej1, Qej2, Qej3, Qej4 или и т.д. до тех
^ пока не исчерпается множество пар (а 11,аке1),(а2,,аке1),(а31,аке1),---,(аке~\аке1) ■
Таким образом, описания понятий, объектов, условий или ситуаций и связи между ними, указывающие на зависимость друг от друга их информационных представлений, т.е. сенсорная система, модулирующая система, условный и безусловный рефлексы, рефлекторное кольцо, временная и долговременная память формируются в рецепторных зонах многомерной рэн-РС. В эффекторных зонах формируются адекватные входным описаниям
к
е і
последовательности действий и вырабатываются сигналы, управляющие исполнительными механизмами, т.е. система мотивации целенаправленного поведения и моторная система. Одновременное функционирование этих систем дает возможность системе с искусственным интеллектом воспринимать, анализировать, запоминать и синтезировать информацию, обучаться и выполнять целенаправленные действия [5-7].
5. Функциональная организация «мозга» систем с искусственным интеллектом
«Мозг» системы с искусственным интеллектом состоит из множества ней-роподобных элементов, связанных между собой связями. Взаимодействуя между собой, нейроподобные элементы формируют управляющие сигналы, которые контролируют познавательную и мыслительную деятельность всей системы.
5.1. Сенсорная система
Функция восприятие - информация поступает из внешнего мира в рецепторную зону, активирует рецепторы, которые в свою очередь активируют нейроподобные элементы различных уровней обработки информации - уровней безусловных рефлексов - первичных автоматизмов, уровней формирования условных рефлексов -вторичных автоматизмов, уровней классификации, обобщения и запоминания. В формальном представлении: определяются отношения и выполняется операция
а Яг*а ^ ОГ,(а , а ).
Безусловные рефлексы задаются при создании системы.
^ а Я г* а ^ О Г, (а , а ) ) ^ а■ ^ ( О'в1 (а а ) ^ а Я в* а ^) .
При функционировании системы они возникают при появлении «специфического» для каждого из них раздражителя, обеспечивая тем самым неуклонность выполнения наиболее важных функций системы независимо от случайных, преходящих условий среды.
аЯг*а' ^(а ,а) ^а■ ^в ~^~БР.
Условные рефлексы приобретаются в процессе функционирования системы. При действии индифферентного раздражителя возникает возбуждение в соответствующих рецепторах и импульсы поступают в сенсорную систему. При воздействии безусловного раздражителя возникает специфическое возбуждение соответствующих рецепторов. Таким образом, одновременно возникают два очага возбуждения. Между двумя очагами возбуждения образуется временная рефлекторная связь. При возникновении временной связи изолированное действие условного раздражителя вызывает безусловную реакцию.
Рис. 10. Схема - моделирование основных функций мышления на многомерных рэн-РС
И аЯг1а^Оп(а >а)
К аЯг^а^Оп(а > а)^в
Формирование условного рефлекса
К а Яг*а^ & (а > а) ^ ак ^ в tn2 аЯг*а^ОГ1(.а ,а)
г 1 аЯг'а^ (а > а) ^ а ^ в ^
12 а Яг* а О‘Гг (а > а )
УР - Условный рефлекс
Условные рефлексы являются универсальным приспособительным механизмом, обеспечивающим пластичные формы поведения.
Первичные автоматизмы (АВ1) - безусловные рефлексы БР1г1 ^ АВ1".
Вторичные автоматизмы (АВ2) - устоявшиеся условные рефлексы УР1г1 ^ АВП".
5.2. Модулирующая система
Модулирующая система регулирует уровень возбудимости нейроподобных элементов и осуществляет избирательную модуляцию той или иной функции системы. Первым источником активации является приоритетность внутренней активности подсистем системы. Закладывается при создании системы аналогично безусловным рефлексам. Любые отклонения от жизненно важных показателей системы приводят к активации (изменению порога возбудимости) определенных подсистем и процессов. Второй источник активации связан с воздействием раздражителей внешней среды. Приоритетность определенной активности приобретается в процессе «жизненного цикла» аналогично формированию условных рефлексов.
Мотивация - механизм, который способствует удовлетворению потребностей: он соединяет память о каком-либо объекте (например, недостатком энергии) с действием по удовлетворению этой потребности (поиском энергии). При этом формируется целенаправленное поведение, которое включает в себя три звена: поиск цели, взаимодействие с уже обнаруженной целью, покой после достижения цели.
Целенаправленное поведение - мотивационная постановка цели - возбуждение, действия, направленные на поиск алгоритма решения целевой задачи, достижение цели - снятие возбуждения.
5.3. Двигательная система
Для двигательной системы характерен, прежде всего, синтез возбуждений различной модальности со значимыми сигналами и мотивационными влияниями. Им свойственна дальнейшая, окончательная трансформация афферентных влияний в качественно новую форму деятельности, направленную на быстрейший выход эфферентных возбуждений на периферию, т. е. на цепочки нейронов реализации конечной стадии поведения.
Двигательная система состоит целиком из ансамблей (цепочек) нейронов эфферентного (двигательного) типа и находится под постоянным притоком информации из афферентной (сенсорной) области. В отличие от афферентной области в области запуска и контроля поведенческих актов процессы активации идут в нисходящем направлении, начинаясь с наиболее высоких уровней. В высших уровнях формируются цепочки командных нейронов (двигательные программы), а затем переходят к нейронным цепочкам низ-
ших моторных уровней и двигательным нейронам - эффекторам участков двигательной эфферентной импульсации.
Функция действие - информация исходит из эффекторной зоны, через эффекторы и моторную область воздействует на внешний мир Д1 ^ е .
Движение - последовательность действий (Д), найденная случайно (ребенок научился ходить самостоятельно) или с помощью учителя (ребенок научился ходить с помощью родителей):
д г1 ^ д ;2 ^ д г3... ^ д :.
Психическая функция или поведенческий акт - последовательность автоматизмов осуществляется в системе, функционирующей по рефлекторному принципу, в которой влияние центральных и рецепторно-эффекторных (периферических) зон взаимосвязаны и их совместная деятельность обеспечивает целостную реакцию. Система имеет многоуровневую организацию, где каждый уровень от рецепторных образований до эффекторных вносит свой «специфический» вклад в «нервную» деятельность системы.
АВ Г ^ АВ 22 ^ АВ 23... ^ АВ".
Функция мысль - ансамбль возбужденных нейроподобных элементов на уровне подсознания (внутренняя модель внешнего или абстрактного мира, усиленная функцией мотивации в данный момент без выхода во внешний мир).
Функция мышление - последовательное взаимодействие ансамблей возбужденных нейроподобных элементов на уровне подсознания (внутренних моделей), направляемое уровнями возбуждения нейроподобных элементов, усиленными или ослабленными функцией мотивации. Информация циркулирует в замкнутом контуре - сенсорная область, уровни обработки информации (анализ, классификация, обобщение, запоминание, моторная область, сенсорная область) без выхода во внешнюю среду.
^аЯг*а ^@И(а ,а) ^^ е ^.
Мыслить, размышлять, значит, сознавать. В этом смысле «внутреннее проговаривание»
- циклы передачи внутренней активной информации на вход системы - можно рассматривать как модель искусственного сознания интеллектуального компьютера, а циклы передачи внутренней активной информации на вход системы без включения «проговаривания» рассматривать как модель искусственного подсознания.
Функция сознание - распространение возбуждения по активным ансамблям нейро-подобных элементов (внутренним моделям внешнего мира), усиленного функцией мотивации, отражающим важнейшие отношения в системе субъект - среда.
Функция подсознание - распространение возбуждения по активным ансамблям ней-роподобных элементов (внутренним моделям внешнего мира), ослабленного функцией мотивации. Обеспечивает подготовку моделей для сознания, распознавания заученных образов и выполнения привычных движений.
Функция неосознанная реакция - внешняя информация на уровне подсознания вызывает обратное воздействие на внешний мир (безусловный и условный рефлексы, отработанные действия, вторичные автоматизмы).
Функция осознанная реакция - внешняя информация на уровне сознания вызывает обратное воздействие на внешний мир (осознанные действия в фазе формирования условных рефлексов и приобретения вторичных автоматизмов).
Функция интуиция - поиск новой информации, порождение гипотез и аналогий, создание новых временных связей, активация новых ансамблей нейроподобных элементов
и порождение из них новых комбинаций, которые автоматически формируются в подсознании, наиболее активные из них прорываются в область сознания.
Подражание - наблюдая за действиями других объектов (например, наблюдая за поведением родителей, ребенок) объект внутренне на уровне микродвижений повторяет их действия (возникает небольшое возбуждение ансамблей нейроподобных элементов, задействованных в выполнении этих действий). Затем, неоднократно повторяя эту последовательность в играх, закрепляет их (повторение приводит к увеличению порогов возбуждения ансамблей нейроподобных элементов), что приводит к выработке поведенческих стереотипов.
6. Искусственная личность
Искусственная личность есть идеальный конструкт, способный к поглощению всего многообразия процессов преобразования информации, антропоморфно отображающий деятельность своего прототипа - современного разумного человека.
Производная искусственной личности по умственным возможностям дает концепт интеллекта, а производная по физическим возможностям - денотат интеллекта.
Если конструировать искусственную личность как реальную машину, способную преобразовывать не только информацию, но и выполнять вещественные операции в окружающем мире, то она может быть реализована как робот с высокоразвитым интеллектом, имитирующий биологическую, живую машину - человека. В этом случае конструкт может быть назван «антропоморфной искусственной личностью» с соответствующими естественными требованиями к нему: наличие сенсорных органов, аппарата движения и опоры, наличие развитого аппарата переработки информации, естественности движений и поведения.
Если же конструировать искусственную личность как виртуальную машину, способную перерабатывать только информацию, то в этом случае конструкт может быть назван «виртуальной искусственной личностью-роботом». В отличие от антропоморфной искусственной личности, виртуальная все свои органы и элементы только имитирует в форме изображений, однако процессы переработки информации по их результативности вполне реальны и правдоподобны [8-14].
7. Индивидуальность системы
Индивидуальные различия системы проявляются в ее деятельности и поведенческих функциях, обусловлены как конструктивной природой ее организации, так и ее «жизненным» опытом, приобретаемым в результате обучения и функционирования.
Упрощенная виртуальная искусственная личность - робот реализована в проекте «УГШОМ». Проект демонстрировался в Ганновере на выставке СеВ1Т в 2000 - 2002 гг., в Пекине на выставке информационных технологий в 2000г. и в павильонах ВДНХ Украины в 2000 - 2004 гг.
В интеллектуальной системе «Диалог» (2005) осуществлено моделирование мышления. Система демонстрировалась на международной конференции "Кпо’^её§е-Б1а1о§-8о1ийоп 2007" в Варне и на международной научно-технической мультиконференции «Актуальные проблемы информационно-компьютерных технологий, мехатроники и робототехники 2009» в России.
8. Выводы
Искусственная интеллектуальная система, обладающая механизмами искусственного мышления (размышления), получает возможность рассуждать, упорядочивать и корректировать свои знания. Осуществляя повторный неоднократный ввод хранящейся в памяти
информации, снова распознавая ее и сравнивая с содержимым памяти, тем самым выполняет неоднократный просмотр и коррекцию формируемых внутри образов (моделей внешнего мира) в непрерывном потоке информации реального внешнего мира. Действительно, по существу, процесс осознания представляет собой ассоциативное воспоминание с обновлением и требует периодического распознавания информации, представляющей внутреннее состояние (образ) и внешнюю среду (реальный мир).
Модели, разработанные на базе предложенной теории искусственного интеллекта и осуществленные в проектах «VITROM» и «Диалог», показали возможность создания технических устройств, способных к восприятию визуальной и символьной информации, ее анализу, синтезу и накоплению. Обладать способностью обучаться, отвечать на заданные вопросы, логически мыслить и размышлять.
СПИСОК ЛИТЕРАТУРЫ
1. Шевченко А.И. Актуальные проблемы теории искусственного интеллекта / Шевченко А.И. -Київ: ІПШІ «Наука і освіта», 2003. - 228 с.
2. Нервная система. - Pежим доступа: galactic.org.ua.
3. Соколов E.H. Принцип векторного кодирования в психофизиологии / Е.Н. Соколов // Вестник Московского университета. Серия 14: Психология. - 1995. - № 4. - С. 3 - 13.
4. Лурия А^. Основы нейропсихологии / Лурия А^. - М., 1973. - 173 с.
5. Ященко В. А. Pецепторно-эффекторные нейроподобные растущие сети - эффективное средство моделирования интеллекта. I / В.А. Ященко // Кибернетика и системный анализ. - 1995. - № 4. -С. 54 - 62.
6. Ященко В.А. Pецепторно-эффекторные нейроподобные растущие сети - эффективное средство моделирования интеллекта. II / В.А. Ященко // Кибернетика и системный анализ. - 1995. - № 5. -
С. 94 - 102.
7. Yashchenko V.A. Receptor-effector neural-like growing network - an efficient tool for building intelligence systems / V.A. Yashchenko // Proc. of the second international conference on information fusion, (California, July 6-8 1999). - Sunnyvale Hilton Inn, Sunnyvale, California, USA, 1999. - Vol. II.
- P.1113 - 1118.
8. Ященко В.А. Вторичные автоматизмы в интеллектуальных системах / В.А. Ященко // Искусственный интеллект. - 2005. - № 3. - С. 432 - 447.
9. Шевченко А.И. Может ли компьютер мыслить? / А.И. Шевченко, В.А. Ященко // Искусственный интеллект. - 2005. - № 4. - С. 476 - 489.
10. Ященко В.А. Pазмышляющие компьютеры / В.А. Ященко // Математичні машини і системи. -2006. - № 1. - С. 49 - 59.
11. Шевченко А.И. От искусственного интеллекта к искусственной личности / А.И. Шевченко, В.А. Ященко // Искусственный интеллект. - 2009. - № 3. - С. 492 - 505.
12. Ященко В.А. Некоторые аспекты «нервной деятельности» интеллектуальных систем и роботов / В.А. Ященко // Искусственный интеллект. - 2009. - № 4. - С. 504 - 511.
13. Особенности реализации искусственной личности / А.И. Шевченко, В.А. Ященко // Междунар. научн.-техн. мультиконф. «Актуальные проблемы информационно-компьютерных технологий, ме-ханотроники и робототехники-2009»: тезисы докл. (ИКТМP-2009), (Дивноморск, Pоссия, 28 сентября - 3 октября 2009 г.). - Дивноморск, Pоссия, 2009. - С. 10 - 17.
14. Некоторые аспекты «нервной деятельности» интеллектуальных систем и роботов / В.А. Ященко // Междунар. научн.-техн. мультиконф. «Актуальные проблемы информационно-компьютерных технологий, механотроники и робототехники-2009»: тезисы докл. (ИКТМP-2009), (Дивноморск, Pоссия, 28 сентября - 3 октября 2009 г.). - Дивноморск, Pоссия, 2009. - С. 103 - 109.
Стаття надійшла до редакції 08.10.2011
